我非常喜欢Python中的NumPy库。在我的数据科学之旅中,我无数次依赖它来完成各种任务,从基本的数学运算到使用它进行图像分类!
简而言之,NumPy是Python中最基本的库之一,也许是其中最有用的库。NumPy高效地处理大型数据集。 作为一名数据科学家或一名有抱负的数据科学专业人士,我们需要对NumPy及其在Python中的工作原理有一个扎实的掌握。
在本文中,我将首先描述一下NumPy库是什么,以及为什么你应该选择它而不是繁琐的Python列表。然后,我们将介绍一些最基本的NumPy操作,这些操作将使你喜欢这个很棒的库!
NumPy是Python数值库,是Python编程中最有用的科学库之一。它支持大型多维数组对象和各种工具。各种其他的库,如Pandas、Matplotlib和Scikit-learn,都建立在这个令人惊叹的库之上。
数组是元素/值的集合,可以有一个或多个维度。一维数组称为向量,二维数组称为矩阵。
NumPy数组称为ndarray或N维数组,它们存储相同类型和大小的元素。它以其高性能而闻名,并在数组规模不断扩大时提供高效的存储和数据操作。
下载Anaconda时,NumPy会预先安装。但是如果你想在你的机器上单独安装NumPy,只需在你的终端上键入以下命令:
pip install numpy
现在需要导入库:
import numpy as np
np实际上是数据科学界使用的NumPy的缩写。
如果你熟悉Python,你可能会想,既然我们已经有了Python列表,为什么还要使用NumPy数组?毕竟,这些Python列表充当一个数组,可以存储各种类型的元素。这是一个完全正确的问题,答案隐藏在Python在内存中存储对象的方式中。
Python对象实际上是一个指向内存位置的指针,该内存位置存储有关该对象的所有详细信息,如字节和值。尽管这些额外的信息使Python成为一种动态类型语言,但它也付出了代价,这在存储大量对象(如在数组中)时变得显而易见。
Python列表本质上是一个指针数组,每个指针指向一个包含与元素相关信息的位置。这在内存和计算方面增加了很多开销。当列表中存储的所有对象都是同一类型时,大多数信息都是冗余的!
为了解决这个问题,我们使用只包含同构元素的NumPy数组,即具有相同数据类型的元素。这使得它在存储和操作数组方面更加高效。
当数组包含大量元素(比如数千或数百万个元素)时,这种差异就变得明显了。另外,使用NumPy数组,你可以执行元素操作,这是使用Python列表不可能做到的!
这就是为什么在对大量数据执行数学操作时,NumPy数组比Python列表更受欢迎的原因。
考虑到NumPy数组解决的复杂问题,它很容易创建。要创建一个非常基本的ndarray,可以使用np.array()方法。你只需将数组的值作为列表传递:
np.array([1,2,3,4])
输出:
array([1, 2, 3, 4])
此数组包含整数值。可以在dtype参数中指定数据类型:
np.array([1,2,3,4],dtype=np.float32)
输出:
array([1., 2., 3., 4.], dtype=float32)
由于NumPy数组只能包含同构数据类型,因此如果类型不匹配,则将向上转换值:
np.array([1,2.0,3,4])
输出:
array([1., 2., 3., 4.])
在这里,NumPy将整数值上移到浮点值。
NumPy数组也可以是多维的。
np.array([[1,2,3,4],[5,6,7,8]])
array([[1, 2, 3, 4], [5, 6, 7, 8]])
在这里,我们创建了一个二维数组。
注:矩阵只是一个NxM形状的数字矩形数组,其中N是行数,M是矩阵中的列数。你刚才看到的是一个2x4矩阵。
NumPy允许你使用 np.zeros()方法。你只需传递所需数组的形状:
np.zeros(5)
array([0., 0., 0., 0., 0.])
上面一个是一维数组,下面一个是二维数组:
np.zeros((2,3))
array([[0., 0., 0.], [0., 0., 0.]])
你还可以使用 np.ones()方法获得全一数组:
np.ones(5,dtype=np.int32)
array([1, 1, 1, 1, 1])
创建ndarray的另一个非常常用的方法是随机随机数方法。它创建一个给定形状的数组,其随机值来自[0,1]:
# 随机的np.random.rand(2,3)
array([[0.95580785, 0.98378873, 0.65133872], [0.38330437, 0.16033608, 0.13826526]])
或者,实际上,可以使用 np.full()方法。只需传入所需数组的形状和所需的值:
np.full((2,2),7)
array([[7, 7], [7, 7]])
另一个伟大的方法是np.eye()返回一个数组,其对角线上有1,其他地方都有0。
一个单位矩阵是一个正方形矩阵,它的主对角线上有1,其他地方都有0。下面是形状为3x 3的单位矩阵。
注:正方形矩阵是N x N的形状。这意味着它具有相同数量的行和列。
# 单位矩阵np.eye(3)
array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
但是,NumPy允许你灵活地更改对角线,值必须为1。你可以将其移到主对角线上方:
# 不是单位矩阵
np.eye(3,k=1)
array([[0., 1., 0.], [0., 0., 1.], [0., 0., 0.]])
或将其移到主对角线下方:
np.eye(3,k=-2)
array([[0., 0., 0.], [0., 0., 0.], [1., 0., 0.]])
注:只有当1沿主对角线而不是任何其他对角线时,矩阵才称为单位矩阵!
你可以使用np.arange()方法:
np.arange(5)
array([0, 1, 2, 3, 4])
通过分别传递三个数字作为这些值的参数,可以显式定义值间隔的开始、结束和步长。这里要注意的一点是,间隔定义为[开始,结束),其中最后一个数字将不包含在数组中:
np.arange(2,10,2)
array([2, 4, 6, 8])
由于步长定义为2,因此下图展示了输出的元素。注意,10不会打印出来,因为它是最后一个元素。
另一个类似的功能是 np.linspace(),但它将从间隔中获取需要检索的样本数,而不是步长。这里要注意的一点是,最后一个数字包含在返回的值中,这与np.arange()不同
np.linspace(0,1,5)
array([0. , 0.25, 0.5 , 0.75, 1. ])
太好了!现在你知道了如何使用NumPy创建数组。但了解数组的形状也很重要。
创建了ndarray之后,接下来要做的是检查ndarray的轴数、形状和大小。
可以使用ndims属性轻松确定NumPy数组的维数或轴数:
# 轴数a = np.array([[5,10,15],[20,25,20]])print('Array :','',a)print('Dimensions :','',a.ndim)
Array : [[ 5 10 15] [20 25 20]]Dimensions : 2
这个数组有两个维度:2行3列。
形状是NumPy数组的一个属性,它显示每个维度上有多少行元素。你可以进一步索引ndarray返回的形状,以便沿每个维度获取值:
a = np.array([[1,2,3],[4,5,6]])print('Array :','',a)print('Shape :','',a.shape)print('Rows = ',a.shape[0])print('Columns = ',a.shape[1])
Array : [[1 2 3] [4 5 6]]Shape : (2, 3)Rows = 2Columns = 3
可以使用size属性确定数组中有多少值。它只是将行数乘以ndarray中的列数:
# size of arraya = np.array([[5,10,15],[20,25,20]])print('Size of array :',a.size)print('Manual determination of size of array :',a.shape[0]*a.shape[1])
Size of array : 6Manual determination of size of array : 6
可以使用np.reshape()方法。它在不更改ndarray中的数据的情况下更改ndarray的形状:
# 重塑a = np.array([3,6,9,12])np.reshape(a,(2,2))
array([[ 3, 6], [ 9, 12]])
在这里,我将ndarray从一维重塑为二维ndarray。
重塑时,如果你不确定任何轴的形状,只需输入-1。当NumPy看到-1时,它会自动计算形状:
a = np.array([3,6,9,12,18,24])print('Three rows :','',np.reshape(a,(3,-1)))print('Three columns :','',np.reshape(a,(-1,3)))
Three rows : [[ 3 6] [ 9 12] [18 24]]Three columns : [[ 3 6 9] [12 18 24]]
有时,当你有多维数组并希望将其折叠为一维数组时,可以使用 flatten()方法或ravel()方法:
a = np.ones((2,2))b = a.flatten()c = a.ravel()print('Original shape :', a.shape)print('Array :','', a)print('Shape after flatten :',b.shape)print('Array :','', b)print('Shape after ravel :',c.shape)print('Array :','', c)
Original shape : (2, 2)Array : [[1. 1.] [1. 1.]]Shape after flatten : (4,)Array : [1. 1. 1. 1.]Shape after ravel : (4,)Array : [1. 1. 1. 1.]
但是flatten() 和ravel()之间的一个重要区别是前者返回原始数组的副本,而后者返回对原始数组的引用。这意味着对ravel()返回的数组所做的任何更改也将反映在原始数组中,而flatten()则不会这样。
b[0] = 0print(a)
[[1. 1.] [1. 1.]]
所做的更改没有反映在原始数组中。
c[0] = 0print(a)
[[0. 1.] [1. 1.]]
但在这里,更改后的值也反映在原始ndarray中。
这里发生的事情是flatten()创建了ndarray的深层副本,而ravel()创建了ndarray的浅层副本。
深层副本意味着在内存中创建了一个全新的ndarray,flatten()返回的ndarray对象现在指向这个内存位置。因此,此处所做的任何更改都不会反映在原始ndarray中。
另一方面,浅拷贝返回对原始内存位置的引用。这意味着ravel()返回的对象指向与原始ndarray对象相同的内存位置。因此,毫无疑问,对该ndarray所做的任何更改也将反映在原始ndarray中。
NumPy的另一个非常有趣的重塑方法是transpose()方法。它接受输入数组并用列值交换行,用行值交换列值:
a = np.array([[1,2,3],[4,5,6]])b = np.transpose(a)print('Original','','Shape',a.shape,'',a)print('Expand along columns:','','Shape',b.shape,'',b)
Original Shape (2, 3) [[1 2 3] [4 5 6]]Expand along columns: Shape (3, 2) [[1 4] [2 5] [3 6]]
在转置一个2x 3数组时,我们得到了一个3x2数组。转置在线性代数中有着重要的意义。
通过提供要展开的数组和轴,可以使用expand_dims()方法将新轴添加到数组中:
# 展开维度a = np.array([1,2,3])b = np.expand_dims(a,axis=0)c = np.expand_dims(a,axis=1)print('Original:','','Shape',a.shape,'',a)print('Expand along columns:','','Shape',b.shape,'',b)print('Expand along rows:','','Shape',c.shape,'',c)
Original: Shape (3,) [1 2 3]Expand along columns: Shape (1, 3) [[1 2 3]]Expand along rows: Shape (3, 1) [[1] [2] [3]]
另一方面,如果希望减小数组的轴,请使用squeeze()方法。它将删除具有单个条目的轴。这意味着,如果创建了一个2 x 2 x 1矩阵,则squeze()将从矩阵中删除第三个维度:
# squeezea = np.array([[[1,2,3],[4,5,6]]])b = np.squeeze(a, axis=0)print('Original','','Shape',a.shape,'',a)print('Squeeze array:','','Shape',b.shape,'',b)
Original Shape (1, 2, 3) [[[1 2 3] [4 5 6]]]Squeeze array: Shape (2, 3) [[1 2 3] [4 5 6]]
但是,如果你已经有一个2×2的矩阵,在这种情况下使用squeeze()会给你一个错误:
# squeezea = np.array([[1,2,3],[4,5,6]])b = np.squeeze(a, axis=0)print('Original','','Shape',a.shape,'',a)print('Squeeze array:','','Shape',b.shape,'',b)
到目前为止,我们已经看到了如何创建一个NumPy数组以及如何处理它的形状。在本节中,我们将看到如何使用索引和切片从数组中提取特定值。
切片意味着从一个索引检索元素到另一个索引。我们要做的就是像这样[start: end]
然而,你也可以定义步长。例如你可以将步长定义为2,这意味着让元素远离当前索引2个位置进行取值。
将所有这些内容合并到一个索引中看起来像这样: [start:end:step-size]。
a = np.array([1,2,3,4,5,6])print(a[1:5:2])
[2 4]
注意,没有考虑最后一个元素。这是因为切片包括开始索引,但不包括结束索引。
解决方法是将下一个更高的索引写入要检索的最终索引值:
a = np.array([1,2,3,4,5,6])print(a[1:6:2])
[2 4 6]
如果不指定起始索引或结束索引,则默认值分别为0或数组大小。默认情况下步长为1。
a = np.array([1,2,3,4,5,6])print(a[:6:2])print(a[1::2])print(a[1:6:])
[1 3 5][2 4 6][2 3 4 5 6]
现在,二维数组有行和列,所以对二维数组进行切片会有点困难。但是一旦你理解了它,你就可以分割任何维度数组!
在学习如何分割二维数组之前,让我们先看看如何从二维数组中检索元素:
a = np.array([[1,2,3],[4,5,6]])print(a[0,0])print(a[1,2])print(a[1,0])
164
在这里,我们提供了行值和列值来标识要提取的元素。在一维数组中,我们只提供列值,因为只有一行。
因此,要对二维数组进行切片,需要同时提到行和列的切片:
a = np.array([[1,2,3],[4,5,6]])# 打印第一行值print('First row values :','',a[0:1,:])# 具有列的步长print('Alternate values from first row:','',a[0:1,::2])# print('Second column values :','',a[:,1::2])print('Arbitrary values :','',a[0:1,1:3])
First row values : [[1 2 3]]Alternate values from first row: [[1 3]]Second column values : [[2] [5]]Arbitrary values : [[2 3]]
到目前为止我们还没有看到三维数组。首先让我们想象一下三维数组的样子:
a = np.array([[[1,2],[3,4],[5,6]],# 第一个轴数组[[7,8],[9,10],[11,12]],# 第二个轴数组[[13,14],[15,16],[17,18]]])# 第三个轴数组# 3-D arrayprint(a)
[[[ 1 2] [ 3 4] [ 5 6]] [[ 7 8] [ 9 10] [11 12]] [[13 14] [15 16] [17 18]]]
除了行和列之外,在二维数组中,三维数组还有一个深度轴,在这个深度轴上,它将一个二维数组放在另一个数组后面。所以,当你在切片一个三维数组时,你还需要提到你要切片哪个二维数组。这通常作为索引中的第一个值出现:
# valueprint('First array, first row, first column value :','',a[0,0,0])print('First array last column :','',a[0,:,1])print('First two rows for second and third arrays :','',a[1:,0:2,0:2])
First array, first row, first column value : 1First array last column : [2 4 6]First two rows for second and third arrays : [[[ 7 8] [ 9 10]] [[13 14] [15 16]]]
如果希望将值作为一维数组,则可以始终使用flatten()方法来完成此项工作!
print('Printing as a single array :','',a[1:,0:2,0:2].flatten())
Printing as a single array : [ 7 8 9 10 13 14 15 16]
对数组进行切片的一个有趣的方法是使用负切片。负切片从末尾而不是开头打印元素。请看下面:
a = np.array([[1,2,3,4,5],[6,7,8,9,10]])print(a[:,-1])
[ 5 10]
这里,打印了每行的最后一个值。但是,如果我们想从末尾提取,我们必须显式地提供负步长,否则结果将是空列表。
print(a[:,-1:-3:-1])
[[ 5 4] [10 9]]
尽管如此,切片的基本逻辑保持不变,即输出中从不包含结束索引。
负切片的一个有趣的用途是反转原始数组。
a = np.array([[1,2,3,4,5],[6,7,8,9,10]])print('Original array :','',a)print('Reversed array :','',a[::-1,::-1])
Original array : [[ 1 2 3 4 5] [ 6 7 8 9 10]]Reversed array : [[10 9 8 7 6] [ 5 4 3 2 1]]
也可以使用flip()方法来反转ndarray。
a = np.array([[1,2,3,4,5],[6,7,8,9,10]])print('Original array :','',a)print('Reversed array vertically :','',np.flip(a,axis=1))print('Reversed array horizontally :','',np.flip(a,axis=0))
Original array : [[ 1 2 3 4 5] [ 6 7 8 9 10]]Reversed array vertically : [[ 5 4 3 2 1] [10 9 8 7 6]]Reversed array horizontally : [[ 6 7 8 9 10] [ 1 2 3 4 5]]
可以通过组合现有数组来创建新数组。你可以通过两种方式来完成:
a = np.arange(0,5)b = np.arange(5,10)print('Array 1 :','',a)print('Array 2 :','',b)print('Vertical stacking :','',np.vstack((a,b)))print('Horizontal stacking :','',np.hstack((a,b)))
Array 1 : [0 1 2 3 4]Array 2 : [5 6 7 8 9]Vertical stacking : [[0 1 2 3 4] [5 6 7 8 9]]Horizontal stacking : [0 1 2 3 4 5 6 7 8 9]
这里要注意的一点是,组合数组的轴应该具有相同的大小,否则一定会出错!
a = np.arange(0,5)b = np.arange(5,9)print('Array 1 :','',a)print('Array 2 :','',b)print('Vertical stacking :','',np.vstack((a,b)))print('Horizontal stacking :','',np.hstack((a,b)))
组合数组的另一个有趣的方法是使用dstack()方法。它按索引组合数组元素,并沿深度轴堆叠它们:
a = [[1,2],[3,4]]b = [[5,6],[7,8]]c = np.dstack((a,b))print('Array 1 :','',a)print('Array 2 :','',b)print('Dstack :','',c)print(c.shape)
Array 1 : [[1, 2], [3, 4]]Array 2 : [[5, 6], [7, 8]]Dstack : [[[1 5] [2 6]] [[3 7] [4 8]]](2, 2, 2)
虽然堆叠数组是组合旧数组以获得新数组的一种方法,但也可以使用concatenate()方法,其中传递的数组沿现有轴连接:
a = np.arange(0,5).reshape(1,5)b = np.arange(5,10).reshape(1,5)print('Array 1 :','',a)print('Array 2 :','',b)print('Concatenate along rows :','',np.concatenate((a,b),axis=0))print('Concatenate along columns :','',np.concatenate((a,b),axis=1))
Array 1 : [[0 1 2 3 4]]Array 2 : [[5 6 7 8 9]]Concatenate along rows : [[0 1 2 3 4] [5 6 7 8 9]]Concatenate along columns : [[0 1 2 3 4 5 6 7 8 9]]
此方法的缺点是原始数组必须具有要合并的轴。否则,准备好迎接错误。
另一个非常有用的函数是append方法,它将新元素添加到ndarray的末尾。当你已经有了一个现有的ndarray,但希望向其添加新值时,这显然很有用。
# 将值附加到ndarraya = np.array([[1,2], [3,4]])np.append(a,[[5,6]], axis=0)
array([[1, 2], [3, 4], [5, 6]])
广播是ndarrays最好的功能之一。它允许你在不同大小的ndarray之间或ndarray与简单数字之间执行算术运算!
广播基本上延伸较小的ndarray,使其与较大ndarray的形状相匹配:
a = np.arange(10,20,2)b = np.array([[2],[2]])print('Adding two different size arrays :','',a+b)print('Multiplying an ndarray and a number :',a*2)
Adding two different size arrays : [[12 14 16 18 20] [12 14 16 18 20]]Multiplying an ndarray and a number : [20 24 28 32 36]
它的工作可以看作是拉伸或复制标量,即数字,[2,2,2]以匹配ndarray的形状,然后按元素执行操作。但是实际上并没有生成该数组,这只是一种思考广播如何运作的方式。
这非常有用,因为用标量值乘一个数组比用另一个数组更有效!需要注意的是,只有当两个ndarray兼容时,它们才能一起广播。
Ndarrays在以下情况下兼容:
如果数组不兼容,你将得到一个ValueError。
a = np.ones((3,3))b = np.array([2])a+b
array([[3., 3., 3.], [3., 3., 3.], [3., 3., 3.]])
在这里,假设第二个ndarray被拉伸成3x 3形状,然后计算结果。
Python是一种动态类型语言。这意味着在赋值时不需要知道变量的数据类型。Python将在运行时自动确定它。虽然这意味着编写更干净、更容易的代码,但也会使Python变得迟缓。
当Python必须重复执行许多操作(比如添加两个数组)时,这个问题就会显现出来。这是因为每次需要执行操作时,Python都必须检查元素的数据类型。使用ufuncs函数的NumPy可以解决这个问题。
NumPy使这个工作更快的方法是使用向量化。向量化在编译的代码中以逐元素的方式对ndarray执行相同的操作。因此,不需要每次都确定元素的数据类型,从而执行更快的操作。
ufuncs 是NumPy中的通用函数,只是数学函数。它们执行快速的元素功能。当对NumPy数组执行简单的算术操作时,它们会自动调用,因为它们充当NumPy ufuncs的包装器。
例如,当使用“+”添加两个NumPy数组时,NumPy ufunc add()会在场景后面自动调用,并悄悄地发挥其魔力:
a = [1,2,3,4,5]b = [6,7,8,9,10]%timeit a+b
a = np.arange(1,6)b = np.arange(6,11)%timeit a+b
你可以看到,在NumPy ufuncs的帮助下,两个数组的相同添加是如何在更短的时间内完成的!
下面是一些最重要和最有用的操作,你将需要在你的NumPy数组上执行这些操作。
基本的算术运算可以很容易地在NumPy数组上执行。要记住的重要一点是,这些简单的算术运算符号只是作为NumPy ufuncs的包装器。
print('Subtract :',a-5)print('Multiply :',a*5)print('Divide :',a/5)print('Power :',a**2)print('Remainder :',a%5)
Subtract : [-4 -3 -2 -1 0]Multiply : [ 5 10 15 20 25]Divide : [0.2 0.4 0.6 0.8 1. ]Power : [ 1 4 9 16 25]Remainder : [1 2 3 4 0]
要查找NumPy数组的平均值和标准偏差,请使用mean()、std()和median()方法:
a = np.arange(5,15,2)print('Mean :',np.mean(a))print('Standard deviation :',np.std(a))print('Median :',np.median(a))
Mean : 9.0Standard deviation : 2.8284271247461903Median : 9.0
使用Min()和Max()方法可以轻松找到ndarray中的Min和Max值:
a = np.array([[1,6],[4,3]])# 最小值print('Min :',np.min(a,axis=0))# 最大值print('Max :',np.max(a,axis=1))
Min : [1 3]Max : [6 4]
还可以使用argmin()和argmax()方法轻松确定ndarray中沿特定轴的最小值或最大值的索引:
a = np.array([[1,6,5],[4,3,7]])# 最小值print('Min :',np.argmin(a,axis=0))# 最大值print('Max :',np.argmax(a,axis=1))
Min : [0 1 0]Max : [1 2]
让我给你把输出分解一下。第一列的最小值是该列的第一个元素。对于第二列,它是第二个元素。对于第三列,它是第一个元素。
类似地,你可以确定最大值的输出指示什么。
对于任何程序员来说,任何算法的时间复杂性都是最重要的。排序是一项重要且非常基本的操作,作为一名数据科学家,你可能每天都会用到它。因此,采用一种时间复杂度最小的排序算法是非常重要的。
当谈到排序数组元素时,NumPy库有一系列排序函数,可用于对数组元素进行排序。当你使用sort()方法时,它已经为你实现了快速排序、堆排序、合并排序和时间排序:
a = np.array([1,4,2,5,3,6,8,7,9])np.sort(a, kind='quicksort')
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
你甚至可以沿着你想要的任何轴对数组进行排序:
a = np.array([[5,6,7,4], [9,2,3,7]])# 沿列排序print('Sort along column :','',np.sort(a, kind='mergresort',axis=1))# 沿行排序print('Sort along row :','',np.sort(a, kind='mergresort',axis=0))
Sort along column : [[4 5 6 7] [2 3 7 9]]Sort along row : [[5 2 3 4] [9 6 7 7]]
NumPy数组在存储和操作图像数据方面有着广泛的用途。但图像数据到底是什么呢?
图像由以数组形式存储的像素组成。每个像素的值介于0到255之间–0表示黑色像素,255表示白色像素。
彩色图像由三个二维数组组成,每个彩色通道一个:红色、绿色和蓝色,背靠背放置,从而形成三维数组。数组中的每个值构成一个像素值。因此,数组的大小取决于每个维度上的像素数。
请看下图:
Python可以使用scipy.misc.imread()方法(SciPy库中的方法)。当我们输出它时,它只是一个包含像素值的三维数组:
import numpy as npimport matplotlib.pyplot as pltfrom scipy import misc# 读取图像im = misc.imread('./original.jpg')# 图像im
array([[[115, 106, 67], [113, 104, 65], [112, 103, 64], ..., [160, 138, 37], [160, 138, 37], [160, 138, 37]], [[117, 108, 69], [115, 106, 67], [114, 105, 66], ..., [157, 135, 36], [157, 135, 34], [158, 136, 37]], [[120, 110, 74], [118, 108, 72], [117, 107, 71], ...,
我们可以检查这个NumPy数组的形状和类型:
print(im.shape)print(type(type))
(561, 997, 3)numpy.ndarray
现在,由于图像只是一个数组,我们可以使用本文中介绍的数组函数轻松地对其进行操作。比如,我们可以使用np.flip()方法:
# 翻转plt.imshow(np.flip(im, axis=1))
或者你可以规范化或更改像素值的范围。这有时对更快的计算很有用。
im/255
array([[[0.45098039, 0.41568627, 0.2627451 ], [0.44313725, 0.40784314, 0.25490196], [0.43921569, 0.40392157, 0.25098039], ..., [0.62745098, 0.54117647, 0.14509804], [0.62745098, 0.54117647, 0.14509804], [0.62745098, 0.54117647, 0.14509804]], [[0.45882353, 0.42352941, 0.27058824], [0.45098039, 0.41568627, 0.2627451 ], [0.44705882, 0.41176471, 0.25882353], ..., [0.61568627, 0.52941176, 0.14117647], [0.61568627, 0.52941176, 0.13333333], [0.61960784, 0.53333333, 0.14509804]], [[0.47058824, 0.43137255, 0.29019608], [0.4627451 , 0.42352941, 0.28235294], [0.45882353, 0.41960784, 0.27843137], ..., [0.6 , 0.52156863, 0.14117647], [0.6 , 0.52156863, 0.13333333], [0.6 , 0.52156863, 0.14117647]], ...,
请记住,这是使用我们在文章中看到的ufuncs和广播的相同概念!
当你使用神经网络对图像进行分类时,你可以做更多的事情来操作你的图像。
我们在这篇文章中涉及了很多方面。希望你对NumPy数组的使用非常熟悉,并且非常热衷于将其融入到日常的分析任务中。
要了解更多关于任何NumPy函数的信息,请查看他们的官方文档,在那里你可以找到每个函数的详细描述。
文档链接:https://numpy.org/doc/