Numpy简介

numpy

[TOC]

简介

标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。

NumPy的诞生弥补了这些不足，NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray(下文统一称之为数组)是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数

包导入

import numpy as np

ndarray对象

ndarray对象是一个同质的多维数组，其中存储相同数据类型，以整数进行索引的内容。
以下是该对象具有的属性：

ndarray.ndim: 对象的维度数
ndarray.shape：每个维度的深度
ndarray.size : 数组中总的元素数
ndarray.dtype ：数组中元素的类型
ndarray.itemsize: 数组元素的字节大小，比如说某一个元素是几个字节的。

常用的函数

创建

我们可以通过给array函数传递Python的序列对象创建数组，如果传递的是多层嵌套的序列，将创建多维数组(下例中的变量c)
python中的序列对象包括了：列表，元素

 np.array([1.2, 3.5, 5.1])
 np.array(1,2,3,4)    # WRONG
np.array([(1.5,2,3), (4,5,6)]
np.array( [ [1,2], [3,4] ], dtype=complex )

其中第二项是经常犯的错误，直接使用多个数值调用array。数据类型是从序列对象中的元素推倒而来。

创建大小已知，元素值初始化的ndarray.

np.zeros( (3,4) )  # 维度为（3，4）的数组，初始化为0
np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
np.empty( (2,3) ) #未初始化的， 输出变化可能非常的大
np.arange( 10, 30, 5 ) #创建序列化的元素，参数：开始(默认0)，结束，步长(默认1)
np.arange( 0, 2, 0.3 ) #array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])
np.linspace( 0, 2, 9 )  #创建固定个数的元素 9 numbers from 0 to 2

创建之后的序列，我们可以使用reshape对数组的维度进行修改

x=np.linspace( 0, 2, 9 )
x.reshape(3,3)  #改变数组的维度

下面是剩下的一些函数：

numpy.random.rand(d0, d1, ..., dn) #在指定的维度，随机的生成元素值,返回[0,1)的均匀分布
numpy.random.randn(d0, d1, ..., dn)#返回指定维度数量标准正态分布样本
sigma * np.random.randn(...) + mu  #生成其他的正态分布
umpy.fromfunction(function, shape, **kwargs)[source]¶
numpy.fromfile #从文件中生成，需要与其他的函数一起使用

参考：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

打印

打印的规则如下：

>>> c = np.arange(24).reshape(2,3,4)         # 3d array
>>> 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]]]

基本操作

应用到数组中的基本操作是elementwise的。结果返回的是一个新的数组。

>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])

*操作符是elementwise的， numpy中的矩阵乘法是用dot
+=, *= 运算符原地修改现有的多维数组

a=np.ones((3,3),dtype=int)
a*=3
>>> a
array([[3, 3, 3],
       [3, 3, 3]])

许多基本操作都是直接应用到ndarray类上面的，例如：

>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021,  0.34556073,  0.39676747],
       [ 0.53881673,  0.41919451,  0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.6852195003967595

默认的情况下，这些操作是价格ndarray当作list,而不管维度信息，不过你可以指定axis参数进行更细粒度的计算。

>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>>
>>> b.sum(axis=0)                            # sum of each column
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1)                            # min of each row
array([0, 4, 8])

array的维度信息：

全局的函数
numpy提共了一些全局的函数
索引，切片
维度操作
堆叠不同的数组
不同的数组可以沿着不同的维度堆叠起来。

>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 8.,  8.],
       [ 0.,  0.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 1.,  8.],
       [ 0.,  4.]])
>>> np.vstack((a,b))
array([[ 8.,  8.],
       [ 0.,  0.],
       [ 1.,  8.],
       [ 0.,  4.]])
>>> np.hstack((a,b))
array([[ 8.,  8.,  1.,  8.],
       [ 0.,  0.,  0.,  4.]])