Numpy基本认识
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
Numpy基础数据结构
NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
NumPy 的数组中比较重要 ndarray 对象属性有：
| 属性 | 说明 |
|---|---|
| ndarray.ndim | 秩，即轴的数量或维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
| ndarray.flags | ndarray 对象的内存信息 |
| ndarray.real | ndarray元素的实部 |
| ndarray.imag | ndarray 元素的虚部 |
| ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 |
import numpy
ar = numpy.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]])
print(ar)
print(ar.ndim)
print(ar.shape)
print(ar.size)
print(ar.itemsize)
print(ar.data)
print(ar.dtype)
print(ar.flags)
print(ar.real)
print(ar.imag)
结果：
[[1 2 3 4 5]
[2 3 4 5 6]
[3 4 5 6 7]]
2
(3, 5)
15
4
int32
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
[[1 2 3 4 5]
[2 3 4 5 6]
[3 4 5 6 7]]
[[0 0 0 0 0]
[0 0 0 0 0]
[0 0 0 0 0]] 创建数组
array()函数 括号内可以是list，元组、数组、生成器等
ar = np.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]])
ar1 = np.array(range(10))
ar2 = np.array(10)
ar3 = np.array([[1,2,3,4,5],[2,3,4,5,6],['a','b','c','d']])
print(ar)
print(ar1)
print(ar2)
print(ar3)
输出结果：
[[1 2 3 4 5]
[2 3 4 5 6]
[3 4 5 6 7]]
[0 1 2 3 4 5 6 7 8 9]
10
[list([1, 2, 3, 4, 5]) list([2, 3, 4, 5, 6]) list(['a', 'b', 'c', 'd'])] arange()函数 类似于range(),在给定间隔内返回均匀间隔的值
print(np.arange(10))
print(np.arange(10.0))
print(np.arange(5,12))
print(np.arange(5.0,12.3))
输出结果：
[0 1 2 3 4 5 6 7 8 9]
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 5 6 7 8 9 10 11]
[ 5. 6. 7. 8. 9. 10. 11. 12.]print(numpy.linspace(5,14,num=10)) #返回在间隔【开始，停止】上计算的num个均匀间隔的样本
print(numpy.linspace(5,14,num=11))
print(numpy.zeros((4,4),dtype=numpy.int)) #创建指定大小的数组，数组元素以 0 来填充
ar = numpy.array([range(10),range(10,20)])
print(numpy.zeros_like(ar))
print(ar)
print(numpy.ones((2,3),dtype=numpy.int)) #创建指定大小的数组，数组元素以 1 来填充
#ones_like()和zeros_like()相似
print(numpy.eye(3,dtype=numpy.int)) #创建一个正方的N+N的单位矩阵，对角线值位1，其余的值为0
输出结果：
[ 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.]
[ 5. 5.9 6.8 7.7 8.6 9.5 10.4 11.3 12.2 13.1 14. ]
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
[[0 0 0 0 0 0 0 0 0 0]
[0 0 0 0 0 0 0 0 0 0]]
[[ 0 1 2 3 4 5 6 7 8 9]
[10 11 12 13 14 15 16 17 18 19]]
[[1 1 1]
[1 1 1]]
[[1 0 0]
[0 1 0]
[0 0 1]]Numpy通用函数
翻转数组 numpy.T
修改数组形状 numpy.reshape
返回指定形态新数组 numpy.resize
import numpy as np
ar = np.arange(10)
ar1 = np.zeros((2,4))
print(ar)
print(ar1)
print(ar.T)
print(ar1.T)
ar2 = np.arange(12)
ar3 = np.arange(12).reshape(3,4)
print(ar2)
print(ar3)
print(np.resize(ar3,(4,4)))
输出结果：
[0 1 2 3 4 5 6 7 8 9]
[[0. 0. 0. 0.]
[0. 0. 0. 0.]]
[0 1 2 3 4 5 6 7 8 9]
[[0. 0.]
[0. 0.]
[0. 0.]
[0. 0.]]
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[ 0 1 2 3]]数组的复制 copy（）
ar = np.arange(10)
print(ar)
ar1 = ar
ar1[2]=100
print(ar,ar1)
ar3 = ar.copy()
ar3[3]=998
print(ar,ar3)
输出结果：
[0 1 2 3 4 5 6 7 8 9]
[ 0 1 100 3 4 5 6 7 8 9] [ 0 1 100 3 4 5 6 7 8 9]
[ 0 1 100 3 4 5 6 7 8 9] [ 0 1 100 998 4 5 6 7 8 9]数组的字符转换
ar2 = numpy.array(range(16)).reshape(4,4)
ar3 = ar2.astype(numpy.str)
print(ar3)
输出结果：
[['0' '1' '2' '3']
['4' '5' '6' '7']
['8' '9' '10' '11']
['12' '13' '14' '15']]连接数组
ar = np.array([[1,2,3],[4,5,6]])
ar1 = np.array([[7,8,9],[10,11,12]])
ar2 = np.stack((ar,ar1),0) #沿新轴连接数组序列
ar3 = np.hstack((ar,ar1))# 横向连接
ar4 = np.vstack((ar,ar1))#纵向连接
print(ar2,ar3,ar4)
输出结果：
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]]
[[ 1 2 3 7 8 9]
[ 4 5 6 10 11 12]]
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
分割数组
ar = np.arange(16).reshape(4,4)
ar1 = np.vsplit(ar,2) #纵向拆分
ar2 = np.hsplit(ar,2) #横向拆分
print(ar)
print(ar1)
print(ar2)
输出结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]), array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]
[array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]), array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])]数组的计算
ar2 = numpy.array(range(16)).reshape(4,4)
ar3 = ar2.astype(numpy.str)
print(ar3)
ar4 = ar2*10+100
print(ar4)
print(ar4.mean()) #求平均值
print(ar4.sum()) #求总值
输出结果：
[['0' '1' '2' '3']
['4' '5' '6' '7']
['8' '9' '10' '11']
['12' '13' '14' '15']]
[[100 110 120 130]
[140 150 160 170]
[180 190 200 210]
[220 230 240 250]]
175.0
2800
Numpy索引和切片
基本索引及切片
import numpy as np
#一维数组索引 类似于list
ar = np.arange(20)
# print(ar[2])
# print(ar[3:5])
# print(ar[::2])
#二维数组以及多维数组的逻辑和一维的一样
ar1 = ar.reshape(4,5)
# print(ar1)
print(ar1[2][2])
print(ar1[2:4][0][2])
print(ar1[:2])
输出结果：
12
12
[[0 1 2 3 4]
[5 6 7 8 9]]
布尔型的索引及切片
ar = np.arange(12).reshape(3,4)
print(ar)
i = np.array([True,False,True])
j = np.array([True,False,True,False])
print(i)
print(j)
print(ar[i,:]) #在行中判断，只保留True的值
print(ar[:,j]) #在第二维度中判断，只保留True的值
print(ar[ar>5]) #生成一个新的数组
输出结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[ True False True]
[ True False True False]
[[ 0 1 2 3]
[ 8 9 10 11]]
[[ 0 2]
[ 4 6]
[ 8 10]]
[ 6 7 8 9 10 11]Numpy随机数
print(np.random.normal(size=(4,4))) #随机数生成
print(np.random.rand(4)) #生成一个【0-1】之间的随机浮点数或者是N维数组 ---均匀分布
print(np.random.rand(2,4))
print(np.random.randn(4)) #生成一个【0-1】之间的随机浮点数或者是N维数组 ---正态分布
print(np.random.randn(2,4))
print(np.random.randint(5)) #生成一个整数或者N维整数数组
print(np.random.randint(10,50,size=(4,4)))Nmupy数据输入和输出
ar = numpy.random.randint(0,100,size=(10,10))
numpy.savetxt("savetxt.txt",ar,delimiter=",",fmt="%i") #数据的输出
txt_load = numpy.loadtxt("savetxt.txt",delimiter=',') #数据的输入
print(txt_load)
# print(ar)
相关链接：
- NumPy 官网 http://www.numpy.org/
- NumPy 源代码 https://github.com/numpy/numpy
- Numpy 教程 https://www.runoob.com/numpy/numpy-tutorial.html