numpy安装_Python进阶之NumPy快速入门(一)

前言

NumPy是Python的一个扩展库，负责数组和矩阵运行。相较于传统Python，NumPy运行效率高，速度快，是利用Python处理数据必不可少的工具。

这个NumPy快速入门系列分为四篇，包含了NumPy大部分基础知识，每篇阅读时间不长，但内容含量高。大家最好亲自码一遍代码，这样可以更有收获。

概要

1. 轻松认识和安装NumPy，对NumPy建立一个良好印象。
2. 掌握NumPy的各种属性，让使用数组变得得心应手。
3. 学会三种创建数组方法，让创建数组变得轻而易举。

第一节.NumPy安装和介绍

NumPy安装

我们提供两种命令安装方法，都非常简便：

• pip命令安装
• conda命令安装

这两种安装方法适用于Windows, Linux,以及Mac系统。

(1)pip命令：pip install numpy

当终端显示成功安装或者已经安装说明numpy已经安装完毕。

(2)conda命令: conda install numpy

conda命令是通过Anaconda软件来安装NumPy。安装好Anaconda软件后，打开Anaconda Prompt后在里面输入conda install numpy命令即可。

安装完成后，为了检验NumPy是否可以使用，我们用一个简单的例子做个实验：

代码：

import numpy as npprint (np.eye(4))

讲解：

为了方便，大家一般采用import numpy as np这种调用方法，将numpy缩写成np来使用。我们使用NumPy中的eye()函数来检查NumPy是否已经安装完成，eye(N)是一个产生N*N的单位矩阵

运行结果：

[[1. 0. 0. 0.]

[0. 1. 0. 0.]

[0. 0. 1. 0.]

[0. 0. 0. 1.]]

如果大家的屏幕里面也出现了这个结果，那么恭喜你NumPy库已经成功安装，可以开始正式学习了。

NumPy和列表

我们首先要搞清楚的是，NumPy处理的对象是什么。事实上，我们把NumPy处理的对象叫ndarray，这是一个缩写，翻译过来叫做多维数组。ndarray类型的数据和我们之前学过的列表颇有渊源：

代码：

import numpy as nplist = [1, 2, 3]arr = np.array(list)print (type(list))print (type(arr))

讲解：

我们首先建立一个列表，然后通过np.array函数将这个列表转换成一个NumPy数组，通过打印这两个变量的type信息，我们可以发现二者的区别和联系。

运行结果：

没错，arr变量的数据类型是ndarray。当然，我们并不是总是通过转换列表变成ndarray。我们想强调的是，虽然NumPy数组虽然和列表很类似，但是二者却是完全不同的数据类型，因此二者使用方法也有很大不同。

Numpy比Python列表更具优势，其中一个优势便是速度。在对大型数组执行操作时，Numpy的速度比Python列表的速度快了好几百。因为Numpy数组本身能节省内存，并且Numpy在执行算术、统计和线性代数运算时采用了优化算法。

常见数组

我们最后给大家介绍常见的几种ndarray数组：

代码：

a = np.array([1, 2, 3])b = np.array([[1, 2], [3, 4]])c = np.array([1, 2, 3], dtype = complex)print (a)print (b)print (c)

讲解：

a是一个一维数组；b是一个二维数组；c是复数变量的一维数组。这些都是常见的ndarray，以后我们将会用NumPy提供的函数对这些常见的数组进行处理，来完成我们想要的目标。

运行结果：

[1 2 3]

[[1 2]

[3 4]]

[1.+0.j 2.+0.j 3.+0.j]

第二节.NumPy数组属性

我们将几种常见数组属性分成以下几种：

• 数据类型 dtype
• 元素个数 size
• 维度 ndim
• 形状 shape
• 实部和虚部 real image

NumPy支持很多不同的数据类型，从整数型(int)到浮点型(float)，再到复数型，应有尽有。如何判断数组的数据类型是一件比较重要的事情，NumPy给我们提供了dtype命令来查看数据类型：

代码：

import numpy as npa = np.array([1, 2, 3])b = np.array([[1.1, 2], [3.1, 4.2]])c = np.array([1, 2, 3], dtype = complex)print (a.dtype, b.dtype, c.dtype)

讲解：

我们分别建立了三个NumPy数组，a是整数型；b是浮点型；c是复数型。dtype既可以在创建数组的时候申明变量类型，也可以通过打印告诉我们数组的数据类型。

运行结果：

int32 float64 complex128

在我们知道了NumPy数据类型后，我们还需要知道它的更多属性来全面了解这个数组。

代码：

b = np.array([[1.1, 2], [3.1, 4.2]])c = np.array([1, 2, 3], dtype = complex)print (b.ndim, b.shape, b.size)print (c.real, c.imag)

讲解：

我们分别查看了b数组的维度，形状，以及元素个数。我们知道b是一个2*2的浮点型数组，因为它的维度是2,形状就是行数乘以列数(2,2)；元素个数是4。对于c这个复数数组，我们调用了实部(real)和虚部(imag)这个两个属性。

运行结果：

2 (2, 2) 4

[1. 2. 3.] [0. 0. 0.]

第三节.创建数组

对于NumPy数组，一般而言我们有三种创建方法：

1. 用np.array直接填入已知数据，比如我们在第一小节介绍常见数组的时候用的方法。
2. 用特殊函数创建符合一定规律的数组。比如numpy.zeros：创建元素全是0的数组。
3. 用asarray将其他类型数据转换成NumPy数组。

我们先介绍第二种方法中常见的几种函数：

• numpy.zeros 创建元素全是0的数组
• numpy.ones 创建元素全是1的数组
• numpy.arrange 创建数值范围
• numpy.linspace 创建数值范围

np.zeros() & np.ones()

代码：

e = np.array([1, 2, 3], dtype=float)f = np.zeros((3,2),dtype=int)g = np.ones((1,3))print (e)print (f)print (g)

讲解：

我们用第一种方法，创建了数据类型为浮点型(float)的数组e;然后通过第二种方法，分别创建了元素都是0和1的两个数组。注意到我们可以通过dtype，以及shape等来控制数组属性。在上面的例子中f和g,我们把shape省略了，只用(3,2)这种形式。

运行结果：

[1. 2. 3.]

[[0 0]

[0 0]

[0 0]]

[[1. 1. 1.]]

np.arrange()

很多情况下我们非常想要得到从一个整数到另一个整数的一个数组，比如周一到周日，一天中从1点到24点等，还有从-10度到40度的温度范围。这时候用NumPy中的arange函数就可以帮助你达成这个目标。

arange函数有四个输入参数来调整：

• start 起始值
• stop 终止值
• step 步长(默认是1)
• dtype 数据类型。

值得注意的是，这里的终止值是取不到的，所以真正意义上而言终止值是stop-1。

代码：

import numpy as npa = np.arange(5)b = np.arange(1,5)c = np.arange(1,10,2)d = np.arange(2,6,dtype=float)print (a, b, c, d)

讲解：

我们一共建立了四个数组，第一个我们只有一个参数，是终止值参数，这时候其他参数都是默认的。第二个数组，我们给定了起始值和终止值。第三个数组我们增加了步长。第四个数组，我们隐藏的其实是步长，也就是取默认值1。大家在看答案之前可以猜一下a,b,c,d分别是多少。

运行结果：

[0 1 2 3 4] [1 2 3 4] [1 3 5 7 9] [2. 3. 4. 5.]

np.linspace()

linspace是linear space的缩写，线性空间。和arange稍有不同的是，linspace没有步长，相反它有个叫做num的参数来控制生成数列的总数目。也就是说，在给定起始值和终止值的时候，步长被总数目决定了。

代码：

a = np.linspace(1,10,10)b = np.linspace(10,20,5, endpoint = False)c = np.linspace(10,20,5, endpoint = False, retstep = True)print (a)print (b)print (c)

讲解：

我们分别利用linspace建立了三个数组，第一个endpoint不赋值，默认是True，默认终止值是包含在内的；第二个我们不把终止值包括在内；最后我们用retstep=True显示数列的间距。

运行结果：

[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]

[10. 12. 14. 16. 18.]

(array([10., 12., 14., 16., 18.]), 2.0)

第三种创建方法：asarray() & array()

asarray函数可以将其他数据类型转换成Numpy数组。

代码：

a = [1, 2, 3]b = (1, 2, 3)a_1 = np.array(a)a_2 = np.asarray(a)b_1 = np.array(b)b_2 = np.asarray(b)print (a_1, a_2,type(a_1))print (b_1, b_2)

讲解：

我们建立了一个列表a和一个元组b，分别用np.array和np.asarray来转换。其实在将列表和元组转换成numpy数组的时候效果是一样的。也就是说不论是从列表a出发得到的a_1和a_2还是从元组b出发得到的b_1和b_2都是numpy数组[1,2,3]。

但是，他们二者还是有区别的，当数据源是ndarray,即numpy数组的时候，array会复制出一个副本，占用新的内存，但是asarray并不会。从这里看来，对一般的程序任务，我们并不太需要区分array和asarray，除非做大型数据的时候

运行结果：

[1 2 3] [1 2 3]

[1 2 3] [1 2 3]

总结回顾

1. 两种方法安装NumPy，NumPy和列表的区别和联系。
2. NumPy数组的几种属性，包括数据类型，维度，大小等。
3. 三种创建数组的方法，直接创建，特殊函数，数组转换。