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）。

numpy库有两个作用：

• 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、sklearn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。

为什么要用numpy

现在我们来想一个场景: 购物车中存放商品的数量，依次为2,4,6,1每一个商品对应一个价格,依次是10,4,100, 29， 求一下，总价是多少?

正常思路就是:

print(2*10 + 4*4 + 6*100 + 1*29)

665

而此时可以使用两个列表分别表示商品个数和价格

l1 = [2, 4, 6, 1]
l2 = [10, 4, 100, 29]

# 天真的你就想直接相乘了,但列表没有这个功能 
l1 * l2

"""
---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-19-ec7519df584c> in <module>
----> 1 l1 * l2
TypeError: can't multiply sequence by non-int of type 'list'
"""

# 只能通过for循环进行
count = 0
for i in range(len(l1)):
    count += l1[i] * l2[i]
    
print(count)

665

但是通过numpy就可以实现数组相乘

import numpy as np

a1 = np.array(l1)
a2 = np.array(l2)
print(a1)
print(a2)

[2 4 6 1]
[ 10   4 100  29]

np.sum(a1*a2)   # 向量运算

665

创建numpy数组

numpy数组即numpy的ndarray对象，创建numpy数组就是把一个列表传入np.array()方法。

# 创建一维数组

arr = np.array([1,4,2])
arr

array([1, 4, 2])

# 创建二维数组

arr= np.array([[1, 2, 3], [4, 5, 6]])
arr

array([[1, 2, 3],
       [4, 5, 6]])

# 创建三维的ndarray对象
print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))

[[1 2 3]
 [4 5 6]
 [7 8 9]]

numpy数组的常用属性

arr = np.array([[1, 3, 5], [2, 4, 6]])
arr

array([[1, 3, 5],
       [2, 4, 6]])

arr.T  # 转置

array([[1, 2],
       [3, 4],
       [5, 6]])

arr.dtype  # 查看arr的数据类型

dtype('int32')

arr.size  # 查看数组元素的个数

6

arr.ndim  # 查看数组的维度

2

arr.shape  # 查看数组的维度大小

(2, 3)

nump数组的数据类型

整型:

• int32只能表示(-2^31, 2^31-1),因为他只有32位,只能表示2^32个数

无符号整型:

• 只能用来存正数,不能用来存负数

补充:

• astype()方法可以修改数组的数据类型

ndarray的创建方法

array()

arr = np.array([1,2,3])
arr

array([1, 2, 3])

arange()

1. 构建0-9的ndarray数组
2. 构建1-5的ndarray数组
3. 构造1-19且步长为2的ndarray数组

print(np.arange(10))

[0 1 2 3 4 5 6 7 8 9]

print(np.arange(1,5))

[1 2 3 4]

print(np.arange(1,19,2))

[ 1  3  5  7  9 11 13 15 17]

linespace/logspace

• linespace: 构造一个等差数列,取头也取尾
• logspace: 构造一个等比数列

练习:

1. 构造一个等差数列，取头也取尾，从0取到20，取5个数
2. 构造一个等比数列，从10**0取到10**20，取5个数

print(np.linspace(0,20,5))

[ 0.  5. 10. 15. 20.]

print(np.logspace(0,20,5))

[1.e+00 1.e+05 1.e+10 1.e+15 1.e+20]

zeros/ones/eye/empty

1. 构造3*4的全0 numpy数组
2. 构造3*4的全1 numpy数组
3. 构造3个主元的单位numpy数组
4. 构造一个4*4的随机numpy数组，里面的元素是随机生成的

print(np.zeros((3,4),dtype=float))

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

print(np.ones((3,4), dtype=int))

[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

print(np.eye(3))

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

print(np.empty((4,4)))

[[6.23042070e-307 1.89146896e-307 1.37961302e-306 1.05699242e-307]
 [8.01097889e-307 1.78020169e-306 7.56601165e-307 1.02359984e-306]
 [1.33510679e-306 2.22522597e-306 1.60220393e-306 1.60219170e-306]
 [1.86921143e-306 1.11261434e-306 2.22522596e-306 0.00000000e+000]]

reshape

arr = np.ones((2, 2), dtype=int)
arr

array([[1, 1],
       [1, 1]])

arr.reshape(4,1)

array([[1],
       [1],
       [1],
       [1]])

numpy索引和切片

切分numpy数组类似于列表的切割，但是与列表的切割不同的是，numpy数组的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。

arr = np.array([i for i in range(1,49)]).reshape(6,8)
arr

array([[ 1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16],
       [17, 18, 19, 20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29, 30, 31, 32],
       [33, 34, 35, 36, 37, 38, 39, 40],
       [41, 42, 43, 44, 45, 46, 47, 48]])

# 取出所有元素
print(arr[:,:])

[[ 1  2  3  4  5  6  7  8]
 [ 9 10 11 12 13 14 15 16]
 [17 18 19 20 21 22 23 24]
 [25 26 27 28 29 30 31 32]
 [33 34 35 36 37 38 39 40]
 [41 42 43 44 45 46 47 48]]

# 取出第2-4行的所有元素
print(arr[1:4,:])

[[ 9 10 11 12 13 14 15 16]
 [17 18 19 20 21 22 23 24]
 [25 26 27 28 29 30 31 32]]

# 取出第1-3列的数据
print(arr[:,:3])

[[ 1  2  3]
 [ 9 10 11]
 [17 18 19]
 [25 26 27]
 [33 34 35]
 [41 42 43]]

# 取出第一列的前三个元素
print(arr[(0,1,2),0])

[ 1  9 17]

# 取出第三行后3个元素
print(arr[2,(-3,-2,-1)])

[22 23 24]

# 取出大于20的元素, 返回一个数组
print(arr[arr > 20])

[21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
 45 46 47 48]

# numpy数组按运算符取元素的原理，即通过arr > 20生成一个布尔numpy数组
print(arr > 20)

[[False False False False False False False False]
 [False False False False False False False False]
 [False False False False  True  True  True  True]
 [ True  True  True  True  True  True  True  True]
 [ True  True  True  True  True  True  True  True]
 [ True  True  True  True  True  True  True  True]]

numpy数组元素替换

numpy数组元素的替换，类似于列表元素的替换，并且numpy数组也是一个可变类型的数据，即如果对numpy数组进行替换操作，会修改原numpy数组的元素，所以下面我们用.copy()方法举例numpy数组元素的替换

arr

array([[ 1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16],
       [17, 18, 19, 20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29, 30, 31, 32],
       [33, 34, 35, 36, 37, 38, 39, 40],
       [41, 42, 43, 44, 45, 46, 47, 48]])

# 取第一行的所有元素，并且让第一行的元素都为0
arr1 = arr.copy()
arr1[0, :] = 0
arr1

array([[ 0,  0,  0,  0,  0,  0,  0,  0],
       [ 9, 10, 11, 12, 13, 14, 15, 16],
       [17, 18, 19, 20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29, 30, 31, 32],
       [33, 34, 35, 36, 37, 38, 39, 40],
       [41, 42, 43, 44, 45, 46, 47, 48]])

# 取所有被5整除的元素，并且赋值为0

arr2 = arr.copy()
arr2[arr2 % 5 == 0] = 0
print(arr2)

[[ 1  2  3  4  0  6  7  8]
 [ 9  0 11 12 13 14  0 16]
 [17 18 19  0 21 22 23 24]
 [ 0 26 27 28 29  0 31 32]
 [33 34  0 36 37 38 39  0]
 [41 42 43 44  0 46 47 48]]

# 对numpy数组清零
arr2[:,:] = 0
print(arr2)

[[0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0]]

numpy数组的合并

• hstack((arr1, arr2,...)): 合并ndarray数组的行, 此时要求合并的数据要有相同的行, 其中hstack的h表示horizontal水平的
• vstack((arr1, arr2,...)): 合并ndarray数组的列, 此时要求合并的数据要有相同的列,其中vstack的v表示vertical垂直的
• concatenate((arr1, arr2,...), axis): 合并两个numpy数组，其中axis=1表示合并两个numpy数组的行, axis=0表示合并两个numpy数组的列

arr1 = np.array([i for i in range(1,7)]).reshape(3,2)
arr1

array([[1, 2],
       [3, 4],
       [5, 6]])

arr2 = np.array([i for i in range(7,13)]).reshape(3,2)
arr2

array([[ 7,  8],
       [ 9, 10],
       [11, 12]])

# 合并三个numpy数组的行
print(np.hstack((arr1, arr2, arr1)))
print('*'*50)
print(np.concatenate((arr1,arr2,arr1), axis=1))

[[ 1  2  7  8  1  2]
 [ 3  4  9 10  3  4]
 [ 5  6 11 12  5  6]]
**************************************************
[[ 1  2  7  8  1  2]
 [ 3  4  9 10  3  4]
 [ 5  6 11 12  5  6]]

# 合并两个数组的列
print(np.vstack((arr2,arr1)))
print('*'*50)
print(np.concatenate((arr2,arr1), axis=0))

[[ 7  8]
 [ 9 10]
 [11 12]
 [ 1  2]
 [ 3  4]
 [ 5  6]]
**************************************************
[[ 7  8]
 [ 9 10]
 [11 12]
 [ 1  2]
 [ 3  4]
 [ 5  6]]

numpy数组的运算

arr1

array([[1, 2],
       [3, 4],
       [5, 6]])

arr2

array([[ 7,  8],
       [ 9, 10],
       [11, 12]])

arr1 + arr2

array([[ 8, 10],
       [12, 14],
       [16, 18]])

arr1 * arr2

array([[ 7, 16],
       [27, 40],
       [55, 72]])

arr1 * 3

array([[ 3,  6],
       [ 9, 12],
       [15, 18]])

arr2 ** 2

array([[ 49,  64],
       [ 81, 100],
       [121, 144]], dtype=int32)

numpy数组运算函数

• 一元函数

• 二元函数

补充:

1. 浮点数的特殊值
   • nan(Not a Number): 不等于任何浮点数（nan != nan）
   • inf(infinity):比任何浮点数都大

数学统计方法

随机数

随机数生成函数在np.random的子包当中

numpy模块

原文：https://www.cnblogs.com/Hades123/p/11734036.html