【python学习第11节：numpy】,炮炮兵电脑主题

文件名：【python学习第11节：numpy】,炮炮兵电脑主题 【python学习第11节：numpy】

文章目录 一，numpy（上）1.1基础概念1.2数组的属性1.3数组创建1.4 类型转换1.5ndarry基础运算（上）矢量化运算1.6拷贝和视图1.6.1完全不复制1.6.2视图或浅拷贝1.6.3深拷贝 1.7索引，切片和迭代1.7.1一维数组1.7.2多维数组 1.8形状操作1.9布尔索引和花式索引1.10字符串索引1.11搜索匹配函数1.12排序

一，numpy（上） 1.1基础概念

Numpy的数组的类称为ndarray(非动态数组)，一但定义好了里面的内容可以变，但是长度不能变

1.2数组的属性

示例：

ndarray.ndim： 来获取数组的维度，维度的数量被称为rank

>>> import numpy as np>>> x = np.array([[1,2,3],[4,5,6]])>>> xarray([[1, 2, 3],[4, 5, 6]])>>> x.ndim2>>>

ndarray.shape：来获取数组的行数，列数。

>>> import numpy as np>>> x = np.array([[1,2,3],[4,5,6]])>>> xarray([[1, 2, 3],[4, 5, 6]])>>> x.shape(2, 3)>>>>>>> x = np.array([1])>>> x.shape(1,)>>> x = np.array([[1]])>>> x.shape(1, 1)

ndarray.size：来获取数组元素的总数，等于shape的元素的乘积

>>> import numpy as np>>>> x = np.array([[1,2,3],[4,5,6]])>>>> x.shape(2, 3)>>> x.size6

ndarray.dtype：来获取数组的数据类型，它返回一个描述数组元素类型的对

>>> import numpy as np>>> x = np.array([[1,2,3],[4,5,6]])>>> x.dtypedtype('int32')>>> x = np.array([[1.1,2,3],[4,5,6]])>>> x.dtype>>>dtype('float64')>>>

ndarray.itemsize：来获取数组中每个元素的字节大小（即每个元素占用的字节数）

>>> import numpy as np>>> x = np.array([[1,2,3],[4,5,6]])>>> x.itemsize4>>> x = np.array([[1.1,2,3],[4,5,6]])>>> x.itemsize8

ndarray.strides：来获取数组的步长，步长是描述在每个维度上移动一个元素所需的字节数

>>> import numpy as np>>> x = np.array([[1.1,2,3],[4,5,6]])>>> x.strides(24, 8)#一行3个元素，每个大小8字节>>> x = np.array([[1,2,3],[4,5,6]])>>> x.strides(12, 4)>>> 1.3数组创建

说明： 使用numpy.array使用array函数从常规python列表或元组中创建数组。

>>> import numpy as np>>> np.array([1,2,3])array([1, 2, 3])>>> np.array((1,2,3))array([1, 2, 3])>>>

数组的类型在创建的时候也可以明确指定

>>> import numpy as np>>>> a = np.array([[1,2,3],[2,5,6]],dtype = complex)>>> aarray([[1.+0.j, 2.+0.j, 3.+0.j],[2.+0.j, 5.+0.j, 6.+0.j]])>>>

numpy.zeros创建一个由0组成的数组

>>> import numpy as np>>> np.zeros((3,5))array([[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]])>>>

numpy.ones创建一个由1组成的数组

>>> import numpy as np>>> np.ones((3,5))array([[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.]])>>>

numpy.random提供了各种方法来生成不同分布的随机数数组

>>> import numpy as np>>> np.random.random((3,4))#数组中的每个数是0-1之间的array([[0.2192252 , 0.23184818, 0.53477907, 0.94434772],[0.93001715, 0.42585838, 0.41844402, 0.38080826],[0.9451442 , 0.55833465, 0.17982058, 0.77624287]])>>>

numpy.arange 用于创建一个等差数列的 NumPy 数组,返回的是一个数组而不是列表

numpy.arange([start]，stop, [step]，dtype=None) start（可选）：序列的起始值，默认为 0。 stop：序列的终止值（不包括在序列中）。 step（可选）：序列中的元素之间的步长，默认为 1。 dtype（可选）：生成数组的数据类型。如果未指定，则根据输入参数自动推断数据类型。

>>> import numpy as np>>> np.arange(10)array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> np.arange(2,10,3)array([2, 5, 8])>>>

numpy.linspace 用于创建一个等间距的线性数列的 NumPy 数组。

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) start：数列的起始值。 stop：数列的终止值。 num（可选）：生成数列的元素个数，默认为 50。 endpoint（可选）：如果为 True，则包含终止值；如果为 False，则不包含终止值。默认为 True。 retstep（可选）：如果为 True，则返回数列的间隔（步长）。 dtype（可选）：生成数组的数据类型。如果未指定，则根据输入参数自动推断数据类型。

>>> np.linspace(0,1,6)array([0. , 0.2, 0.4, 0.6, 0.8, 1. ])>>>

numpy.fromfunction从给定函数创建一个数组

import numpy as npdef f(x,y):return 2*x+ya = np.fromfunction(f,(4,4))print(a)#执行结果[[0. 1. 2. 3.][2. 3. 4. 5.][4. 5. 6. 7.][6. 7. 8. 9.]]

numpy.eye 用于创建一个单位矩阵 numpy.eye(N, M=None, k=0, dtype=float, order=‘C’) N：矩阵的行数（或数组的维度）。 M（可选）：矩阵的列数。如果未指定，则默认与行数 N 相等。 k（可选）：对角线的偏移量。默认为 0，表示主对角线。正值表示位于主对角线上方的对角线，负值表示位于主对角线下方的对角线。 dtype（可选）：生成数组的数据类型。 order（可选）：数组的存储顺序。可以是 ‘C’（按行存储）或 ‘F’（按列存储）。默认为 ‘C’。

>>> import numpy as np>>> np.eye(4)array([[1., 0., 0., 0.],[0., 1., 0., 0.],[0., 0., 1., 0.],[0., 0., 0., 1.]])>>> np.eye(4,k=1)array([[0., 1., 0., 0.],[0., 0., 1., 0.],[0., 0., 0., 1.],[0., 0., 0., 0.]])>>> np.eye(4,k=-1)array([[0., 0., 0., 0.],[1., 0., 0., 0.],[0., 1., 0., 0.],[0., 0., 1., 0.]])>>> 1.4 类型转换

numpy.astype可以实现类型转换（创建一个新的对象，原对象的类型不变）

>>> import numpy as np>>> a = np.array([1,2,3],dtype = float)>>> aarray([1., 2., 3.])>>> b = a.astype(int)>>> barray([1, 2, 3])>>> b.dtypedtype('int32')>>> a.dtypedtype('float64')>>>

矩阵之间的点乘

>>> a = np.floor(10*np.random.random((3,3)))>>> aarray([[3., 8., 8.],[8., 2., 7.],[1., 3., 7.]])>>> b = np.floor(10*np.random.random((3,3)))>>> barray([[5., 7., 1.],[9., 3., 7.],[1., 5., 8.]])>>> a.dot(b)array([[ 95., 85., 123.],[ 65., 97., 78.],[ 39., 51., 78.]])>>> 1.5ndarry基础运算（上）矢量化运算

矢量：既有大小，又有方向 标量：只有大小，没有方向

矢量与标量相乘

>>> import numpy as np>>> a = np.array([1,2,3])#创建一个1维的数组（向量）>>> b = a*2#b等于矢量*标量>>> aarray([1, 2, 3])>>> barray([2, 4, 6])#对矢量里面的每个值都跟标量乘一下，相当于‘广播’>>>

矢量与标量相加

>>> aarray([1, 2, 3])>>> a+2array([3, 4, 5])

矢量与矢量相加

>>> aarray([1, 2, 3])>>> b = a+2>>> barray([3, 4, 5])>>> a + barray([4, 6, 8])>>> aarray([1, 2, 3])>>> carray([1, 2])>>> a+cTraceback (most recent call last):File "<stdin>", line 1, in <module>ValueError: operands could not be broadcast together with shapes (3,) (2,)>>> c = np.array([1])>>> carray([1])>>> a+carray([2, 3, 4])>>>

矢量与矢量相乘

>>> aarray([1, 2, 3])>>> carray([1, 2, 5])>>> a*carray([ 1, 4, 15])array([1])>>> aarray([1, 2, 3])>>> a*carray([1, 2, 3])>>> c = np.array([1,2])>>> a*cTraceback (most recent call last):File "<stdin>", line 1, in <module>ValueError: operands could not be broadcast together with shapes (3,) (2,)>>>

广播规则： 1，维度数较少的数组会在其维度前面自动填充1，直到维度数与另一个数组相同。这样，两个数组的维度会匹配。

2，如果两个数组在某个维度上的大小相等，或者其中一个数组在该维度上的大小为1，那么这两个数组在该维度上是兼容的。

3，如果两个数组在所有维度上都兼容，即满足维度匹配的条件，那么它们可以进行广播。

4，在进行广播时，数组会沿着维度大小为1的维度进行复制，以使其与另一个数组具有相同的形状。

1.6拷贝和视图 1.6.1完全不复制

简单赋值不会创建数组对象或其数据的拷贝

>>> import numpy as np>>> a = np.arange(10)>>> aarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> b = a>>> barray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> b is aTrue>>> 1.6.2视图或浅拷贝

不同的数组对象可以共享相同的数据。view方法创建一个新数组对象，通过该对象可看到相同的数据

>>> import numpy as np>>> a = np.array([1,2,3,4])>>> aarray([1, 2, 3, 4])>>> b = a.view()>>> barray([1, 2, 3, 4])>>> b is aFalse>>> a[1]2>>> a[1] = 7>>> aarray([1, 7, 3, 4])>>> barray([1, 7, 3, 4])>>> a.flags.owndataTrue>>> b.flags.owndataFalse>>> 1.6.3深拷贝

copy方法生成数组及其数据的完整拷贝。

>>> b = a.copy()>>> barray([1, 2, 3, 4])>>> aarray([1, 2, 3, 4])>>> b is aFalse>>> b[1] = 13>>> barray([ 1, 13, 3, 4])>>> aarray([1, 2, 3, 4])>>> 1.7索引，切片和迭代 1.7.1一维数组

一维数组可以索引，切片和迭代，非常类似列表和其他Python序列。

1.7.2多维数组 import numpy as npdef f(x,y):return 2*x+ya = np.fromfunction(f,(4,4),dtype=int)'''[[0 1 2 3][2 3 4 5][4 5 6 7][6 7 8 9]]'''

得到某个具体行具体列元素的值

print(a[2][3])7#a中第2行3列元素的值

得到某一行的值

print(a[2])[4 5 6 7] #第二行的值print(a[1:3][1])[4 5 6 7]#在索引到的(1-2)行中的第一行(前面有一个第0行)print(a[1][1:3])[3 4]#索引的第一行中的(1-2)的元素print(a[-1])[6 7 8 9]#输出最后一行

得到某一列的值

print(a[:,1])[1 3 5 7]#第一列的值print(a[1:3,1])[3 5]#第一列中的(1-2)元素的值 1.8形状操作

先创建一个4*4的数组a，再变形（不会直接操作再原对象上，而是产生一个新对象）

import numpy as npdef f(x,y):return 2*x+ya = np.fromfunction(f,(4,4),dtype=int)print(a)'''[[0 1 2 3][2 3 4 5][4 5 6 7][6 7 8 9]]'''

变成1维

print(a.ravel()) [0 1 2 3 2 3 4 5 4 5 6 7 6 7 8 9]

重新指定形状，但是总数要不变

print(a.reshape(2,8)) #2*8 == 4*4[[0 1 2 3 2 3 4 5][4 5 6 7 6 7 8 9]]

转置

print(a.T)[[0 2 4 6][1 3 5 7][2 4 6 8][3 5 7 9]]

轴交换 第一个维度表示两个二维子数组的索引，第二个维度表示每个二维子数组中的行索引，第三个维度表示每个二维子数组中的列索引。第一个维度表示两个二维子数组的索引，第二个维度表示每个二维子数组中的行索引，第三个维度表示每个二维子数组中的列索引。 [2 3]的前两个索引是（0，1） [4 5]的前两个索引是（1，0） 交换完后就是输出的结果

import numpy as npa = np.arange(8).reshape(2,2,2)print(a)[[[0 1][2 3]][[4 5][6 7]]]m = a.swapaxes(0,1) #将第一个轴和第二个轴交换m[y][z][k] = k[x][y][z]print(m)[[[0 1][4 5]][[2 3][6 7]]]

1的三个轴是（0，0，1）轴0和轴2交换之后是（1，0，0） 4的三个轴是（1，0，0）轴0和轴2交换之后是（0，0，1） 所以1和4交换了位置，其他的类似

print(a)[[[0 1][2 3]][[4 5][6 7]]]m = a.swapaxes(0,2) print(m)[[[0 4][2 6]][[1 5][3 7]]]

垂直拼装两个数组 首先列数肯定得相同

>>> import numpy as np>>> a = np.floor(10*np.random.random((2,3))) #np.floor是向下取整的意思>>> aarray([[6., 4., 2.],[4., 7., 5.]])>>> b = np.floor(10*np.random.random((3,3)))>>> barray([[7., 1., 3.],[4., 5., 2.],[4., 2., 2.]])>>> np.vstack((a,b))array([[6., 4., 2.],[4., 7., 5.],[7., 1., 3.],[4., 5., 2.],[4., 2., 2.]])>>>

水平拼装两个数组

>>> import numpy as np>>> a = np.floor(10*np.random.random((2,3)))>>> aarray([[6., 4., 2.],[4., 7., 5.]])>>> b = np.floor(10*np.random.random((2,3)))>>> barray([[3., 9., 4.],[7., 2., 5.]])>>> np.hstack((a,b))array([[6., 4., 2., 3., 9., 4.],[4., 7., 5., 7., 2., 5.]])>>>

垂直切割数组

>>> a = np.floor(10*np.random.random((4,12)))>>> aarray([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.],[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.],[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.],[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])>>> np.hsplit(a,3)#垂直切三刀[array([[2., 1., 2., 7.],[0., 0., 1., 9.],[5., 0., 3., 1.],[0., 1., 3., 2.]]), array([[6., 9., 0., 9.],[3., 5., 5., 9.],[3., 0., 1., 7.],[4., 8., 6., 7.]]), array([[3., 1., 2., 3.],[7., 1., 2., 1.],[6., 1., 6., 0.],[5., 3., 8., 7.]])]

把3，4，5列切割出来

>>> np.hsplit(a,(3,6))[array([[2., 1., 2.],[0., 0., 1.],[5., 0., 3.],[0., 1., 3.]]), array([[7., 6., 9.],[9., 3., 5.],[1., 3., 0.],[2., 4., 8.]]), array([[0., 9., 3., 1., 2., 3.],[5., 9., 7., 1., 2., 1.],[1., 7., 6., 1., 6., 0.],[6., 7., 5., 3., 8., 7.]])]

水平切割数组

>>> a = np.floor(10*np.random.random((4,12)))>>> aarray([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.],[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.],[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.],[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])>>> np.vsplit(a,2)[array([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.],[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.]]), array([[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.],[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])]>>>

把1，2行切割出来

>>> np.vsplit(a,(1,3))[array([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.]]), array([[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.],[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.]]), array([[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])]>>> 1.9布尔索引和花式索引

布尔索引：使用布尔数组作为索引 相当于一个过滤的作用

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

花式索引：使用整数数组作为索引 (0,0) (1,0) (0,2)

>>> a = np.floor(10*np.random.random((2,4)))>>> aarray([[3., 6., 5., 6.],[2., 3., 7., 2.]])>>> a[[0,1,0],[0,0,2]]array([3., 2., 5.])>>> 1.10字符串索引 >>> x = np.array([('zwt',10,20),('qwe',1,2)],dtype=[('name','S10'),('age','i4'),('score','i4')])>>> xarray([(b'zwt', 10, 20), (b'qwe', 1, 2)],dtype=[('name', 'S10'), ('age', '<i4'), ('score', '<i4')])>>> x['name']array([b'zwt', b'qwe'], dtype='|S10')>>> x['score']array([20, 2])>>> 1.11搜索匹配函数

where函数

np.where(condition[, x, y]) condition：一个布尔数组或条件表达式，指定要检查的条件。 x：可选参数，满足条件的元素的替代值。默认情况下，返回满足条件的元素的索引。 y：可选参数，不满足条件的元素的替代值。默认情况下，返回满足条件的元素的索引

>>> import numpy as np>>> arr = np.array([1, 2, 3, 4, 5])>>> arrarray([1, 2, 3, 4, 5])>>> indices = np.where(arr > 2)>>> indices(array([2, 3, 4], dtype=int64),)>>> indices = np.where(arr > 2, 1, 0)>>> indicesarray([0, 0, 1, 1, 1])>>> 1.12排序

使用sort对数组/数组某一维度进行就地排序（会修改数组本身） 默认对最后一个轴进行排序，也可以选择对其他轴排序

>>> a = np.floor(10*np.random.random((3,3)))>>> aarray([[4., 3., 9.],[8., 5., 7.],[8., 3., 7.]])>>> a.sort()>>> aarray([[3., 4., 9.],[5., 7., 8.],[3., 7., 8.]])>>> a.sort(0)>>> aarray([[3., 4., 8.],[3., 7., 8.],[5., 7., 9.]]) >>>