【OpenCV-Python】2.NumPy的简单操作
2.NumPy的简单操作
文章目录
- 前言
- 一、NumPy简介
- 二、数据类型
- 三、创建数组
- 四、数组的形状
- 五、索引、切片和迭代
- 六、数组运算
- 总结
前言
使用Python运行OpenCV的程序时，OpenCV使用NumPy数组存储图像数据。
本系列文章在Windows10环境下利用Anaconda(Jupyter Notebook)+Python语言进行基础方法的演示。
一、NumPy简介
NumPy(Numerical Python)是Python的一种开源的数值计算软件包。它提供强大的存储和处理大型矩阵的功能，支持大量的维度数组与矩阵运算及线性代数、傅里叶变换和随机数等特性。此外，针对数组运算提供大量的数学函数库，也可以作为通用数据的高效多维容器。NumPy官方地址
二、数据类型
NumPy支持的数据类型比Python内置的类型要更多，基本上可以和C语言的数据类型对应上，其中部分类型对应为Python内置的类型。
| 数据类型别名 | 说明 |
|---|---|
| np.bool_ | 布尔型数据类型(True 或者 False)，存储为字节 |
| np.int_ | 默认的整数类型(类似于C语言中的long，int32或int64) |
| np.intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| np.int8 | 整数(-128 to 127) |
| np.int16 | 整数(-32768 to 32767) |
| np.int32 | 整数(-2147483648 to 2147483647) |
| np.int64 | 整数(-9223372036854775808 to 9223372036854775807) |
| np.uint8 | 无符号整数(0 to 255) |
| np.uint16 | 无符号整数(0 to 65535) |
| np.uint32 | 无符号整数(0 to 4294967295) |
| np.uint64 | 无符号整数(0 to 18446744073709551615) |
| np.float_ | float64 类型的简写 |
| np.float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| np.float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| np.float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| np.complex_ | complex128 类型的简写，即 128 位复数 |
| np.complex64 | 复数，表示双 32 位浮点数(实数部分和虚数部分) |
| np.complex128 | 复数，表示双 64 位浮点数(实数部分和虚数部分) |
import numpy as np
a = np.int8(100)
type(a)
numpy.int8
三、创建数组
NumPy可以使用各种函数创建数组。
(1) 使用array()函数创建数组
a = np.array([1, 2, 3]) # 将列表转换为数组，array()函数可将Python中类似数组的数据结构（如列表和元组）转换为数组
print(a)
print(type(a))
[1 2 3]
<class 'numpy.ndarray'>
a = np.array((1, 2, 3)) # 将元组转换为数组
print(a)
print(type(a))
[1 2 3]
<class 'numpy.ndarray'>
a = np.array(([1, 2, 3], [4, 5, 6])) # 将嵌套数据转换为数组
print(a)
print(type(a))
[[1 2 3]
[4 5 6]]
<class 'numpy.ndarray'>
a = np.array(([1, 2, 3], [4, 6])) # 将嵌套的多维数据转换为数组时，同维度数据的个数应该相同，否则，NumPy会将其作为一个Python对象放入数组。
print(a)
print(type(a))
[list([1, 2, 3]) list([4, 6])]
<class 'numpy.ndarray'>
(2) 使用zeros()函数创建数组
a = np.zeros((2, 3), dtype=int) # 创建2行3列的二维数组，创建指定形状数组，数组元素默认值为0，数据类型默认为float
print(a)
print(type(a))
[[0 0 0]
[0 0 0]]
<class 'numpy.ndarray'>
a = np.zeros((3, 2, 4)) # 创建三维数组
print(a)
print(a.shape)
print(type(a))
[[[0. 0. 0. 0.]
[0. 0. 0. 0.]]
[[0. 0. 0. 0.]
[0. 0. 0. 0.]]
[[0. 0. 0. 0.]
[0. 0. 0. 0.]]]
(3, 2, 4)
<class 'numpy.ndarray'>
(3) 使用arange()函数创建数组
a = np.arange(5) # 元素取值范围为[0,4]，创建元素值按规则递增的数组
b = np.arange(-2, 5) # 元素取值范围为[-1,4]
c = np.arange(5.6)
d = np.arange(-2, 5, dtype=int)
print(d)
print(d.shape)
print(type(d))
[-2 -1 0 1 2 3 4]
(7,)
<class 'numpy.ndarray'>
(4) 使用使用linspace(a,b,c)函数创建数组
a = np.linspace(1,10,6) # 创建由参数c指定元素数量的数组，其第一个元素为a，最后一个元素为b，相邻元素的差值为(b-a)/(c-1)
print(a)
print(a.shape)
print(type(a))
[ 1. 2.8 4.6 6.4 8.2 10. ]
(6,)
<class 'numpy.ndarray'>
(5) 使用使用indices()函数创建数组
a = np.indices((3,4)) # 创建一个有两个元素的一维数组，每个元素都是一个指定形状的数组，其元素值表示该维的变化，
print(a)
print(a.shape)
print(type(a))
[[[0 0 0 0]
[1 1 1 1]
[2 2 2 2]]
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]]
(2, 3, 4)
<class 'numpy.ndarray'>
(6) 使用使用ones()函数创建数组
a = np.ones((5),dtype=int) # 用于创建元素值为1的数组(单位矩阵)
print(a)
print(type(a))
[1 1 1 1 1]
<class 'numpy.ndarray'>
a = np.ones((2, 3), dtype=float) # 创建2行3列的二维数组
print(a)
print(type(a))
[[1. 1. 1.]
[1. 1. 1.]]
<class 'numpy.ndarray'>
a = np.ones((3, 2, 4)) # 创建三维数组
print(a)
print(a.shape)
print(type(a))
[[[1. 1. 1. 1.]
[1. 1. 1. 1.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]]
(3, 2, 4)
<class 'numpy.ndarray'>
四、数组的形状
NumPy可以使用shape()、reshape()、resize()、np.ravel()等查看或改变数组的形状。
a = np.arange(12) # 创建一维数组，其中共有12个元素
print(a)
print(a.shape) # 看数组形状
[ 0 1 2 3 4 5 6 7 8 9 10 11]
(12,)
a.shape=(2, -1) # 更改数组形状为2行，-1表示每行中的元素个数自动计算
print(a)
print(a.shape)
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]]
(2, 6)
b = a.reshape((3,-1)) # reshape()方法可更改数组形状，并返回更改后的新数组，reshape()方法不能减少或增加数组元素个数
print(b)
print(b.shape)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
(3, 4)
a = np.arange(12)
a.resize((3,5), refcheck=False) # resize()方法的refcheck参数为False时，可在改变形状的同时更改元素个数
print(a)
print(a.shape)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 0 0 0]]
(3, 5)
a = np.arange(12)
a.resize((3,4))
np.ravel(a, order='F') # 函数可将数组转换为一维数组，返回一维数组，列优先
array([ 0, 4, 8, 1, 5, 9, 2, 6, 10, 3, 7, 11])
五、索引、切片和迭代
(1) 一维数组的索引、切片和迭代等操作与Python的列表类似
rng = np.random.default_rng() # 获得随机数生成器
a = rng.integers(10, size=8)
print(a)
[8 6 1 5 7 3 0 4]
a[0]
8
a[-1]
4
a[2:5]
array([1, 5, 7], dtype=int64)
a[:5]
array([8, 6, 1, 5, 7], dtype=int64)
a[2:]
array([1, 5, 7, 3, 0, 4], dtype=int64)
for x in a:
print(x,end=',')
8,6,1,5,7,3,0,4,
(2) 多维数组用以逗号分隔的多个值进行索引
a = rng.integers(10, size=(2,5))
print(a)
[[4 0 9 2 6]
[9 4 9 2 8]]
a[0,0]
4
a[1,0]
9
a[0,:3]
array([4, 0, 9], dtype=int64)
for x in a:
print(x,end=',')
[4 0 9 2 6],[9 4 9 2 8],
六、数组运算
(1) NumPy数组与常量执行算术运算和比较运算时，会对每个数组元素执行计算
a = np.arange(5)
a
array([0, 1, 2, 3, 4])
a + 5
array([5, 6, 7, 8, 9])
a - 5
array([-5, -4, -3, -2, -1])
a * 5
array([ 0, 5, 10, 15, 20])
a ** 5
array([ 0, 1, 32, 243, 1024], dtype=int32)
a/2
array([0. , 0.5, 1. , 1.5, 2. ])
a//2 # 每个元素除以2，结果为整数
array([0, 0, 1, 1, 2], dtype=int32)
a<2.5
array([ True, True, True, False, False])
(2) 两个数组执行算术运算时，“*”运算符用来计算元素乘积，“@”运算符和dot()方法用来计算矩阵乘积。
a = np.array([[1, 2],[3, 4]])
b = np.array([[10, 0],[0, 10]])
print(a)
print(b)
a + b
array([[11, 2],
[ 3, 14]])
a - b
array([[-9, 2],
[ 3, -6]])
a @ b
array([[10, 20],
[30, 40]])
a.dot(b)
array([[10, 20],
[30, 40]])
a.T
array([[1, 3],
[2, 4]])
(3) NumPy数组支持“+=”“*=”等赋值运算，且会用计算结果覆盖原数组。
a += 10
a
array([[11, 12],
[13, 14]])
a *= 2
a
array([[22, 24],
[26, 28]])
(4) NumPy为数组提供了一些执行计算的方法。
a = np.array([[1, 2, 3],[4, 5, 6]])
a
array([[1, 2, 3],
[4, 5, 6]])
a.min()
1
a.max()
6
a.sum()
21
(4) 可设置axis参数以便按指定的轴执行计算。
a.max(axis=0)
array([4, 5, 6])
a.max(axis=1)
array([3, 6])
总结
以上内容介绍了NumPy简介与简单的操作，有关Python、数据科学、人工智能等文章后续会不定期发布，请大家多多关注，一键三连哟(●’◡’●)。