NumPy 入门
NumPy 中文网
NumPy 中文
NumPy 参考手册
NumPy 参考手册 | NumPy 中文
什么是 NumPy？
NumPy是使用Python进行科学计算的基础软件包。
安装 NumPy
如果已经在系统上安装了Python和PIP，则只需要在DOS命令输入：pip install numpy
或者其他IDE安装。
导入 NumPy
所有库（模块）导入方式一样，不再细说。
import numpy
import numpy as np创建 NumPy ndarray 对象
NumPy 提供了一个N维数组类型，即 ndarray 它描述了相同类型的“项目”的集合。
所有ndarray都是同质的：每个项目占用相同大小的内存块， 并且所有块都以完全相同的方式解释。 如何解释数组中的每个项目由单独的数据类型对象指定， 其中一个对象与每个数组相关联。除了基本类型（整数，浮点数 等 ）之外， 数据类型对象还可以表示数据结构。
# 示例1
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)
print(type(arr))数组中的维
数组的维是数组深度（嵌套数组）的一个级别。
嵌套数组：指的是将数组作为元素（项目）的数组。
简单来说，数组中的维，就像元素的壳，几维数组就有几层壳，要找到数组，就必须一层一层的深入。
NumPy 提供了一个.ndim属性，该属性返回数组维度。
# 示例2
import numpy as np #导入 numpy 并另命名为np
arr1 = np.array(1)
arr2 = np.array([1, 2])
arr3 = np.array([[1, 2], [3, 4]])
arr4 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr1.ndim)
print(arr2.ndim)
print(arr3.ndim)
print(arr4.ndim)
# 结果为：
0
1
2
3
# 也可以使用，.ndim 来创建更高维度的数组
# 示例3
import numpy as np
arr = np.array([1, 2, 3],ndmin=5)
print(arr)
# 结果为：[[[[[1 2 3]]]]]
# 该数组，最里面的维度（dim）有三个元素，第4个到第1个dim都只有1个元素数组索引
数组索引等同于访问数组元素，NumPy 数组中的索引以0开始，第一个元素的索引为 0
# 以示例3为基础
import numpy as np
arr = np.array([1, 2, 3],ndmin=5)
print(arr[0])
print(arr[0,0])
print(arr[0,0,0])
print(arr[0,0,0,0])
print(arr[0,0,0,0,0])
# 结果为：
[[[[1 2 3]]]] # arr 的第一个元素
[[[1 2 3]]] # arr[0] 的第一个元素
[[1 2 3]] # arr[0,0] 的第一个元素
[1 2 3] # arr[0,0,0] 的第一个元素
1 # arr[0,0,0,0] 的第一个元素
# 负索引
# 从元素的倒数位置开始索引，最后一个为 -1裁切数组
Python 中裁切的意思是将元素从开始的索引到结束的索引（不包含）组成一个新数组。
# 语法：
array_name[start:end:step]
# 参数：start 开始值，如果不传递，则默认是0
# end 结束值，如果不传递，默认为该维度内数组的长度
# step 步长，如果不传递，默认为1
# 更多示例：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[2:])
# 裁切数组中索引2到结尾的元素
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[:4])
# 裁切数组中第一个元素开始到索引为4（不包含）的元素
# 负索引裁切，元素倒数与索引一致，同样，裁切之后的新数组不包含end值所属的元素
#多维数组的裁切
import numpy as np
arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15]])
arr2 = arr[0:3, 1:4] #0:3 是第一个维度里的元素，1:4则是第二个维度
arr3 = arr[0:3]
print("数组arr2为：", arr2)
print("------分割线--------------")
print("数组arr2的维度为：", rr2.ndim)
print("------分割线--------------")
print("数组arr3为：", arr3)
print("------分割线--------------")
print("数组arr3第二个元素为", arr3[1])
NumPy 中的数据类型
NumPy 有一些额外的数据类型，并通过字符引用数据类型。
- i - 整数
- b - 布尔
- u - 无符号整数
- f - 浮点
- c - 符合浮点数
- m - timedalta
- M - datatime
- O - 对象
- S - 字符串
- U - unicode 字符串
- V - 固定的其他类型的内存块（void）
检查数组的数据类型 .dtype
import numpy as np
arr = np.array([1, 2, 3, 4])
print(arr.dtype)
副本和视图之间的区别
副本和数组视图之间的主要区别在于副本是一个新数组，而视图知识原始数组的视图。
副本拥有数据，对副本所做的任何更改都不会影响原始数组，对原始数组所做的任何更改也不会影响副本。
视图不拥有数据，对视图所做的任何更改都会影响原始数组，而对原始数组所做的任何更改都会影响视图。
简而言之，副本和原数组相互独立，视图和原数组相互影响；副本有数据，视图没数据。
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy() #创建副本
y = arr.view() #创建视图检查数组是否拥有数据
每个NumPy 数组都有一个base属性，如果该数组拥有数据，则这个属性返回None,将引用原对象。
# 示例
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
y = arr.view()
print(x.base)
print(y.base)
# 结果：
None
[1 2 3 4 5]NumPy 数组形状
数组的形状是每个维中元素的数量。
NumPy 数组有一个名为 shape 的属性，该属性返回一个元组，表示每个索引具有相应元素的数量。
import numpy as np
arr = np.array([[[1, 2, 3, 4], [5, 6, 7, 8]]])
print(arr.shape)
# 结果为：(1,2,4)
# 表示:这时一个三维数组，第一个维度里有1个元素，第二个维度有2个元素，第三个维度有4个元素数组重塑
重塑意味着更改数组的形状，可以添加或删除维度或更改每个维度中的元素数量。
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(4, 3)
print(newarr)
# 结果为：
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
# 重塑之后的元素总数必须和原数组一直，不然回报错。未知的维
可以使用一个"未知"维度，这意味着，不必在reshape()方法中为维度之一指定确切的数字。但是也要主要数组元素数量是否支持更多的维度。传递 -1 作为值，NumPy 将计算该数字。
展平数组
是指将多维数组转换为一维数组。
# 示例
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
newarr = arr.reshape(-1)
print(newarr)数组迭代
用 for 迭代数组
用 for 循环迭代数组，如果是多维数组的话，将会在for 循环里面再嵌套for循环。如：
import numpy as np
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
for x in arr:
for y in x:
for z in y:
print(z)nditer() 迭代数组
函数 nditer() 是一个辅助函数，从非常基本的迭代到非常高级的迭代都可以使用。
import numpy as np
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
for x in np.nditer(arr):
print(x)数组连接
连接意味着将1个以上的数组的内容放到单个数组中。
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
print(arr)
# 结果为：[1 2 3 4 5 6]拆分数组
拆分是连接的方向操作。
# 语法
np.array_split(arr, num)
# 参数：arr 必须，固定参数
# num 必须，拆分为几个数组
# 如果数组中的元素少于要求的数量，它将再末尾进行相应调整，见下图
# 最后一个数组为空数组
搜索数组
检查元素在数组中出现的位置。
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 4, 4])
x = np.where(arr == 4)
print(x)
# (array([3, 5, 6])
# 意思说是4出现的索引的位置数组排序
排序是指将元素按有序顺序排列。有序序列是拥有与元素相对应的顺序的任何蓄力，如：数字和字母、升序和降序。
import numpy as np
arr = np.array([3, 2, 0, 1])
print(np.sort(arr))
# 此方法返回副本（副本和原数组相互独立）数组过滤
从现有数组中取出一些元素并创建新数组成为过滤。
如果索引处的值为 True，则该元素包含在过滤后的数组中；如果索引处的值为 False，则该元素将从过滤后的数组中排除。
import numpy as np
arr = np.array([61, 62, 63, 64, 65])
x = [True, False, True, False, True]
newarr = arr[x]
print(newarr)
# 在此例中，对 True 和 False 值进行了硬编码，但通常的用途是根据条件创建过滤器数组。创建过滤器数组
import numpy as np
arr = np.array([61, 62, 63, 64, 65])
# 创建一个空列表
filter_arr = []
# 遍历 arr 中的每个元素
for element in arr:
# 如果元素大于 62，则将值设置为 True，否则为 False：
if element > 62:
filter_arr.append(True)
else:
filter_arr.append(False)
newarr = arr[filter_arr]
print(filter_arr)
print(newarr)直接从数组创建过滤器
import numpy as np
arr = np.array([61, 62, 63, 64, 65])
filter_arr = arr > 62
newarr = arr[filter_arr]
print(filter_arr)
print(newarr)
# 创建一个过滤器数组，该数组仅返回原始数组中的偶数元素
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
filter_arr = arr % 2 == 0
newarr = arr[filter_arr]
print(filter_arr)
print(newarr)NumPy 中的随机
什么是随机数？
随机数并不意味着每次都有不同的数字，随机意味着无法在逻辑上预测的事物。
伪随机和真随机
计算机在程序上工作，程序是权威的指令集。因此，这意味着必须有某种算法来生成随机数。
如果存在生成随机数的程序，则可以预测他，因此它就不是真正的随机数。通过算法生产的随机数称为伪随机数。
生成伪随机数
NumPy 提供了 random 模块来处理随机数。
from numpy import random
x = random.randint(100)
print(x)
# 生成一个0到100之间的随机整数
from numpy import random
x = random.rand()
print(x)
# random 模块的 rand() 方法返回 0 到 1 之间的随机浮点数。
from numpy import random
x=random.randint(100, size=(5))
print(x)
# 生成随机数组，size为数组的维度
# size=(5)表示一维数组有5个元素
# size=(2,5)表示二维数组，第一个维度有2个元素，第二个维度有5个元素
from numpy import random
x = random.rand(3, 5)
print(x)
# 浮点数，直接写数组形状即可从数组中取随机值
choice() 方法可以基于值数组生成随机值。
from numpy import random
x = random.choice([3, 5, 7, 9])
print(x)
# choice() 方法还允许返回一个值数组
from numpy import random
x = random.choice([3, 5, 7, 9], size=(3, 5))
print(x)
# 生成由数组参数（3、5、7 和 9）中的值组成的二维数组NumPy ufuncs
ufuncs 指的是“通用函数”（Universal Functions），他们是对ndarray对象进行操作的NumPy函数。
为什么要使用 ufuncs？
ufunc 用于在 NumPy 中实现矢量化，这比迭代元素要快得多。
它们还提供广播和其他方法，例如减少、累加等，它们对计算非常有帮助。
ufuncs 还接受其他参数，比如：
where 布尔值数组或条件，用于定义应在何处进行操作。
dtype 定义元素的返回类型。
out 返回值应被复制到的输出数组。
# 对两个列表元素进行相加
# Python 内置zip()方法
x = [1, 2, 3, 4]
y = [4, 5, 6, 7]
z = []
for i, j in zip(x, y):
z.append(i + j)
print(z)
# NumPy add()函数
import numpy as np
x = [1, 2, 3, 4]
y = [4, 5, 6, 7]
z = np.add(x, y)
print(z)