您现在的位置是：网站首页> 编程资料编程资料
Python中的numpy数组模块_python_
2023-05-26
353人已围观
简介 Python中的numpy数组模块_python_
一、numpy简介
numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示numpy数组）。
1、numpy库作用：
- 区别于list列表，提供了数组操作、数组运算、以及统计分布和简单的数学模型 。
- 计算速度快，甚至要由于python内置的简单运算，使得其成为pandas(分析结构化数据的工具集)、sklearn(Scikit-learn(sklearn)是机器学习中常用的第三方模块)等模块的依赖包。
高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似。
2、NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
3、NumPy 应用
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
- SciPy: 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
- Matplotlib: 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。
二、为什么用numpy
lis1 = [1, 2, 3] lis2 = [4, 5, 6]
如果我们想让lis1 * lis2得到一个结果为lis_res = [4, 10, 18]，非常复杂。
三、创建numpy数组
numpy数组即numpy的ndarray对象，
1、将列表转换创建numpy数组，可选择显式指定dtype
import numpy as np arr = np.array([1, 2, 3]) # 创建一维的ndarray对象 print(arr, type(arr)) # [1 2 3]arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32) print(arr) print(np.array([[1, 2, 3], [4, 5, 6]])) # 创建二维的ndarray对象 # [[1 2 3] # [4 5 6]] print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])) # 创建三维的ndarray对象 # [[1 2 3] # [4 5 6] # [7 8 9]]
2、arange方式创建numpy数组
# 构造0-9的ndarray数组 print(np.arange(10)) # [0 1 2 3 4 5 6 7 8 9] # 构造1-4的ndarray数组 print(np.arange(1, 5)) # [1 2 3 4] # 构造1-19且步长为2的ndarray数组 print(np.arange(1, 20, 2)) # [ 1 3 5 7 9 11 13 15 17 19]
3、其他方式创建numpy数组
# 构造3*4的全0的numpy数组 print(np.zeros((3, 4))) #zeros():根据指定形状和dtype创建全0数组 # [[0. 0. 0. 0.] # [0. 0. 0. 0.] # [0. 0. 0. 0.]] # 构造3*4的全1的numpy数组 print(np.ones((3, 4))) #ones():根据指定形状和dtype创建全1数组 [[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]] # 构造一个4*4的随机的numpy数组，里面的元素是随机生成的 print(np.empty((4, 4))) #empty():创建一个元素全随机的数组 # [[ 2.31584178e+077 -1.49457545e-154 3.95252517e-323 0.00000000e+000] # [ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000] # [ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000] # [ 0.00000000e+000 0.00000000e+000 1.29074055e-231 1.11687366e-308]] arr = np.ones([2, 2], dtype=int) print(arr.reshape(4, 1)) #reshape():重塑形状 # [[1] # [1] # [1] # [1]] # 构造一个等差数列，取头也取尾，从0取到20，取5个数 print(np.linspace(0, 20, 5)) # linspace/logspace():类似arange()，第三个参数为数组长度 # [ 0. 5. 10. 15. 20.] # 构造一个等比数列，从10**0取到10**20，取5个数 print(np.logspace(0, 20, 5)) # [1.e+00 1.e+05 1.e+10 1.e+15 1.e+20] # 构造3个主元的单位numpy数组 print(np.eye(3)) #eye():创建单位矩阵 # [[1. 0. 0.] # [0. 1. 0.] # [0. 0. 1.]]
4、numpy或pandas中reshape()重塑形状（行列转换）的用法
例子：
z = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]]) z.shape #(4, 4)四行撕裂
1.z.reshape(-1)或z.reshape(1,-1)，转换成1行，列数未知。即将数组横向平铺。
z.reshape(-1) #array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
2.z.reshape(-1, 1))，转换成1列，行数未知。即将数组纵向平铺。
z.reshape(-1,1) # array([[ 1], [ 2], [ 3], [ 4], [ 5], [ 6], [ 7], [ 8], [ 9], [10], [11], [12], [13], [14], [15], [16]])
3.z.reshape(-1, 2)，newshape列数等于2，行数未知，reshape后的shape等于(8, 2)
z.reshape(-1, 2) # array([[ 1, 2], [ 3, 4], [ 5, 6], [ 7, 8], [ 9, 10], [11, 12], [13, 14], [15, 16]])
4、numpy.random生成随机数
举例：
rs = np.random.RandomState(1) # RandomState()方法会让数据值随机一次，之后都是相同的数据 print(rs.rand(10)) # [4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01 # 1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01 # 3.96767474e-01 5.38816734e-01] np.random.seed(1) # seed()方法会让数据值随机一次，之后都是相同的数据 print(np.random.rand(3, 4)) # rand产生均匀分布的随机数。dn为第n维数据的维度。这里构造3*4的均匀分布的numpy数组 # [[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01] # [1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01] # [3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01]] print(np.random.rand(3, 4, 5)) # 构造3*4*5的均匀分布的numpy数组 # [[[0.20445225 0.87811744 0.02738759 0.67046751 0.4173048 ] # [0.55868983 0.14038694 0.19810149 0.80074457 0.96826158] # [0.31342418 0.69232262 0.87638915 0.89460666 0.08504421] # [0.03905478 0.16983042 0.8781425 0.09834683 0.42110763]] # # [[0.95788953 0.53316528 0.69187711 0.31551563 0.68650093] # [0.83462567 0.01828828 0.75014431 0.98886109 0.74816565] # [0.28044399 0.78927933 0.10322601 0.44789353 0.9085955 ] # [0.29361415 0.28777534 0.13002857 0.01936696 0.67883553]] # # [[0.21162812 0.26554666 0.49157316 0.05336255 0.57411761] # [0.14672857 0.58930554 0.69975836 0.10233443 0.41405599] # [0.69440016 0.41417927 0.04995346 0.53589641 0.66379465] # [0.51488911 0.94459476 0.58655504 0.90340192 0.1374747 ]]] # 构造3*4的正态分布的numpy数组 print(np.random.randn(3, 4)) #randn产生标准正态分布随机数。dn为第n维数据的维度 # [[ 0.30017032 -0.35224985 -1.1425182 -0.34934272] # [-0.20889423 0.58662319 0.83898341 0.93110208] # [ 0.28558733 0.88514116 -0.75439794 1.25286816]] # 构造取值为1-5内的10个元素的ndarray数组 print(np.random.randint(1, 5, 10)) # randint(low[, high, size, dtype])：产生随机整数。low:最小值；high:最大值；size:数据个数 # [1 1 1 2 3 1 2 1 3 4] # 构造取值为0-1内的3*4的numpy数组 print(np.random.random_sample((3, 4))) # random_sample([size])：在[0,1)[0,1)内产生随机数。size为随机数的shape，可以为元祖或者列表 # [[0.62169572 0.11474597 0.94948926 0.44991213] # [0.57838961 0.4081368 0.23702698 0.90337952] # [0.57367949 0.00287033 0.61714491 0.3266449 ]] arr = np.array([1, 2, 3]) # 随机选取arr中的两个元素 print(np.random.choice(arr, size=2)) # choice(a[, size])：从arr中随机选择指定数据。arr为1维数组；size为数组形状 # [1 3] arr = np.random.uniform(1, 5, (2, 3)) #uniform(low,high [,size])：给定形状产生随机数组。low为最小值；high为最大值，size为数组形状 print(arr) # [[4.72405173 3.30633687 4.35858086] # [3.49316845 2.29806999 3.91204657]] np.random.shuffle(arr) # shuffle(a)：与random.shuffle相同。a为指定数组 print(arr) # [[3.49316845 2.29806999 3.91204657] # [4.72405173 3.30633687 4.35858086]]
5、 fromstring/fromfunction(了解)
fromstring：通过对字符串的字符编码所对应ASCII编码的位置，生成一个ndarray对象
s = 'abcdef' # np.int8表示一个字符的字节数为8 print(np.fromstring(s, dtype=np.int8)) # [ 97 98 99 100 101 102]
fromfunction：使用函数对numpy数组元素的行和列的索引做处理，得到当前元素的值。
索引从0开始，并构造一个3*4的numpy数组 print(np.fromfunction(func, (3, 4)))
def func(i, j): """其中i为numpy数组的行，j为numpy数组的列""" return i * j # 使用函数对numpy数组元素的行和列的索引做处理，得到当前元素的值，索引从0开始，并构造一个3*4的numpy数组 print(np.fromfunction(func, (3, 4))) # [[0. 0. 0. 0.] # [0. 1. 2. 3.] # [0. 2. 4. 6.]]
四、常用属性
举例：
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(arr) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr[:, :]) # 取所有元素 # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr[:1, :]) # [[1 2 3 4]] # 取第一行的所有元素 print(arr[0, [0, 1, 2, 3]]) # [1 2 3 4] # 取第一行的所有元素 print(arr[:, :1]) # 取第一列的所有元素 # [[1] # [5] # [9]] print(arr[(0, 1, 2), 0]) # [1 5 9] # 取第一列的所有元素 print(arr[0, 0]) # 1 # 取第一行第一列的元素 print(arr[arr > 5]) # [ 6 7 8 9 10 11 12] # 取大于5的元素，返回一个数组 print(arr > 5) # numpy数组按运算符取元素的原理，即通过arr > 5生成一个布尔numpy数组 # [[False False False False] # [False True True True] # [ True True True True]]
