NumPy

NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。

目录
一、NumPy基础
二、NumPy数组
1.创建数组（从Python列表创建数组）
2.快速创建数组（通过函数创建数组）
3.创建随机数组
4.数组属性
5.NumPy数据类型
6.数据类型转换
7.数组索引
8.花哨索引
9.数组重新塑形
10.数组拼接
11.数组分裂
三、Numpy运算
1.算术运算
2.统计运算
3.数据选取
4.广播
5.矩阵运算
6.轴变换
四、数组的排序
五、NumPy结构化数组

一、NumPy基础

1.安装NumPy

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ numpy

2.库导入

import numpy as np

二、NumPy数组

<class 'numpy.ndarray'>

NumPy提供了一个N维数组的类型，即ndarray，它描述了相同类型的“items”的集合。 可以使用例如整数的N来索引项目（items）。

1.创建ndarray数组（从Python列表创建数组）

从Python列表创建

np.array(序列对象)

返回一个ndarray对象。
注意：ndarray中所有元素数据类型一致。
如果传入了拥有不同类型元素的列表，array方法会尝试自动转换。

2.快速创建数组（通过函数创建数组）

• 1.创建数值为浮点0的数组

# 创建n_x维向量
dw = np.zeros((n_x,1))
# 创建m*n矩阵
matrix = np.zeros((m,n))
# 创建m*n*k张量
tensor = np.zeros((m,n,k))

• 2.创建数值为浮点1的数组

np.ones()

示例：

• 3.创建空数组（数据随机）

np.empty()

• 4.创建指定值的数组

np.full(形状, 填充值)

示例：

• 5.创建单位矩阵

np.eye(阶数)

• 6.创建等差数列

np.arange(start, stop, step)

np.linspace(start, stop, num)

3.创建随机数组

伪随机数种子设置

np.random.seed(0)

• 1.均匀分布

# 创建指定形状的数组(数值范围在0至1之间)
np.random.rand(形状)
np.random.random((形状))

# 创建指定范围内的一个数
np.random.uniform(a,b)
# 创建指定范围内的一个整数
np.random.randint(a,b)

示例：

• 2.正态分布(高斯分布)

np.random.normal(loc=0.0, scale=1.0, size=None)

loc：μ，概率分布的均值。
scale：σ，概率分布的标准差。对应于分布的宽度，越大越矮胖，越小越瘦高。
size：返回数组的形状（标量、向量、矩阵、张量）。

快速生成高斯分布数组：

np.random.randn(形状)

4.数组属性

5.NumPy数据类型

6.数据类型转换

new_array = origin_array.astype(np.数据类型)

注意：浮点型转整型会直接截断小数部分。
注意：astype是返回一个原数组的拷贝，而非对原数组做更改。

• 含数字和小数点字符串可以转换为浮点型，不能直接转换为整型（可先转换为浮点型，再转换为整型）。

• 仅含数字的字符串可以直接转换为整型。
  示例：

  
  

7.数组索引

（1）下标访问

可通过下标访问数组元素。

（2）切片

与python语法一致

array[start: stop: step]

多为数组切片

array[start: stop: step, start: stop: step, ......]

注意：通过切片选取后产生的数组是原数组的视图，而非数组的副本。
警告：修改切片会导致原始数组也被修改。

（3）拷贝副本

array_copy = array.copy()

8.花式索引（花哨索引）

花式索引（花哨索引）：利用整数数组进行索引

（1）花哨索引

array[索引数组]

注意：利用花哨索引选出来的结果，与索引数组的形状保持一致，而非与被索引的数组保持一致。
示例：

• 花哨索引也适用多维索引

  
  
  
  

  等效于选取选取x[0, 2], x[1, 1], x[2, 3]

（2）组合索引

组合索引：花哨索引和其他索引方式组合起来的索引方式

①花哨索引与普通索引组合使用

x[2,[0, 1, 2]]等效于选择x[2,0], x[2,1], x[2,2]

②花哨索引与切片组合使用

③花哨索引与掩码组合使用

选择第一列和第三列

（3）使用花哨索引修改值

x[[0, 0]] = [4, 6]等效于先执行x[0] = 4，后执行x[0] = 6

（4）使用花哨索引进行累加

at()函数

np.通用函数.at(被操作数, 操作数, 循环次数)

示例：

9.数组重新塑形

（1）reshape

arr.reshape((形状))

（2）newaxis

# 新建行轴
array[np.newaxis, :]
# 新建列轴
array[:, np.newaxis]

10.数组拼接

可以一次拼接两个以上的数组

np.concatenate([数组1, 数组2, 数组3, ......], axis=拼接轴)

简化版拼接函数
1.np.vstack()：垂直栈
2.np.hstack()：水平栈

11.数组分裂

np.split(array, [分割点1, 分割点2, ......])

示例：

简化版分割函数
1.np.vsplit()：垂直分割
2.np.hsplit()：水平分割
示例：

三、Numpy运算

1.算术运算

直接对ndarray对象进行算术运算操作，相当于对对象中的每个元素进行该算术运算操作。

示例：

matrix = np.random.normal(0,1,(3,3))
print(matrix)
print(matrix + 10)
print(matrix > 0.5)

运行结果

2.统计运算（算术聚合运算）

np.通用函数.reduce()

np.聚合函数(数组, axis=聚合维数)

3.数据选取

array[条件表达式]

（1）比较运算符

（2）逻辑运算符

示例：

（3）掩码

可通过掩码数组选取数组元素（花哨索引）

array[掩码数组]

4.广播

广播（broadcasting）指的是不同形状的数组之间的算术运算的执行方式。
示例：

5.矩阵运算

np.dot(数组1, 数组2, out = None)

若两数组均为向量，则返回两向量的点积。
若两数组均为矩阵，则返回矩阵内积。

6.轴变换

（1）矩阵转置

array.T只适用于矩阵转置

array.T

（2）高维数组轴变换

• 1.array.transpose()方法
  array.transpose()方法支持重新设置轴次序

array.transpose(轴次序)

• 2.arr.swapaxes()方法
  arr.swapaxes()方法只接受一对轴的轴变换

arr.swapaxes(轴1, 轴2)

四、数组的排序

1.np.sort()

• 1.生成副本
  np.sort()方法会生成一个副本返回。

np.sort(数组, axis=排序轴)

• 2.就地排序

array.sort()

2.np.argsort()

np.argsort()方法返回排序后的索引
示例：

3.部分排序（分隔）

np.partition()方法排序后，最左边是数组中最小的k个值

np.partition(array, k)

示例：

五、NumPy结构化数组

1.定义结构化数组

'names'：规定了数据的属性名
'formats'：规定了对应属性的数据类型

data = np.zeros(元素个数, dtype={'names': ('变量名1', '变量名2', ......), 'formats': ('变量1数据类型', '变量2数据类型', ......)})

类型名 = np.dtype({'names': ('变量名1', '变量名2', ......), 'formats': ('变量1数据类型', '变量2数据类型', ......)})
np.zeros(元素个数, dtype=类型名)

数据类型

2.填充值

data['键'] = 列表

示例：

data = np.zeros(4, dtype={'names': ('name', 'age', 'weight'), 'formats': ('U10', 'i4', 'f8')})
name = ['Alice', 'Bob', 'Cathy', 'Doug']
age = [25, 45, 37, 19]
weight = [55.0, 85.5, 68.0, 61.5]
data['name'] = name
data['age'] = age
data['weight'] = weight

3.查询