科学计算Python库：Numpy入门

目录

• 前言
• 安装
• 导入
• 创建numpy数组
  *
• 1、转换 （Python列表和元组）
• 2、 NumPy 内置创建函数
  –
  • arange
  • zeros
  • ones
  • random
  • linspace
  • eye
• 3、原有数组操作
• 4、外部数据读取
• 常用函数
• 常用常量
• 数组维度（形状）编辑
  *
• 1、数组重塑
• 2、添加轴
• 3、多维转一维
• 4、矩阵转置
• 索引/切片
  *
• 1、基本索引
• 2、高级索引
  –
  • 整数数组索引
  • 布尔数组索引
• 筛选
  *
• 1、逻辑筛选
• 2、where筛选
• 3、去除重复值
• 排序
  *
• 反转顺序
• 迭代
• 运算
  *
• 1、基础运算
  –
  • 加
  • 减
  • 元素相乘
  • 矩阵相乘
• 2、高级运算
• 3、数学处理函数
• 组合连接
• 拆分
• 数组并集、交集、差集
• Axis轴的个人理解

前言

NumPy 是 Python 中科学计算的基础包。它是一个 Python 库，提供多维数组对象、各种派生对象（例如掩码数组和矩阵）以及用于对数组进行快速操作的各种例程，包括数学、逻辑、形状操作、排序、选择、I/O 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。科学计算离不开numpy，学习数据分析必先学numpy！！！
本文由浅入深，对numpy进行入门介绍。讲解了创建数组、索引数组、运算等使用。

放一个官方文档：Numpy官方文档

安装

pip install numpy

导入

import numpy as np

创建numpy数组

numpy数组叫 ndarray
创建数组总结为四类

1、转换 （Python列表和元组）

a = np.array([2, 3, 4])

2、 NumPy 内置创建函数

（ arange、zeros、ones 、random、linspace、eye）

arange

a = np.arange(6)
print(a)

b = np.arange(12).reshape(4, 3)
print(b)
'''
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
 '''

c = np.arange(24).reshape(2, 3, 4)
print(c)
'''
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
  '''

zeros

np.zeros((3, 4))
'''
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
       '''

ones

np.ones((2, 3, 4), dtype=np.int16)
'''
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int16)
        '''

random

random创建数组：

关于numpy的random使用请看我的另一篇文章Numpy教程：Numpy.random使用（新）

np.random.random((3,2))

np.random.permutation(data)

linspace

numpy.linspace(start=, stop=, num=50, axis=0)

np.linspace(2.0, 3.0, num=5)

eye

eye可以创建E
numpy.eye(N, M=None, k=0, dtype=

np.eye(2, dtype=int)
array([[1, 0],
       [0, 1]])

3、原有数组操作

ndarray.reshape()

4、外部数据读取

numpy.read_csv()
numpy.load()

常用函数

ndarray.ndim

ndarray.shape

ndarray.size

ndarray.dtype

ndarray.itemsize

ndarray.reshape()

常用常量

numpy.inf

numpy.NINF

numpy.e

numpy.pi

numpy.nan

数组维度（形状）编辑

1、数组重塑

a = np.array([1, 2, 3, 4, 5, 6])
b=a.reshape((2,3))

a.resize((2,3))

小技巧：如果想自动推导shape形状，可以使用-1值占个位，计算机会自动处理
a = np.arange(30)
b =a.reshape((2, -1, 3)) # -1 means “whatever is needed”
b.shape # (2, 5,3)

2、添加轴

a = np.array([1, 2, 3, 4, 5, 6])
b = np.expand_dims(a, axis=1)
print(b.shape)

3、多维转一维

ndarray.ravel()
ndarray.flatten()

4、矩阵转置

ndarray.transpose()
ndarray.T

索引/切片

1、基本索引

ndarray可以像python列表一样被索引

s=np.array([1,2,3,4,5])
print(s)

print(s[2])

print(s[:2])

s=np.array([1,2,3,4]).reshape((2,2))
print(s)
'''
array([[1, 2],
       [3, 4]])
       '''
print(s[1,0])

注意1：对多维数组使用”方括号加逗号”的索引只能用于numpy数组， 对python列表只能使用”多个方括号”分步索引
注意2：使用切片时（ : ），要注意以下情况

>>> a=np.arange(4).reshape(2,2)
>>> a
array([[0, 1],
       [2, 3]])
>>> a[0:2,0]
array([0, 2])
>>> a[0:2][0]
array([0, 1])

2、高级索引

想用数组索引，数组必须是一维的，这是前提

整数数组索引

y = np.arange(35).reshape(5, 7)
y

'''
array([[ 0,  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]])'''
y[np.array([0, 2, 4]), np.array([0, 1, 2])]

布尔数组索引

x = np.array([[0, 1], [1, 1], [2, 2]])
rowsum = x.sum(-1)
x[rowsum  2, :]

'''
array([[0, 1],
       [1, 1]])
       '''

筛选

1、逻辑筛选

2、where筛选

numpy.where(condition, [x, y, ])

>>> a=np.arange(4)
>>> np.where(a<2)
(array([0, 1], dtype=int64),)

>>> a=np.arange(4)
>>> np.where(a<2,a,a*2)
array([0, 1, 4, 6])

3、去除重复值

>>> a=np.array([1,4,1,5,6,7,4])
>>> np.unique(a)
array([1, 4, 5, 6, 7])

>>> unique_values, occurrence_count = np.unique(a, return_counts=True)
>>> unique_values
array([1, 4, 5, 6, 7])
>>> occurrence_count
array([2, 2, 1, 1, 1], dtype=int64)

排序

反转顺序

np.flip()

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
np.flip(arr)

arr_2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
np.flip(arr_2d)

    '''[[12 11 10  9]
     [ 8  7  6  5]
     [ 4  3  2  1]]'''
np.flip(arr_2d, axis=0)

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

迭代

>>> a=np.arange(4).reshape((2,2))
>>> for i in a:
...  print(i)
...

[0 1]
[2 3]

如果想遍历所有元素，可以把多维数组平铺成一维数组遍历

>>> a=np.arange(4).reshape((2,2))
>>> for i in a.flat:
...  print(i)
...

0
1
2
3

运算

1、基础运算

数组的运算可以是形状相同的运算，也可以是多维数组与一维数组运算。

加

+

减

-

元素相乘

*

矩阵相乘

@

.dot()

广播规则
对不同大小的矩阵进行这些算术运算，但前提是得有一个轴的形状是一样的。在这种情况下，NumPy 将使用其广播规则进行操作。其实就是把少的形状的数组复制成多的形状的数组，再运算。

>>> data = np.array([[1, 2], [3, 4], [5, 6]])
>>> ones_row = np.array([[1, 1]])
>>> data + ones_row
array([[2, 3],
       [4, 5],
       [6, 7]])

2、高级运算

对于多维数组，基础运算已经不能满足使用，以下介绍的都是可以添加参数axis的函数方法。

ndarray.sum()

ndarray.min()

ndarray.max()

ndarray.cumsum()

注意：如果不加axis参数，函数会把多维数组全部拆成一维的，再计算。加上axis参数并赋值，会返回指定轴方向的数组。

3、数学处理函数

numpy.exp(array_like)

numpy.sqrt(array_like)

numpy.floor(array_like)

numpy.around(array_like, decimals=0, out=None)

numpy.ceil(array_like)

numpy.transpose(a, axes=None)[source]

组合连接

np.vstack((na1,na2))

np.hstack((na1,na2))

np.stack((na1,na2))

拆分

numpy.split(ary, indices_or_sections, axis=0)

解释： indices_or_sections可以为整数也可以是一维数组
是整数时，数字是数组划分的数量
是一维数组时，一维数组代表的是划分数组的位置

数组并集、交集、差集

注意：以下讲的都是针对 一维数组操作的。

如果有两个一维数组，想取出这两个数组都有的数，那么可以使用数据交集函数： np.intersect1d(array1,array2)
如果想返回这两个多有的值，但是重复的不要再加一遍了，可以使用数组并集操作： np.union1d(array1,array2)
如果想返回一个数组中另一个数组没有的，可以使用差集操作： np.setdiff1d(array1,array2)

import numpy as np

union=np.union1d(array1,array2)

inter=np.intersect1d(array1,array2)

diff=np.setdiff1d(array1,array2)
diff=np.setdiff1d(array2,array1)

Axis轴的个人理解

网上有人把axis=0理解为行，axis=1理解为列；这个只能用于理解二维数组，但是科学计算中，需要处理三维甚至多维的数组，”行列解释”无能为力。下面我将从”方括号解释”来解释一下axis的意思，这可以适用于多维数组。

轴（axis）其实可以理解为方括号”[]”，有几个方括号就有几个轴，数轴的顺序是从外往里数的，最外面的方括号是第一个轴（axis=0），次外面的是第二个轴（axis=1）。比如说下面的就是两个轴：

传入的shape为 (3,2);意思是第一个轴就是3个，第二个轴就是2个。用”方括号解释”就是第一个括号里的元素有三个，先不管这个元素是什么玩意、多少东西，反正第一个括号就三个元素；然后看第二个参数是2，就是说刚才那个元素有个括号，里面有2个元素，因为没有指定dtype，默认是float64浮点值。

Original: https://blog.csdn.net/Crayonxin2000/article/details/122848946
Author: Crayon鑫
Title: 科学计算Python库：Numpy入门