python的Numpy入门和定义数组以及向量

Python的NumPy库对于使用者来说是十分有用的，但是python的NumPy库使用有一些注意事项是初学者需要注意的，尤其是在定义数组的时候，需要注意和python列表区别。NumPy数组不同于python列表，python的一个list当中可以存储不同的数据类型，但是NumPy数组只可以存储一种类型的数据。

---

为了方便理解NumPy，我们不妨先介绍一点python的背景知识，python本质上是根植于C语言的程序语言，其之所以能够使用动态的数据类型，是因为python语言中数据对象其实是一个C语言的结构体，这也就意味着当定义一个python变量时，它会保存除了该变量的值以外的其他很多信息，也需要占用更多的内存。因此，python的列表也并不像C语言的数组一样调用连续的内存，而是像链表一样调用离散的内存，再用指针指向该变量。现在就不难理解，为什么python当中的list占用的内存和访问的速度可能不如C语言这么小这么快。但是NumPy库很好的解决了这个问题，定义固定类型的数组，很显然能够大幅度提高运算的速度和占用的空间。这也是NumPy的优越性，更是其成为现在很多热门领域（尤其在深度学习）必备的工具之一。

---

下面从代码角度展示NumPy数组的定义

一般为了方便，我们会import numpy as np

import numpy as np
a=np.array([1,2,3,4])
print(a)
print(a.T)

NumPy当中array函数的作用是把一个python的list转换成一个NumPy类型的数组，其运行结果如下

 

 这便是NumPy当中的最简单的数组定义方式。

---

但是在很多应用场景下，我们更希望他是一个向量而不是一个数组，结合线性代数的知识可以得知，一个行向量可以转置得到一个列向量，但是很显然，上述代码print(a.T)的结构和print（a）完全相同，也就是没有成功转置，说明我们禁止是定义了数组，而不是向量，这是很多初学者最容易犯的错误。

import numpy as np
a=np.random.rand(3,4)
print(a)
print(a.T)

且看这段代码，我们利用NumPy当中的random函数创建一个3行4列的矩阵，其输出结果如下

可以看出，其确实发生了转置，如果用a.shape来输出矩阵维度，得到（3，4），而如果用同样的函数输出上面一段代码，会得到（4，），因此， 如果你想定义一个4行1列的数组，请一定用（4，1）。

请注意观察上图的“[”和“]”情况，不难发现，其实NumPy当中的数组是行向量用一个list来表示的，行向量元素个数，就是整个矩阵列的维度。

（初始的时候就用a=np.array([[1,2,3,4]])定义矩阵，也是可以得到一个向量的，本质就是括号的匹配。）

当然，你也可以自己不利用random相关的函数初始化矩阵，而是自己给矩阵赋值，自己进行初始化的时候遵寻一个行向量用[ ]括起来的原则即可，示例如下：

import numpy as np
a=np.array([[1],[2],[3],[4]])
print(a)
print(a.T)
print(a.shape)

 运行结果如下：

 不难看出，[ ]确实就是一个行向量，尽管我定义的时候确确实实写在了一行，但是python仍然识别出我定义的是一个4行1列的矩阵，并且成功进行了转置。

---

在很多应用场景中，我们面对的并不单纯是一个矩阵，或者说并不一定是层数为1的矩阵。最为典型的就是RGB通道的图片，比如，一张64*64的RGB图片，可以看作是由3层64*64的矩阵表示出来的。因此我们在处理过程中，有时候会遇到多层的矩阵，但事实上这样的操作也并不复杂，利用shape和array函数，下面也用一段代码就可以说明。

import numpy as np
a=np.array([[[1,2,3],[4,5,6],[7,8,9]],
            [[10,11,12],[13,14,15],[16,17,18]]])
print(a)
print(a.shape)

运行结果如下：

 定义的时候依然遵循括号的[ ]原则，最内侧的括号表示的一定是一个行向量，行向量并列就形成了列向量，与此同时，第二层括号就是一个矩阵，最外层括号，则是把多层矩阵统一在一起。shape函数的输出第0位是层数，第1位是每个矩阵的行数，第2位是每个矩阵的列数。

很多时候我们不希望python处理三层的矩阵，此时我们一般让矩阵重新排列，得到一个行向量或者一个列向量，要用到reshape函数（此时要注意，reshape的结果需要是一个合理的情况，比如把一个shape是（2，3，3，）的矩阵转换成（100，1）很显然是不合理的）。代码如下：

import numpy as np
a=np.array([[[1,2,3],[4,5,6],[7,8,9]],
            [[10,11,12],[13,14,15],[16,17,18]]])
a_reshape=a.reshape(1,a.shape[0]*a.shape[1]*a.shape[2])
print(a_reshape)

运行结果如下：

 从括号可以看出，重塑之后的矩阵仍然是一个行向量，而不是一个简单的python的list。