numpy模塊

時間 2019-12-09

標籤 numpy 模塊简体版

原文原文鏈接

Numpy是Python中用於科學計算的核心庫。它提供了一個高性能的多維數組對象，以及處理這些數組的工具。html

一、數組

numpy數組是由相同類型的值組成的網格，並由一組非負整數進行索引。維數爲數組的秩;數組的形狀是一個整數元組，它給出了數組在每一個維度上的大小。數組

從列表建立數組

 1 import numpy as np
 2 
 3 a = np.array([1, 2, 3])   # 經過列表建立一個一維數組
 4 print(type(a))            # 輸出 "<class 'numpy.ndarray'>"
 5 print(a.shape)            # 輸出 "(3,)"
 6 print(a[0], a[1], a[2])   # 輸出 "1 2 3"
 7 a[0] = 5                  # 改變數組中的一個元素
 8 print(a)                  # 輸出 "[5, 2, 3]"
 9 
10 b = np.array([[1,2,3],[4,5,6]])    # 經過列表建立一個二維數組
11 print(b.shape)                     # 輸出 "(2, 3)"
12 print(b[0, 0], b[0, 1], b[1, 0])   # 輸出 "1 2 4"

經過函數建立數組

 1 import numpy as np
 2 
 3 a = np.zeros((2,2))   # 建立元素全爲0的數組
 4 print(a)              # 輸出 "[[ 0.  0.]
 5                       #          [ 0.  0.]]"
 6 
 7 b = np.ones((1,2))    # 建立元素全爲1的數組
 8 print(b)              # 輸出 "[[ 1.  1.]]"
 9 
10 c = np.full((2,2), 7)  # 建立一個常數數組
11 print(c)               # 數組 "[[ 7.  7.]
12                        #          [ 7.  7.]]"
13 
14 d = np.eye(2)         # 建立一個2*2的單位矩陣
15 print(d)              # 輸出 "[[ 1.  0.]
16                       #          [ 0.  1.]]"
17 
18 e = np.random.random((2,2))  # 建立一個隨機矩陣
19 print(e)                     # 輸出 "[[ 0.91940167  0.08143941]
20                              #               [ 0.68744134  0.87236687]]"

二、數組索引

切片

使用切片獲得的數組與原來的數組維數相同dom

1 import numpy as np
2 
3 a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
4 
5 b = a[:2,1:3]
6 
7 print(a[0,1]) #輸出結果爲2
8 b[0,0] = 77
9 print(a[0,1]) #輸出結果爲77

也能夠混合整數索引與切片，但這樣會獲得一個比原來數組維數低的數組ide

 1 import numpy as np
 2 
 3 a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
 4 
 5 row_1 = a[1,:]
 6 row_2 = a[1:2,:]
 7 print(row_1,row_1.shape) #輸出爲[5，6，7，8] （4，）
 8 print(row_2,row_2.shape) #輸出爲[[5，6，7，8]] （1，4）
 9 
10 col_1 = a[:,1]
11 col_2 = a[:,1:2]
12 print(col_1,col_1.shape) #輸出爲[2,6,10] (3,)
13 print(col_2,col_2.shape) #輸出爲[[2]
14                          #       [6]
15                          #       [10]] (3,1)

整數索引

1 import numpy as np
2 
3 a = np.array([[1,2],[3,4],[5,6]])
4 
5 print(a[[0,1,2],[0,1,0]]) #索引數組的0,0 1,1 2,0元素，與下面的索引等價
6 print(np.array([a[0,0],a[1,1],a[2,0]]))

除此以外，整數索引能夠用來實以下功能：對矩陣中的某些特定元素實現計算，如：函數

 1 import numpy as np
 2 
 3 a = np.array([[1,2,3],[4,5,6],[7,8,9]]) #[[1,2,3]
 4                                         # [4,5,6]
 5                                         # [7,8,9]]
 6 #建立索引
 7 b = [0,1,2]
 8 
 9 print(a[np.arange(3),b])
10 
11 #實現數組中特定元素的計算
12 a[np.arange(3),b] += 10
13 print(a)
14 
15 #輸出結果爲
16 # [[11  2  3]
17 #  [ 4 15  6]
18 #  [ 7  8 19]]

布爾索引

一般這類索引用於選取某些符合特定條件的數組元素工具

 1 import numpy as np
 2 
 3 a = np.array([[1,2], [3, 4], [5, 6]])
 4 
 5 bool_idx = (a > 2)   # Find the elements of a that are bigger than 2;
 6                      # this returns a numpy array of Booleans of the same
 7                      # shape as a, where each slot of bool_idx tells
 8                      # whether that element of a is > 2.
 9 
10 print(bool_idx)      # Prints "[[False False]
11                      #          [ True  True]
12                      #          [ True  True]]"
13 
14 # We use boolean array indexing to construct a rank 1 array
15 # consisting of the elements of a corresponding to the True values
16 # of bool_idx
17 print(a[bool_idx])  # Prints "[3 4 5 6]"
18 
19 # We can do all of the above in a single concise statement:
20 print(a[a > 2])     # Prints "[3 4 5 6]"

三、數據類型

經過arr.dtype能夠查看數組的數據類型，也能夠在建立數組的時候，經過dtype參數來指定數據的類型，如：性能

1 import numpy as np
2 
3 a = np.array([1.,2,3],dtype = np.float32)
4 print(a.dtype)

四、數組的數學運算

 1 import numpy as np
 2 
 3 x = np.array([[1,2],[3,4]],dtype = np.float64)
 4 y = np.array([[5,6],[7,8]],dtype = np.float64)
 5 
 6 #[[6.8 8.0]
 7 # [10.0 12.0]]
 8 #兩個輸出結果同樣
 9 print(x + y)
10 print(np.add(x,y))
11 
12 #[[-4.0 -4.0]
13 # [-4.0 -4.0]]
14 #兩個輸出結果同樣
15 print(x - y)
16 print(np.subtract(x,y))
17 
18 #[[5.0 12.0]
19 # [21.0 32.0]]
20 #兩個輸出結果同樣
21 print(x * y)
22 print(np.multiply(x,y))
23 
24 #[[0.2 0.33333333]
25 # [0.42857143 0.5]]
26 #兩個輸出結果同樣
27 print(x / y)
28 print(np.divide(x,y))
29 
30 #[[1. 1.41421356]
31 # [1.73205081 2.]]
32 print(np.sqrt(x))

 1 import numpy as np
 2 
 3 x = np.array([[1,2],[3,4]])
 4 y = np.array([[5,6],[7,8]])
 5 
 6 v = np.array([9,10])
 7 w = np.array([11,12])
 8 
 9 #向量的內積
10 #輸出結果均爲219
11 print(v.dot(w))
12 print(np.dot(v,w))
13 
14 #矩陣與向量的成乘積
15 #輸出結果均爲[29 67]
16 print(x.dot(v))
17 print(np.dot(x,v))
18 
19 #矩陣的內積
20 #輸出結果爲[[19 22]
21 #          [43 50]]
22 print(x.dot(y))
23 print(np.dot(x,y))

下面是一些數組計算的函數this

 1 import numpy as np
 2 
 3 x = np.array([[1,2],[3,4]])
 4 
 5 #計算全部元素的和
 6 print(np.sum(x))
 7 
 8 #計算每一列的和
 9 print(np.sum(x,axis=0))
10 
11 #計算每一行的和
12 print(np.sum(x,axis=1))

更多的函數說明：點擊這裏spa

對數組的數據進行轉置或者其餘操做：code

 1 import numpy as np
 2 
 3 x = np.array([[1,2],[3,4]])
 4 
 5 print(x)
 6 print(x.T)
 7 
 8 v = np.array([1,2,3])
 9 print(v)
10 print(v.T)

更多操做：點擊這裏

五、廣播

數組的加減乘除等運算都是對應元素之間的計算

當數組的形狀不同時，咱們能夠經過擴展數組來實現計算，這種機制叫作廣播

當運算的兩個數組形狀不相同，numpy自動觸發廣播機制

咱們常常會使用一個較小的數組，對一個較大的數組進行運算，這時廣播機制的做用就體現出來了

如：

 1 import numpy as np
 2 
 3 x = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
 4 v = np.array([1,0,1])
 5 
 6 y = x + v
 7 print(y)
 8 #輸出結果爲
 9 # [[ 2  2  4]
10 #  [ 5  5  7]
11 #  [ 8  8 10]
12 #  [11 11 13]]