numpy基础(一)

numpy 基础简介

numpy 操作的主要对象是同类型的多维数组。它是一张表，通常它的元素都是数字。并通过正整数元素索引。在 numpy 中维度称为轴，轴的数目称为 rank 。

numpy的数组类被称为ndarray。别名 array 。numpy.array 与标准Python库类 array.array 不同，后者仅处理一维数组并提供较少的功能。 ndarray 对象则提供更关键的属性：

  • ndarray.ndim ：数组的轴（维度）的个数。
In [1]: import numpy as np
In [17]: a = np.array([1,2,3,4,5])

In [18]: a
Out[18]: array([1, 2, 3, 4, 5])

In [19]: a.ndim
Out[19]: 1
In [9]: a = np.array([[1,2,3,4],[5,6,7,8]])

In [10]: a
Out[10]:
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

In [11]: a.ndim
Out[11]: 2

In [12]: a = np.array([[1,2,3,4],[5,6,7,8],[12,13,14,15]])

In [13]: a
Out[13]:
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [12, 13, 14, 15]])

In [14]: a.ndim
Out[14]: 2
  • ndarray.shape ：数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有n行和m列的矩阵，shape将是(n,m)。因此，shape元组的长度就是rank或维度的个数 ndim。
In [17]: a
Out[17]:
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [12, 13, 14, 15]])

In [18]: a.shape
Out[18]: (3, 4)

In [19]:
  • ndarray.size：数组元素的总数。这等于shape的元素的乘积。
In [19]: a
Out[19]:
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [12, 13, 14, 15]])

In [20]: a.size
Out[20]: 12

In [21]:
  • ndarray.dtype：一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
In [24]: a
Out[24]:
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [12, 13, 14, 15]])

In [25]: a.dtype
Out[25]: dtype('int32')

In [26]:
  • ndarray.itemsize：数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。
In [24]: a
Out[24]:
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [12, 13, 14, 15]])

In [25]: a.dtype
Out[25]: dtype('int32')

In [26]: a.itemsize
Out[26]: 4

In [27]: a.dtype.itemsize
Out[27]: 4

数组的创建

可以使用 array 函数从常规的python列表或元组中创建数组。得到的数组类型是从python列表中的元素推导出来的。
上面的例子大都是从常规的python列表创建的：


In [39]: a = np.array((1,2,3))

In [40]: a
Out[40]: array([1, 2, 3])

In [41]: a = np.array(((1,2,3),(4,5,6)))

In [42]: a
Out[42]:
array([[1, 2, 3],
       [4, 5, 6]])

结合起来也是可以的：

In [43]: a = np.array([(1,2,3),(4,5,6)])

In [44]: a
Out[44]:
array([[1, 2, 3],
       [4, 5, 6]])

数组的类型也是可以在创建的时候就指定：


In [2]: a = np.array([[1,2,3],[4,5,6]],dtype=complex)

In [3]: a
Out[3]:
array([[1.+0.j, 2.+0.j, 3.+0.j],
       [4.+0.j, 5.+0.j, 6.+0.j]])

complex 是复数的意思。

通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这就减少了数组增长的必要，因为数组增长的操作花费很大。

  • 函数 zeros 创建一个由 0 组成的数组：
In [4]: a = np.zeros((3,4))

In [5]: a
Out[5]:
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
  • 函数 ones 创建一个由 1 组成的数组：
In [6]: a = np.ones((3,4))

In [7]: a
Out[7]:
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])
  • 函数 empty 内容是随机的并且取决于存储器的状态。默认情况下，创建的数组的dtype是 float64。
In [15]: a
Out[15]:
array([[1.69122046e-306, 1.31996133e-285, 1.32001905e-285],
       [2.22129839e-285, 1.32003829e-285, 1.31963425e-285],
       [1.25972084e-285, 0.00000000e+000, 0.00000000e+000]])

In [16]: a.dtype
Out[16]: dtype('float64')
  • 创建数字序列，NumPy提供了一个类似于 range 的函数，该函数返回数组而不是列表。
In [21]: np.arange(0,2,0.2)
Out[21]: array([0. , 0.2, 0.4, 0.6, 0.8, 1. , 1.2, 1.4, 1.6, 1.8])

In [22]: np.arange(1,5,2)
Out[22]: array([1, 3])

打印数组

当你打印数组时，NumPy以与嵌套列表类似的方式显示它，但是具有以下布局：

  • 最后一个轴从左到右打印，
  • 倒数第二个从上到下打印，
  • 其余的也从上到下打印，每个切片与下一个用空行分开。

一维数组被打印为行、二维为矩阵和三维为矩阵列表。


In [24]: a
Out[24]: array([1, 3])

In [25]: print(a)
[1 3]

In [26]: a = np.array(([1,2,3],[4,5,6]))

In [27]: print(a)
[[1 2 3]
 [4 5 6]]

In [28]: c = np.arange(24).reshape(2,3,4)

In [29]: 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

数组上的算术运算符使用元素级别。加减乘除都是每个元素之间的运算。

>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False])
  • 一些函数
In [36]: a
Out[36]:
array([[1, 2, 3],
       [4, 5, 6]])

In [37]: a.max()
Out[37]: 6

In [38]: a.min()
Out[38]: 1

In [39]: a.sum()
Out[39]: 21
  • 默认情况下，这些操作适用于数组，就好像它是数字列表一样，无论其形状如何。但是，通过指定 axis 参数，你可以沿着数组的指定轴应用操作：
In [4]: np.arange(12).reshape(3,4)
Out[4]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [5]: a = np.arange(12).reshape(3,4)

In [6]: a.min(axis=0)
Out[6]: array([0, 1, 2, 3])

In [7]: a.min(axis=1)
Out[7]: array([0, 4, 8])

通用函数

NumPy提供了常见的数学函数，如sin，cos和exp。在NumPy中，这些函数在数组上按元素级别操作，产生一个数组作为输出。

>>> B = np.arange(3)
>>> B
array([0, 1, 2])
>>> np.exp(B)
array([ 1.        ,  2.71828183,  7.3890561 ])
>>> np.sqrt(B)
array([ 0.        ,  1.        ,  1.41421356])
>>> C = np.array([2., -1., 4.])
>>> np.add(B, C)
array([ 2.,  0.,  6.])
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

  • Numpy的详细教程
    基础篇NumPy的主要对象是同种元素的多维数组。这是一个所有的元素都是一种类型、通过一个正整数元组索引的元素表格(...
    oyan99阅读 5,297评论 0赞 18
  • TutorialsPoint NumPy 教程
    来源：NumPy Tutorial - TutorialsPoint 译者：飞龙 协议：CC BY-NC-SA 4...
    布客飞龙阅读 33,595评论 6赞 97
  • NumPy的详细教程
    先决条件 在阅读这个教程之前，你多少需要知道点python。如果你想从新回忆下，请看看Python Tutoria...
    舒map阅读 2,751评论 1赞 13
  • NumPy说明
    NumPy是Python中关于科学计算的一个类库，在这里简单介绍一下。 来源：https://docs.scipy...
    灰太狼_black阅读 1,337评论 0赞 5
  • 2018.5.25．星期五
    今天参加了永毅的家长会，与老师沟通感觉孩子期中考试成绩明显进步，平时跟同学之间相处还是比较友好，善良诚实的，同时也...
    顾国胜阅读 168评论 0赞 0

友情链接更多精彩内容