导读:Numpy(Numerical Python的简称)是高性能科学计算和数据分析的基础包,其提供了矩阵运算的功能。本文带你了解Numpy的一些核心知识点。
Numpy提供的主要功能具体如下:
ndarray——一个具有向量算术运算和复杂广播能力的多维数组对象。
用于对数组数据进行快速运算的标准数学函数。
用于读写磁盘数据的工具以及用于操作内存映射文件的工具。
非常有用的线性代数,傅里叶变换和随机数操作。
用于集成C /C++和Fortran代码的工具。
除了明显的科学计算用途之外,Numpy还可以用作通用数据的高效多维容器,定义任意的数据类型。这些都使得Numpy能够无缝、快速地与各种数据库集成。
提示:这里提到的“广播”可以这么理解:当两个维度不同的数组(array)运算的时候,可以将低维的数组复制成高维数组参与运算(因为Numpy运算的时候需要结构相同)。
在学习图像识别的过程中,需要将图片转换为矩阵。即将对图片的处理简化为向量空间中的向量运算。基于向量运算,我们就可以实现图像的识别。
01 创建数组
现在就来关注下Numpy中的一些核心知识点。在Numpy中,最核心的数据结构是ndarray, ndarray代表的是多维数组,数组指的是数据的集合。为了方便理解,我们下面列举一个小例子。
一个班级里学生的学号可以通过一维数组来表示,数组名为a,数组a中存储的是数值类型的数据,分别是1,2,3,4。
索引 |
学号 |
0 |
1 |
1 |
2 |
2 |
3 |
3 |
4 |
其中,a[0]代表的是第一个学生的学号1,a[1]代表的是第二个学生的学号2,以此类推。
一个班级里学生的学号和姓名,可以用二维数组来表示,数组名为b。
1 |
Tim |
2 |
Joey |
3 |
Johnny |
4 |
Frank |
类似的,其中b[0,0]代表的就是1(学号),b[0,1]代表的就是Tim(学号为1的学生的名字),以此类推b[1,0]代表的是2(学号)等。
借用线性代数的说法,一维数组通常称为向量(vector),二维数组通常称为矩阵(matrix)。
当我们安装完Anaconda之后,默认情况下Numpy已经在库中了,所以不需要额外安装。下面我们来写一些语句简单测试下Numpy库。
1)在Anaconda的Notebook里输入
import numpy as np
之后,通过键盘按住Shift+Enter执行,如果没有报错,则说明Numpy已被正常引入,如图2-7所示。
▲图2-7 在Notebook中引入Numpy
稍微解释下这条语句:通过import关键字将Numpy库引入,然后通过as为其取一个别名np,别名的作用是为了便于后续引用。
2)Numpy中的array()可以直接导入向量,代码如下:
vector = np.array([1,2,3,4])
3)numpy.array()方法也可以导入矩阵,代码如下:
matrix = np.array([[1,'Tim'],[2,'Joey'],[3,'Johnny'],[4,'Frank']])
02 创建Numpy数组
我们可以通过创建Python列表(list)的方式来创建Numpy矩阵,比如输入
nparray = np.array([i for i in range(10)])
可以看到返回的结果是
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
同样,也可以通过Python列表的方式来修改值,比如输入
nparray[0] = 10
再来观察nparray的向量内容就会发现返回的结果是
array([ 10, 1, 2, 3, 4, 5, 6, 7, 8, 9])
Numpy数组还封装了其他方法来创建矩阵。首先,我们介绍第一个方法np.zeros(从命名规则来看,这个方法就是用来创建数值都为0的向量),比如,我们输入:
a = np.zeros(10)
可以看到结果为:
array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
从上述结果可以看出,每一个0后面都有一个小数点,调用a.dtype会发现我们创建的这个向量的类型为dtype(‘float64’)。值得注意的是:在大部分图像识别算法开发中,我们使用的都是float64这个类型。如果希望在创建Numpy矩阵的时候强制规定一种类型,那么我们可以使用以下代码:
np.zeros(10,dtype=int)
这样,返回的结果在矩阵中的数据就都是整型0了。介绍完使用zeros方法创建向量之后,再来看看如何创建一个多维矩阵。我们可以使用传入元组的方式,代码如下:
np.zeros(shape=(3,4)) #代表创建的是三行四列的矩阵并且其数据类型为float64
返回的结果为:
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
与np.zeros方法相似的还有np.ones方法,顾名思义,np.ones方法创建的矩阵的数值都为1。我们来举个例子:
np.ones((3,4))
返回的结果如下:
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
读者可能会比较好奇,既然我们可以创建数值全为0的矩阵,也可以创建数值全为1的矩阵,那么Numpy是否提供了一个方法可以让我们自己指定值呢?答案是肯定的,这个方法就是np.full方法,我们来看一个例子,代码如下:
np.full((3,5),121) #这个方法的意思是我们创建了一个三行五列的矩阵,默认值为121
返回的结果是:
array([[121, 121, 121, 121, 121],
[121, 121, 121, 121, 121],
[121, 121, 121, 121, 121]])
我们也可以使用np.arange方法来创建Numpy的矩阵。示例代码如下:
np.arange(0,20,2) #arange接收三个参数,与Python中的range方法相似,arange也是前闭后开的方法,第一个参数为向量的第一个值0,第二个参数为最后一个值20,因为是后开所以取的是18,第三个参数为步长,默认为1,本例中设置为2,所以最后一个值是18。
返回的结果是:
array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
我们可以使用np.linspace方法(前闭后闭)来对Numpy矩阵进行等分,比如将0~10等分为5份的代码如下:
np.linspace(0,10,5)
返回的结果是:
array([ 0. , 2.5, 5. , 7.5, 10. ])
下面通过几个例子再来看看在Numpy矩阵中如何生成随机数矩阵。
1)生成一个长度为10的向量,里面每一个数值都是介于0~10之间的整数,代码如下:
import numpy as np
np.random.randint(0,10,10)
2)如果不确定每个参数代表的意思,则加上参数名size,代码如下:
np.random.randint(0,5,size=5) #注意是前闭后开,永远取不到5
3)我们也可以生成一个三行五列的整数矩阵,代码如下
np.random.randint(4,9,size=(3,5))
4)seed的作用:如果不希望每次生成的随机数都不固定,那么我们可以使用np.random.seed(1),随机种子使用数字1记录,这以后只要是用随机种子1生成的随机数就都是固定的。
5)我们也可以生成介于0~1之间的浮点数的向量或者矩阵,代码如下:
np.random.random(10) #生成0~1之间的浮点数,向量的长度为10
np.random.random((2,4)) #生成0~1之间的浮点数,二行四列的矩阵
6)np.random.normal()表示的是一个正态分布,normal在这里是正态的意思。numpy.random.normal(loc=0,scale=1,size=shape)的意义如下:
参数loc(float):正态分布的均值,对应这个分布的中心。loc=0说明这是一个以Y轴为对称轴的正态分布。
参数scale(float):正态分布的标准差,对应分布的宽度,scale越大,正态分布的曲线越矮胖,scale越小,曲线越高瘦。
参数size(int或者整数元组):输出的值赋在shape里,默认为None。
03 获取Numpy属性
首先,我们通过Numpy中的一个方法arange(n),生成0到n-1的数组。比如,我们输入
np.arange(15)
可以看到返回的结果是
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
然后,再通过Numpy中的reshape(row,column)方法,自动构架一个多行多列的array对象。
比如,我们输入:
a = np.arange(15).reshape(3,5) #代表3行5列
可以看到结果:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
有了基本数据之后,我们就可以通过Numpy提供的shape属性获取Numpy数组的行数与列数,示例代码如下:
print(a.shape)
可以看到返回的结果是一个元组(tuple),第一个3代表的是3行,第二个5代表的是5列:
(3, 5)
我们可以通过.ndim来获取Numpy数组的维度,示例代码如下:
importnumpy as np
x = np.arange(15)
print(x.ndim) #输出x向量的维度,这时能看到的维度是1维
X = x.reshape(3,5) #将x向量转为三行五列的二维矩阵
Print(X.ndim) #输出X矩阵的维度,这时能看到的维度是2维
reshape方法的特别用法
如果只关心需要多少行或者多少列,其他由计算机自己来算,那么这个时候我们可以使用如下方法:
x.reshape(15,-1) #我关心的是我只要15行,列由计算机自己来算
x.reshape(-1,15) #我关心的是我只要15列,行由计算机自己来算
04 Numpy数组索引
Numpy支持类似list的定位操作,示例代码如下:
import numpy as np
matrix = np.array([[1,2,3],[20,30,40]])
print(matrix[0,1])
得到的结果是2。
上述代码中的matrix[0,1],0代表的是行,在Numpy中,0代表起始的第一个,所以取的是第1行,之后的1代表的是列,所以取的是第2列。那么,最后的输出结果是取第一行第二列,也就是2这个值了。
05 切片
Numpy支持类似list的切片操作,示例代码如下:
import numpy as np
matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
print(matrix[:,1])
print(matrix[:,0:2])
print(matrix[1:3,:])
print(matrix[1:3,0:2])
上述的代码中
print(matrix[:,1])语法代表选择所有的行,而且列的索引是1的数据,因此返回的结果是10,25,40。
print(matrix[:,0:2])代表的是选取所有的行,而且列的索引是0和1的数据。
print(matrix[1:3,:])代表的是选取所有的列,而且行的索引值是1和2的数据。
print(matrix[1:3,0:2])代表的是选取行的索引是1和2,而且列的索引是0和1的所有数据。
06 Numpy中的矩阵运算
矩阵运算(加、减、乘、除),在本书中将严格按照数学公式来进行演示,即两个矩阵的基本运算必须具有相同的行数与列数。本例只演示两个矩阵相减的操作,其他的操作读者可以自行测试。示例代码如下:
import numpy as np
myones = np.ones([3,3])
myeye = np.eye(3) #生成一个对角线的值为1,其余值都为0的三行三列矩阵
print(myeye)
print(myones-myeye)
输出结果如下:
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
[[ 0. 1. 1.]
[ 1. 0. 1.]
[ 1. 1. 0.]]
提示:numpy.eye(N, M=None, k=0, dtype=
除此之外,Numpy还预置了很多函数,使用这些函数可以作用于矩阵中的每个元素。
Numpy预置函数及说明:
np.sin(a):对矩阵a中的每个元素取正弦,sin(x)
np.cos(a):对矩阵a中的每个元素取余弦,cos(x)
np.tan(a):对矩阵a中的每个元素取正切,tan(x)
np.sqrt(a):对矩阵a中的每个元素开根号
np.abs(a):对矩阵a中的每个元素取绝对值
1. 矩阵之间的点乘
矩阵真正的乘法必须满足第一个矩阵的列数等于第二个矩阵的行数,矩阵乘法的函数为dot。示例代码如下:
import numpy as np
mymatrix = np.array([[1,2,3],[4,5,6]])
a = np.array([[1,2],[3,4],[5,6]])
print(mymatrix.shape[1] == a.shape[0])
print(mymatrix.dot(a))
其输出结果如下:
[[22 28]
[49 64]]
上述示例代码的原理是将mymatrix的第一行[1,2,3]与a矩阵的第一列[1,3,5]相乘然后相加,接着将mymatrix的第一行[1,2,3]与a矩阵的第二列[2,4,6]相乘然后相加,以此类推。
2. 矩阵的转置
矩阵的转置是指将原来矩阵中的行变为列。示例代码如下:
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print(a.T)
输出结果如下:
[[1 4]
[2 5]
[3 6]]
3. 矩阵的逆
需要首先导入numpy.linalg,再用linalg的inv函数来求逆,矩阵求逆的条件是矩阵的行数和列数必须是相同的。示例代码如下:
import numpy as np
import numpy.linalg as lg
A = np.array([[0,1],[2,3]])
invA = lg.inv(A)
print(invA)
print(A.dot(invA))
输出结果如下:
[[-1.5 0.5]
[ 1. 0. ]]
逆矩阵就是,原矩阵A.dot(invA)以及逆矩阵invA.dot(A)的结果都为单位矩阵。并不是所有的矩阵都有逆矩阵。
07 数据类型转换
Numpy ndarray数据类型可以通过参数dtype进行设定,而且还可以使用参数astype来转换类型,在处理文件时该参数会很实用。注意,astype调用会返回一个新的数组,也就是原始数据的备份。
比如,将String转换成float。示例代码如下:
vector = numpy.array(["1", "2", "3"])
vector = vector.astype(float)
注意:在上述例子中,如果字符串中包含非数字类型,那么从string转换成float就会报错。
「大数据」内容合伙人之「鉴书小分队」上线啦!
最近,你都在读什么书?有哪些心得体会想要跟大家分享?
数据叔最近搞了个大事——联合优质图书出版商机械工业出版社华章公司发起鉴书活动。
简单说就是:你可以免费读新书,你可以免费读新书的同时,顺手码一篇读书笔记就行。详情请在大数据公众号后台对话框回复合伙人查看。
有话要说?
Q: 你用NumPy实现哪些功能?
欢迎留言与大家分享
数据分析与数据化运营的关键知识点,全在这里了
如何在 Apache Flink 中使用 Python API?
解读人工智能、大数据和云计算的关系,大佬们赌AI竟都输了?
身高2m,体重2kg,这样的数据“看上去很好”?
更多精彩?
在公众号对话框输入以下关键词
查看更多优质内容!
PPT | 报告 | 读书 | 书单 | 干货
大数据 | 揭秘 | Python | 可视化
AI | 人工智能 | 5G | 区块链
机器学习 | 深度学习 | 神经网络
合伙人 | 1024 | 段子 | 数学 | 高考
据统计,99%的大咖都完成了这个神操作
?
觉得不错,请把这篇文章分享给你的朋友
转载 / 投稿请联系:[email protected]
更多精彩,请在后台点击“历史文章”查看
点击阅读原文,了解更多