不懂 NumPy 算什么 Python 程序员？ | CSDN 博文精选

作者 | 天元浪子责编 | 郭芮出品 | CSDN 博客大约七八年前，我曾经用 pyOpenGL 画过地球磁层顶的三维模型，这段代码至今仍然还运行在某科研机构里。在那之前，我一直觉得自己是一个合（you）格（xiu）的 Python 程序员，似乎无所不能。但磁层顶模型的显示效果令我沮丧——尽管这个模型只有十几万个顶点，拖拽、缩放却非常卡顿。最终，我把顶点数量删减到两万左右，以兼顾模型质量和响应速度，才勉强交付了这个任务。从此我开始怀疑 Python 的性能，甚至一度怀疑 Python 是否还是我的首选工具。幸运的是，后来我遇到了 NumPy 这个神器。NumPy 是 Python 科学计算的基础软件包，提供多维数组对象，多种派生对象（掩码数组、矩阵等）以及用于快速操作数组的函数及 API，它包括数学、逻辑、数组形状变换、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。了解 NumPy 之后，我才想明白当初磁层顶的三维模型之所以慢，是因为使用了 list（Python 数组）而不是 ndarray（NumPy 数组）存储数据。有了 NumPy，Python 程序员才有可能写出媲美 C 语言运行速度的代码。熟悉 NumPy，才能学会使用 PyOpenGL / PyOpenCV / Pandas / Matplotlib 等数据处理及可视化的模块。事实上，NumPy 的数据组织结构，尤其是数组（numpy.ndarray），几乎已经成为所有数据处理与可视化模块的标准数据结构了（这一点，类似于在机器学习领域 Python 几乎已经成为首选工具语言）。越来越多的基于 Python 的科学和数学软件包使用 NumPy 数组，虽然这些工具通常都支持 Python 的原生数组作为参数，但它们在处理之前会还是会将输入的数组转换为 NumPy 的数组，而且也通常输出为 NumPy 数组。在 Python 的圈子里，NumPy 的重要性和普遍性日趋增强。换句话说，为了高效地使用当今科学/数学基于 Python 的工具（大部分的科学计算工具），你只知道如何使用 Python 的原生数组类型是不够的，还需要知道如何使用 numpy 数组。在这个 AI 和 ML 霸屏的时代，如果不懂 NumPy，请别说自己是 Python 程序员。
list VS ndarray
numpy 的核心是 ndarray 对象（numpy 数组），它封装了 python 原生的同数据类型的 n 维数组（python 数组）。numpy 数组和 python 数组之间有几个重要的区别：

• numpy 数组一旦创建，其元素数量就不能再改变了。增删 ndarray 元素的操作，意味着创建一个新数组并删除原来的数组。python 数组的元素则可以动态增减。

• numpy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。python 数组则无此要求。

• numpy 数组的方法涵盖了大量数学运算和复杂操作，许多方法在最外层的 numpy 命名空间中都有对应的映射函数。和 python 数组相比，numpy 数组的方法功能更强大，执行效率更高，代码更简洁。

然而，以上的差异并没有真正体现出 ndarray 的优势之所在，ndarray 的精髓在于 numpy 的两大特征：矢量化（vectorization）和广播（broadcast）。矢量化可以理解为代码中没有显式的循环、索引等，广播可以理解为隐式地对每个元素实施操作。矢量化和广播理解起来有点抽象，我们还是举个栗子来说明一下吧。例题：a 和 b 是等长的两个整数数组，求 a 和 b 对应元素之积组成的数组。1、用 python 数组实现：

2、用 numpy 数组实现：

这个栗子是不是体现了矢量化和广播的强大力量呢？请仔细体会！总结：

• 矢量化代码更简洁，更易于阅读；

• 更少的代码行通常意味着更少的错误；

• 代码更接近于标准的数学符号；

• 矢量化代码更 pythonic。

dtype AND shape
子曰：找对象先了解品行，学对象先了解属性。ndarray 对象有很多属性，详见下表。基于以下三个原因，我认为，dtype 和 shape 是 ndarray 最重要的两个属性，重要到几乎可以忽略其他的属性。

• 我们趟过的坑，几乎都是 dtype 挖的；

• 我们的迷茫，几乎都是因为 shape 和我们期望的不一样；

• 我们的工作，很多都是在改变 shape。

ndarray.astype() 可以修改元素类型，ndarray.reshape() 可以重新定义数组的结构，这两个方法的重要性和其对应的属性一样。记住这两个属性和对应的两个方法，就算是登堂入室了。想了解 numpy 支持的元素类型，请点击《数学建模三剑客MSN》（https://blog.csdn.net/xufive/article/details/52449255）。
创建数组
(1) 创建简单数组

应用示例：

(2) 创建随机数组

应用示例：

(3) 在数值范围内创建数组

应用示例：

(4) 从已有数组创建数组

应用示例：

(5) 构造复杂数组
[1] 重复数组 tile

[2] 重复元素 repeat

[3] 一维数组网格化: meshgrid

[4] 指定范围和分割方式的网格化: mgrid

上面的例子中用到了虚数。构造复数的方法如下：

数组操作
(1) 切片和索引对于一维数组的索引和切片，numpy和python的list一样，甚至更灵活。

假设有一栋2层楼，每层楼内的房间都是3行4列，那我们可以用一个三维数组来保存每个房间的居住人数（当然，也可以是房间面积等其他数值信息）。

提示：对多维数组切片或索引得到的结果，维度不是确定的。(2) 改变数组的结构numpy 数组的存储顺序和数组的维度是不相干的，因此改变数组的维度是非常便捷的操作，除 resize() 外，这一类操作不会改变所操作的数组本身的存储顺序。

np.rollaxis() 用于改变轴的顺序，返回一个新的数组。用法如下：

• a：数组；

• axis：要改变的轴，其他轴的相对顺序保持不变；

• start：要改变的轴滚动至此位置之前，默认值为0。

应用示例：

(3) 数组合并
[1] append对于刚刚上手 numpy 的程序员来说，最大的困惑就是不能使用 append() 方法向数组内添加元素了，甚至连 append() 方法都找不到了。其实，numpy 仍然保留了 append() 方法，只不过这个方法不再是 numpy 数组的方法，而是是升级到最外层的 numpy 命名空间了，并且该方法的功能不再是追加元素，而是合并数组了。

[2] concatenateconcatenate() 和 append() 的用法非常类似，不过是把两个合并对象写成了一个元组 。

[3] stack除了 append() 和 concatenate() ，数组合并还有更直接的水平合并（hstack）、垂直合并（vstack）、深度合并（dstack）等方式。假如你比我还懒，那就只用 stack 吧，足够了。

stack 函数原型为 stack(arrays, axis=0)，请注意体会下面例子中的 axis 的用法。

(4) 数组拆分拆分是合并的逆过程，概念是一样的，但稍微有一点不同：

(5) 数组排序排序不是 numpy 数组的强项，但 python 数组的排序速度依然只能望其项背。[1] numpy.sort()numpy.sort() 函数返回输入数组的排序副本。

• a：要排序的数组；

• axis：沿着它排序数组的轴，如果没有，数组会被展开，沿着最后的轴排序；

• kind：排序方法，默认为’quicksort’（快速排序），其他选项还有 ‘mergesort’（归并排序）和 ‘heapsort’（堆排序）；

• order：如果数组包含字段，则是要排序的字段。

应用示例：

[2] numpy.argsort()函数返回的是数组值从小到大的索引值。

• a：要排序的数组；

• axis：沿着它排序数组的轴，如果没有，数组会被展开，沿着最后的轴排序；

• kind：排序方法，默认为’quicksort’（快速排序），其他选项还有 ‘mergesort’（归并排序）和 ‘heapsort’（堆排序）；

• order：如果数组包含字段，则是要排序的字段。

应用示例：

(6) 查找和筛选
[1] 返回数组中最大值和最小值的索引

[2] 返回数组中非零元素的索引

[3] 返回数组中满足给定条件的元素的索引

应用示例：

[4] 返回数组中被同结构布尔数组选中的各元素

应用示例：

(7) 增减元素[1] 在给定索引之前沿给定轴在输入数组中插入值，并返回新的数组

应用示例：

[2] 在给定索引之前沿给定轴删除指定子数组，并返回新的数组

应用示例：

[3] 去除重复元素

• arr：输入数组，如果不是一维数组则会展开；

• return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储；

• return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储；

• return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数。

应用示例：

(8) 数组IOnumpy 为 ndarray 对象引入了新的二进制文件格式，用于存储重建 ndarray 所需的数据、图形、dtype 和其他信息。.npy 文件存储单个数组，.npz 文件存取多个数组。[1] 保存单个数组到文件

• file：要保存的文件，扩展名为 .npy，如果文件路径末尾没有扩展名 .npy，该扩展名会被自动加上；

• arr：要保存的数组；

• allow_pickle：可选，布尔值，允许使用 python pickles 保存对象数组，python 中的 pickle 用于在保存到磁盘文件或从磁盘文件读取之前，对对象进行序列化和反序列化；

• fix_imports：可选，为了方便 pyhton2 读取 python3 保存的数据。

[2] 保存多个数组到文件numpy.savze() 函数用于将多个数组写入文件，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为 .npz 的文件中。

• file：要保存的文件，扩展名为 .npz，如果文件路径末尾没有扩展名 .npz，该扩展名会被自动加上；

• args：要保存的数组，可以使用关键字参数为数组起一个名字，非关键字参数传递的数组会自动起名为 arr_0, arr_1…

• kwds：要保存的数组使用关键字名称。

[3] 从文件加载数组

• file：类文件对象（支持 seek() 和 read()方法）或者要读取的文件路径；

• arr：打开方式，None | ‘r+’ | ‘r’ | ‘w+’ | ‘c’；

• allow_pickle：可选，布尔值，允许使用 python pickles 保存对象数组，python 中的 pickle 用于在保存到磁盘文件或从磁盘文件读取之前，对对象进行序列化和反序列化；

• fix_imports：可选，为了方便 pyhton2 读取 python3 保存的数据；

• encoding：编码格式，‘latin1’ | ‘ASCII’ | ‘bytes’。

应用示例：

[4] 使用文本文件存取数组numpy 也支持以文本文件存取数据。savetxt() 函数是以简单的文本文件格式存储数据，对应的使用 loadtxt() 函数来获取数据。应用示例：

 

常用函数
(1) 舍入函数[1] 四舍五入

应用示例：

[2] 去尾和进一

应用示例：

(2) 数学函数
(3) 统计函数

 

牛刀小试
例题：vertices 是若干三维空间随机点的集合，p 是三维空间的一点，找出 vertices 中距离 p 点最近的一个点，并计算它们的距离。1、用 python 数组实现：

2、用 numpy 数组实现：

学Python 没找对路到底有多惨?

https://edu.csdn.net/topic/python115?utm_source=csdn_bw

用随机方式生成1000个点，比较两种方法的效率。作者：天元浪子，本文精选自CSDN博客原文https://blog.csdn.net/xufive/article/details/87396460。【End】今日七夕！不取标题，只想娶你TIOBE 8 月编程语言排行榜：Python 奋力追赶 C，Swift 下跌被罚 50 亿后，Google 不再强制绑定 Android 默认引擎！☞ 张一鸣：我用排除法选工作和择偶☞重磅！AI Top 30+案例评选正式启动☞自然语言处理十问！独家福利☞容器快速入门完全指南☞媒体巨头进军区块链！纽约时报将用区块链技术打击假新闻为什么雷军说“华为不懂研发”？点击阅读原文，输入关键词，即可搜索您想要的 CSDN 文章。你点的每个“在看”，我都认真当成了喜欢