Numpy 小結

Python 真火來學習一下，先來看一個庫 NumPy。NumPy是Python語言的一個擴充程序庫。支持高級大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。

1. 讀取文件

numpy.genfromtxt() 用於讀取 txt 文件，其中傳入的參數依次爲：

1. 須要讀取的 txt 文件位置，此處文件與程序位於同一目錄下
2. 分割的標記
3. 轉換類型，若是文件中既有文本類型也有數字類型，就先轉成文本類型

help(numpy.genfromtxt)用於查看幫助文檔：
若是不想看 API 能夠啓動一個程序用 help 查看指令的詳細用法

import numpy

world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)
print(type(world_alcohol))
print(world_alcohol)
print(help(numpy.genfromtxt))

2. 構造 ndarray

numpy.array()構造 ndarray

numpy.array()中傳入數組參數，能夠是一維的也能夠是二維三維的。numpy 會將其轉變成 ndarray 的結構。

vector = numpy.array([1,2,3,4])
matrix = numpy.array([[1,2,3],[4,5,6]])

傳入的參數必須是同一結構,不是同一結構將發生轉換。

vector = numpy.array([1,2,3,4])

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

均爲 int 類型

vector = numpy.array([1,2,3,4.0])

array([ 1.,  2.,  3.,  4.])

轉爲浮點數類型

vector = numpy.array([1,2,'3',4])

array(['1', '2', '3', '4'],dtype='<U21')

轉爲字符類型

利用 .shape 查看結構

可以瞭解 array 的結構，debug 時經過查看結構可以更好地瞭解程序運行的過程。

print(vector.shape)
print(matrix.shape)
(4,)
(2, 3)

利用 dtype 查看類型

vector = numpy.array([1,2,3,4])
vector.dtype

dtype('int64')

ndim 查看維度

一維

vector = numpy.array([1,2,3,4])
vector.ndim

1

二維

matrix = numpy.array([[1,2,3],
                      [4,5,6],
                     [7,8,9]])
matrix.ndim

2

size 查看元素數量

matrix.size
9

3. 獲取與計算

numpy 能使用切片獲取數據

matrix = numpy.array([[1,2,3],
                      [4,5,6],
                     [7,8,9]])

根據條件獲取

numpy 可以依次比較 vector 和元素之間是否相同

vector = numpy.array([5, 10, 15, 20])
vector == 10

array([False,  True, False, False], dtype=bool)

根據返回值獲取元素

vector = numpy.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])

[False  True False False]
[10]

進行運算以後獲取

vector = numpy.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)

vector = numpy.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)

類型轉換

將總體類型進行轉換

vector = numpy.array([5, 10, 15, 20])
print(vector.dtype)
vector = vector.astype(str)
print(vector.dtype)

int64
<U21

求和

sum() 可以對 ndarray 進行各類求和操做，好比分別按行按列進行求和

matrix = numpy.array([[1,2,3],
                      [4,5,6],
                     [7,8,9]])
print(matrix.sum())
print(matrix.sum(1))
print(matrix.sum(0))

45
[ 6 15 24]
[12 15 18]

sum(1) 是 sum(axis=1)) 的縮寫，1表示按照 x軸方向求和，0表示按照y軸方向求和

4. 經常使用函數

reshape

生成從 0-14 的 15 個數字，使用 reshape(3,5) 將其構形成一個三行五列的 array。

import numpy as np
arr = np.arange(15).reshape(3, 5)
arr

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

zeros

生成指定結構的默認爲 0. 的 array

np.zeros ((3,4))

array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

ones

生成一個三維的 array,經過 dtype 指定類型

np.ones( (2,3,4), dtype=np.int32 )

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]]])

range

指定範圍和數值間的間隔生成 array，注意範圍包左不包右

np.arange(0,10,2)

array([0, 2, 4, 6, 8])

random 隨機數

生成指定結構的隨機數，能夠用於生成隨機權重

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

array([[ 0.86166627,  0.37756207,  0.94265883],
       [ 0.9768257 ,  0.96915312,  0.33495431]])

5. ndarray 運算

元素之間依次相減相減

a = np.array([10,20,30,40])
b = np.array(4)

a - b
array([ 6, 16, 26, 36])

乘方

a**2
array([ 100,  400,  900, 1600])

開根號

np.sqrt(B)

array([[ 1.41421356,  0.        ],
       [ 1.73205081,  2.        ]])

e 求方

np.exp(B)

array([[  7.3890561 ,   1.        ],
       [ 20.08553692,  54.59815003]])

向下取整

a = np.floor(10*np.random.random((2,2)))
a

array([[ 0.,  0.],
       [ 3.,  6.]])

行列變換

a.T

array([[ 0.,  3.],
       [ 0.,  6.]])

變換結構

a.resize(1,4)
a

array([[ 0.,  0.,  3.,  6.]])

6. 矩陣運算

矩陣之間的運算

A = np.array( [[1,1],
               [0,1]] )
B = np.array( [[2,0],
               [3,4]] )

對應位置一次相乘

A*B

array([[2, 0],
       [0, 4]])

矩陣乘法

print (A.dot(B))
print(np.dot(A,B))

[[5 4]
 [3 4]]

橫向相加

a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))

print(a)
print(b)
print(np.hstack((a,b)))

[[ 2.  3.]
 [ 9.  3.]]
[[ 8.  1.]
 [ 0.  0.]]
[[ 2.  3.  8.  1.]
 [ 9.  3.  0.  0.]]

縱向相加

print(np.vstack((a,b)))

[[ 2.  3.]
 [ 9.  3.]
 [ 8.  1.]
 [ 0.  0.]]

矩陣分割

#橫向分割
print( np.hsplit(a,3))
#縱向風格
print(np.vsplit(a,3))

7. 複製的區別

地址複製

經過 b = a 複製 a 的值，b 與 a 指向同一地址，改變 b 同時也改變 a。

a = np.arange(12)
b = a
print(a is b)

print(a.shape)
print(b.shape)
b.shape = (3,4)
print(a.shape)
print(b.shape)

True
(12,)
(12,)
(3, 4)
(3, 4)

複製值

經過 a.view() 僅複製值，當對 c 值進行改變會改變 a 的對應的值，而改變 c 的 shape 不改變 a 的 shape

a = np.arange(12)
c = a.view()
print(c is a)

c.shape = 2,6
c[0,0] = 9999

print(a)
print(c)

False
[9999    1    2    3    4    5    6    7    8    9   10   11]
[[9999    1    2    3    4    5]
 [   6    7    8    9   10   11]]

完整拷貝

a.copy() 進行的完整的拷貝，產生一份徹底相同的獨立的複製

a = np.arange(12)
c = a.copy()
print(c is a)

c.shape = 2,6
c[0,0] = 9999

print(a)
print(c)

False
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[9999    1    2    3    4    5]
 [   6    7    8    9   10   11]]