Python--Numpy基础
Numpy是Python的一个能快速处理矩阵运算的数学库，如果你从事的是数据科学，或者机器学习领域的话，Numpy是一项最基本的技能。他不仅简化了我们在处理矩阵运算时需要编写的代码，而且，许多Numpy的底层函数用C编写，我们能获得在用普通Python自带的列表结构时，所无法达到的运算速度。
下面，我将就Numpy的一些基本用法，做个简单的介绍，当然，一来Numpy库本身会不断更新，二来，我本人的认知也会随时间改变，所以，这部分内容也会随时更新。当然一些我认为不太常用的方法、结构，不会出现在本文中，使得本文尽量简洁明了。
因为Numpy并不是Python本身自带的库，所以，使用之前，当然需要先安装，具体的方法，百度一下会有很多，我在此就略了。所以，我默认所有对这部分内容感兴趣的人都已经安装好了Numpy，并且有一定的Python语言基础。需要注意的是，为了使得文中的代码尽量简洁，所有出现的代码都默认已经引入了Numpy库，并简写为np。也就是说，所有代码都默认在它们之前导入了numpy库：import numpy as np
创建数组
1. np.array() 函数创建数组
Numpy为我们提供的创建数组的方法可以说非常丰富，针对某些特殊类型的数组还有专门的函数，但是基本上讲，有以下三种：
(1) Numpy中的数组类型——ndarray
a = np.array([1, 2, 3]) # >>> [1 2 3]
b = np.array((1, 2, 3.5)) # >>> [1. 2. 3.5]
print(type(a), type(b)) # >>> <class 'numpy.ndarray'> <class 'numpy.ndarray'>我们将一个序列传递给np.array() 函数（其实，这个序列不一定是列表，元组，甚至字符串都可以），会生成一个新的 ndarray 型的对象，这就是Numpy中的数组了，从形式上中也可以看出，这种对象不同于列表，中间是没有 “,” 分隔的。
我们发现，当传入的序列中的元素是不同类型时，生成ndarray对象后，元素的类型会受到影响，比如，上面的例子中，当整型和浮点型都存在时，生成的对象中原本是整型的元素也变成了一种特殊的浮点型（这种类型时ndarray对象所特有的），考虑到一般只是进行数学意义上的运算，所以尽量避免在传入的序列中加入字符串这种操作，以免类型错乱，造成不必要的麻烦。
当然，np.array()函数也适用于生成多维数组。
m = np.array([[1, 2], [3, 4]]) # >>> [[1 2]
[3 4]]需要注意的是，想要用序列生成数组，传入函数的一定是一个完整的序列，而不能只是元素的排布
a = np.array(1, 2, 3) # >>> 错误！
a = np.array([1, 2, 3]) # >>> 正确！其实，在实际应用中，一般我们就把Numpy中的多维数组当做矩阵，来执行相关运算。所以，正确地创立数组，是开始所有代数运算的先决条件。
(2) ndarray型对象的属性
此外，和其他数据类型一样，我们可以查看”ndarray”型对象的相关属性：
ndarray.dtype：数据类型
a = np.array([1.5, 2, 3], dtype=int) #设置数组中元素的数据类型为整型
print(a) # >>> [1 2 3]
b = np.array([[1, 2.3], [4.1, 5.0]])
print(b.dtype) # >>> float64，访问数组b的数据类型ndarray.shape：数组大小
a = np.array([1, 2, 3])
b = np.array([[1], [2], [3]])
print(a.shape) # >>> (3,)
print(b.shape) # >>> (3, 1) # shape实际上是一个元组也可以通过设置shape来改变数组的形状：
a = np.array([1, 2, 3, 4], [4, 2, 3, 1], [3, 4, 2, 1]) # 现在，a是3 x 4的矩阵
a.shape = 4, 3 # a的形状被改变
print(a) # >>> [[1 2 3]
[4 4 2]
[3 1 3]
[4 2 1]]ndarray.ndim：数组的维度
a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]], [[9, 10], [11, 12]]])
b = np.array([[1], [2], [3]])
print(a.ndim) # >>> 3
print(b.ndim) # >>> 2ndarray.size：数组中元素的总个数
a = np.array([1, 2, 3])
b = np.array([[1], [2], [3]])
print(a.size) # >>> 3
print(b.size) # >>> 3当然，ndarray对象还有很多其他属性，这些属性有助于我们更好地控制数组对象，基本使用方法与上面类似，不再赘述。
2. 创建数组过程中常用的其他函数
需要注意的一点是：上面的例子都是先创建一个Python序列，然后通过array()函数将其转换为数组，这样做显然效率不高。因此NumPy提供了很多专门用来创建数组的函数。以方便用户在已知数组是具备的某种特殊性质下，快速创建数组。
（1）np.arange()依据范围特征创建数组
之前，我们知道Python基本语法里的 range() 函数可以根据数值范围生成列表，同样的，我们在Numpy中通过 arange() 函数，按照一定规律生成数组。
a = np.arange(5) # >>> [0 1 2 3 4]
b = np.arange(1, 7, 2) # >>> [1 3 5]语法上讲，和 range() 函数是一致的，都是由三个参数 `(start, stop, step)组成
（2）np.linspace()
作用与arange()类似，三个必要的参数:”start, stop, num”，不过默认状态下包含终值。
a = np.arange(1, 7, 3) # >>> [1. 4. 7.]（3）np.logspace()
函数和linspace类似，不过它创建等比数列，参数设置为：(start, stop, num=50, endpoint=True, base=10.0, dtype=None)，一般我们只设置”start, stop, num”3个参数，表示等比数列的起始点是 basestart ，终止点为 basestop 。当然，有时候也需要改变base值。比如产生 20 到 24 之间的5个数构成数组：
a = np.logspace(0, 4, 5, base=2) # >>>[1. 2. 4. 8. 16.]（4）np.fromfunction()
fromstring, frombuffer, fromfile, fromfunction这些函数从其他对象中抽取序列，构建数组。其中，我个人认为比较有用的是fromfunction，其参数设置为np.fromfunction(function, shape)，由一个函数和数组形状作为输入。需要注意的是，数组中每个位置的值为这个位置的坐标输入function的计算结果，当然，函数有 n 个参数时，就只能生成n维数组了
# 定义函数，这里的函数只有1个参数
def foo1(i):
return i % 2
# 注意fromfunction()中，第2个参数shape的输入形式是元组
a = np.fromfunction(foo1, (2,)) # >>> [ 0. 2.]
b = np.fromfunction(lambda x, y: x + y, (2, 3)) # >>> [[ 0. 1. 2.]
[ 1. 2. 3.]]（5）np.zeros()，np.ones()，np.eye()等方法可以构造特定的矩阵
上面这3个函数分别用来构造零矩阵；元素全为1的矩阵，以及单位矩阵（主对角线为1，其余元素为0）。他们的作用是帮助我们对这些特殊的矩阵实现快速构造。
# 参数为数组形状
a = np.zeros((2, 3)) # >>> [[ 0. 0. 0.]
[ 0. 0. 0.]]
b = np.ones((2, 3)) # >>> [[ 1. 1. 1.]
[ 1. 1. 1.]]
# 参数为方阵的行数（列数）
c = np.eye(3) # >>> [[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]3. 给矩阵添加行或列
有时，需要我们在已有的矩阵中，添加一行，或者一列。这里主要介绍2种实现方法。
（1）np.r_[]和np.c_[]分别添加行和列，生成新的矩阵：
如下代码所示，现在要在矩阵a中添加一行
a1 = np.array([[1, 2, 3], [4, 5, 6]])
b1 = np.array([[0, 0, 0]])
print(np.r_[a1, b1]) # >>>[[1 2 3]
[4 5 6]
[0 0 0]]注意此时b1的写法，也是一个二维矩阵，且列数与a相等。再比如，添加一列：
a1 = np.array([[1, 2], [3, 4], [5, 6]])
b1 = np.array([[0], [0], [0]])
print(np.c_[a1, b1]) # >>>[[1 2 0]
[3 4 0]
[5 6 0]]同样，需要注意此时b1的写法。
（2）np.row_stack()和np.column_stack()分别添加行和列，生成新的矩阵：
还有两个与np.r_[]和np.c_[]类似的函数：np.row_stack()和np.column_stack()。但是它们的用法更加自由，所添加的行或列，要求只要是序列（也就是说列表，元组皆可）就行，不需要像np.r_[]和np.c_[]那样严格要求添加的东西必须是数组了。具体用法网上容易查到，此处省略。
此外，还有一些别的创建数组的方法，限于篇幅，不再介绍了，若遗漏了重要的方法，会随时补充。
访问数组
1. 切片
与列表的性质类似，通过切片的形式，可以访问已经构建好的数组。
比如对于一维数组：
a = np.arange(5) # >>> [0 1 2 3 4]
print(a[2:3]) # >>> [2]
print(a[::2]) # >>> [0 2 4]语法规则与列表中的切片一致，包含起始点，且不包含终止点。需要注意的是，这种数组切片返回的是原始数组的一个视图，与原始数组共享相同的内存空间，而并没有建立新的数组。
a = np.arange(5) # >>> [0 1 2 3 4]
print(id(a[2])) # >>> 4366848312
print(id(a[2:3][0])) # >>> 43668483122. 访问矩阵的行与列
在切片的方法中，我要特别强调一个细节，就是对矩阵行、列的访问。因为这个知识点经常用到，所以特地列一小节出来。但是基本方法就是切片了。
- 访问矩阵的行
a = np.array([[1, 2, 3], [4, 5, 6]])
# 访问矩阵第0行
print(a[0]) # >>> [1 2 3]
# 访问矩阵第0行的0，1两列
print(a[0][:2]) # >>> [1 2]- 访问矩阵的列
a = np.array([[1, 2, 3], [4, 5, 6]])
# 取矩阵a第2列
print(a[:, 2]) # >>> [3 6]当然，这是取全列，你也可以根据切片控制某一列中，行的范围，具体做法跟上面的取一行时一致。
3. for循环遍历矩阵
如果要遍历整个矩阵，for循环是非常合适的选择。
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# for循环遍历行
for row in a:
print(row) # >>> [1 2 3]
# >>> [4 5 6]
# >>> [7 8 9]
# for循环遍历列
for col in np.transpose(a):
print(col) # >>> [1 4 7]
# >>> [2 5 8]
# >>> [3 6 9]np.transpose()是计算矩阵转置的函数，这个后面会说。
4. 使用整数序列访问
其实最简单的访问数组单个元素的做法是通过元素的下标（包括多维数组也是一样）。这一点我在上面虽然没有强调，但是早开始这么用了。但是当现在的任务变成访问数组中个别几个位置的元素，而这些位置又是毫无规律的（不太方便使用切片），那也可以方便地使用整数序列作为下标解决这个问题。
a = np.arange(0, 20, 2) # >>> [ 0 2 4 6 8 10 12 14 16 18]
# 直接通过数组`np.array([1, 4, 5, 7])`，访问1, 4, 5, 7位的元素
print(a[np.array([1, 4, 5, 7])]) # >>> [ 2 8 10 14]也可以通过列表建立要访问的下标序列，但是需要先通过一个名称引用这个列表
b = np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组
# 访问第一行的第0列，第1列；访问第2行的第1列，第2列
index = [[0, 1], [1, 2]]
print(b[index]) # >>> [2 6]然而需要注意一下，这里不能用ndarray型对象的引用作为下标，因为解释器会认为应该在数组的第一行取值
b = np.array([[1, 2, 3], [4, 5, 6]])
index1 = np.array([[0, 1], [1, 2]])
index2 = np.array([[0, 1], [1, 0]])
index3 = [[0, 1], [1, 0]]
print(b[index1]) # >>> wrong!因为范围超了，index1中的元素2会让解释器寻找b的第2行，找不到
print(b[index2]) # >>> [[[1 2 3]
[4 5 6]]
[[4 5 6]
[1 2 3]]]
print(index3) # >>> [2 4]，第0行第1列，以及第1行，第0列上面的东西看上去“规矩”很多，其实用的时候最好直接引用建立好的列表就行，这样最方便。再者，就是临时写个小脚本试一下，最稳妥。
5. 通过布尔数组访问
这是一种非常特殊的方法，举个例子来说，如下：
a = np.arange(12).reshape(3, 4) # 建立了一个3 x 4的矩阵
# b是一个布尔数组，这个布尔数组与a形状相同，其中每个元素表示a中对应位置的元素是否比4大
b = a > 4 # >>> b = [[False False False False]
[False True True True]
[ True True True True]]
print(a[b]) # >>> [ 5 6 7 8 9 10 11]也可以通过布尔数组来选择一个数组的行和列
a = np.arange(12).reshape(3, 4)
b1 = np.array([False, True, True])
b2 = np.array([False, True, True, False])
# 按bool属性取行
print(a[b1,:]) # >>> [[ 4 5 6 7]
[ 8 9 10 11]]
# 按bool属性取列
print(a[,:b2]) # >>> [[ 1 2]
[ 5 6]
[ 9 10]]线性代数运算
这是Numpy最吸引人的地方了。我们常见的矩阵、向量的运算基本在Numpy中都能找到现成的函数，为快速开发提供了可能。操作中，”ndarray”型对象既然可以表示多维数组，那么当然也可以表示我们最常用的矩阵。实际上，Numpy中，我们对矩阵操作时，用”ndarray”型对象的频率甚至高过了标准的矩阵对象”np.matrix()”.
1. 矩阵转置
ndarray.transpose()函数直接生成转置矩阵
a = np.array([[1, 2],[3, 4]])
print(a.transpose()) # [[1 3]
[2 4]]2. 矩阵的迹
np.trace()函数输出矩阵的迹，即方阵主对角线上元素之和。若所要计算迹的矩阵非方阵，则计算行列序相等的元素之和。
a = np.array([[1, 2],[3, 4]])
b = np.array([[1, 2, 3],[4, 5, 6]])
print(np.trace(a)) # >>> 5
print(np.trace(b)) # >>> 6（由1 + 5生成的）3. 矩阵乘法
np.dot(a, b)表示两个矩阵之间的乘法，在Python3中，一个更简单的符号@表示矩阵之间的乘运算。注意：符号*不能表示ndarray对象之间相乘。
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([[1, 2], [3, 4], [5, 6]])
print(np.dot(a, b)) # >>> [[22 28]
[49 64]]
print(np.transpose(b) @ np.transpose(a)) # >>> [[22 49]
[28 64]]4. 矩阵的加减、数乘
+, -, *, /这些运算符能直接执行矩阵的基本运算，当然，都是按元素进行的。其中乘法特指数乘，跟我们用的最多的矩阵乘法不同。
a = np.array([[1, 2, 3],[4, 5, 6]])
b = np.array([[6, 5, 4],[3, 2, 1]])
# 矩阵对应元素做加减
print(a + b) # >>> [[7 7 7]
[7 7 7]]
print(a - b) # >>> [[-5 -3 -1]
[ 1 3 5]]
# 矩阵所有元素与某数相乘
print(a * 2) # >>> [[ 2 4 6]
[ 8 10 12]]
# 矩阵所有元素的次幂
print(a ** 2) # >>> [[ 1 4 9]
[16 25 36]]5. 随机矩阵
子库random用于生成随机的数组、矩阵等等。这里我简略举2个例子，用法跟标准库中的random模块类似，具体可以查阅相关文档。
np.random.rand(a, b)函数用来生成a行b列的矩阵，矩阵中每个元素都是随机的浮点数，范围在 [0,1) 。
a = np.random.rand(2, 3) # >>> [[ 0.23600569 0.62347282 0.84519854]
[ 0.85702323 0.10537731 0.59344112]]np.random.randint(low, high, size)函数用来生成形状为size的随机矩阵，其中，矩阵的每一个元素都是整数，且范围在 [low,high) 之间。
a = np.random.randint.rand(0, 10, (2, 3)) # >>> [[7 0 9]
[5 4 7]]5. 矩阵的逆与计算行列式
Numpy的线性代数子库linalg也是需要了解一下的，它有两个特别重要的应用：求取矩阵的逆；计算行列式
- 矩阵求逆：
np.linalg.inv(ndarray)
a = np.random.randint(0, 10, (3, 3)) # >>> [[7 1 5]
[7 8 1]
[0 3 0]]
print(np.linalg.inv(a)) # >>> [[-0.03571429 0.17857143 -0.46428571]
[ 0. 0. 0.33333333]
[ 0.25 -0.25 0.58333333]]- 计算行列式：
np.linalg.det(ndarray)
a = np.random.randint(0, 10, (3, 3)) # >>> [[2 6 3]
[8 5 4]
[2 8 0]]
print(np.linalg.det(a)) # >>> 1466. 向量的最大最小值、加和、平均值、范数
实现这些对向量的运算代码如下：
a = np.random.randint(0, 10, (1,)) # >>> [6 5 1 4 5 9 8 9 0 0]
print(np.sum(a)) # >>> 47
print(np.max(a)) # >>> 9
print(np.min(a)) # >>> 0
print(np.average(a)) # >>> 4.7
print(np.linalg.norm(a)) # >>> 18.1383571472其实，最后一项范数的计算，我们当然可以令这个向量与自身做内积，再开根号。当然，上面代码中的写法却是更加简洁方便。
有些时候我们想要一次性求得矩阵每一行或者每一列的最大最小值，加和，平均值等等，这个时候，“轴”参数的设置就显现出作用了。
a = np.random.randint(0, 10, (3, 3)) # >>> [[3 7 1]
[1 0 3]
[3 6 2]]
print(np.sum(a, axis=0)) # >>> [ 7 13 6]
print(np.sum(a, axis=1)) # >>> [11 4 11]
# 如果直接求sum，得到的会是全部元素的加和
print(np.sum(a)) # >>> 26轴（axis）的含义其实表示的是矩阵的维度，比如拿一个二维矩阵来说，其轴的表示如下图：
上图来源：python中的sum函数.sum(axis=1). 这个图其实也把上面所说的切片的内容形象地表述了。
8. 向量内积
其实，这个东西可以用矩阵乘法解决，但是对于一维数组来说，还有个专门的函数np.inner(v1, v2)，因为我在工作中经常会用到这种一维数组计算内积的情况，故在此列出：
v1 = np.array([1, 2, 3])
v2 = np.array([2, 3, 4])
print(np.inner(v1, v2)) # >>> 20关于Numpy基础知识，我暂时想到的就是以上这些了。因为Numpy的内容实在太多，所以我写的一定不全。还希望读者们有什么好的提议尽可提出，我再添加。这篇博客将在未来，不定时更新。