介绍
在上一篇有关21 Pandas操作的文章中，我讨论了一些重要的操作，可以帮助新手开始进行数据分析。本文应该为NumPy提供类似的目的。简要介绍一下，NumPy是一个非常强大的库，可用于执行各种操作，从查找数组的均值到快速傅立叶变换和信号分析。从这个意义上讲，它与MATLAB非常相似。
您将需要将NumPy导入为'np'，然后使用它来执行操作。
操作：
- 将列表转换为n维NumPy数组
numpy_array = np.array(list_to_convert)
2.使用np.newaxis和np.reshape
np.newaxis用于创建大小为1的新尺寸。
a = [1,2,3,4,5] is a list
a_numpy = np.array(a)
如果打印a_numpy.shape，您会得到(5,)。为了使它成为行向量或列向量，可以
row_vector = a_numpy[:,np.newaxis] ####shape is (5,1) now
col_vector = a_numpy[np.newaxis,:] ####shape is (1,5) now
类似地，np.reshape可以用来对任何数组进行整形。例如：
a = range(0,15) ####list of numbers from 0 to 14
b = a.reshape(3,5)
b would become:
[[0,1,2,3,4],
[5,6,7,8,9],
[10,11,12,13,14],
[15,16,17,18,19]]
3.将任何数据类型转换为NumPy数组
使用np.asarray。例如
a = [(1,2), [3,4,(5)], (6,7,8)]
b = np.asarray(a)
b::
array([(1, 2), list([3, 4, (5, 6)]), (6, 7, 8)], dtype=object)
4.获得零的n维数组。
a = np.zeros(shape,dtype=type_of_zeros)
type of zeros can be int or float as it is required
eg.
a = np.zeros((3,4), dtype = np.float16)
5.获得一个n维数组。
类似于np.zeros：
a = np.ones((3,4), dtype=np.int32)
6. np.full和np.empty
np.full用于获取由一个特定值填充的数组，而np.empty通过使用随机值初始化数组来帮助创建数组。例如。
1. np.full(shape_as_tuple,value_to_fill,dtype=type_you_want)
a = np.full((2,3),1,dtype=np.float16)
a would be:
array([[1., 1., 1.],
[1., 1., 1.]], dtype=float16)
2. np.empty(shape_as_tuple,dtype=int)
a = np.empty((2,2),dtype=np.int16)
a would be:
array([[25824, 25701],
[ 2606, 8224]], dtype=int16)
The integers here are random.
7.使用np.arrange和np.linspace获取均匀间隔的值的数组
两者都可以用来创建具有均匀间隔的元素的数组。
linspace：
np.linspace(start,stop,num=50,endpoint=bool_value,retstep=bool_value)
endpoint specifies if you want the stop value to be included and retstep tells if you would like to know the step-value.'num' is the number of integer to be returned where 50 is default Eg,
np.linspace(1,2,num=5,endpoint=False,retstep=True)
This means return 5 values starting at 1 and ending befor 2 and returning the step-size.
output would be:
(array([1. , 1.2, 1.4, 1.6, 1.8]), 0.2)
##### Tuple of numpy array and step-size
人气指数：
np.arange(start=where_to_start,stop=where_to_stop,step=step_size)
如果仅提供一个数字作为参数，则将其视为停止，如果提供2，则将其视为开始和停止。注意这里的拼写。
8.找到NumPy数组的形状
array.shape
9.了解NumPy数组的尺寸
x = np.array([1,2,3])
x.ndim will produce 1
10.查找NumPy数组中的元素数
x = np.ones((3,2,4),dtype=np.int16)
x.size will produce 24
11.获取n维数组占用的内存空间
x.nbytes
output will be 24*memory occupied by 16 bit integer = 24*2 = 48
12.在NumPy数组中查找元素的数据类型
x = np.ones((2,3), dtype=np.int16)
x.dtype will produce
dtype('int16')
It works better when elements in the array are of one type otherwise typecasting happens and result may be difficult to interpret.
13.如何创建NumPy数组的副本
使用np.copy
y = np.array([[1,3],[5,6]])
x = np.copy(y)
If,
x[0][0] = 1000
Then,
x is
100 3
5 6
y is
1 3
5 6
14.获取n-d数组的转置
使用array_name.T
x = [[1,2],[3,4]]
x
1 2
3 4
x.T is
1 3
2 4
15.展平n-d数组以获得一维数组
使用np.reshape和np.ravel：
np.reshape：这确实是一个不错的选择。在重塑时，如果您提供-1作为尺寸之一，则从no推断出来。的元素。例如。对于尺寸数组，(1,3,4)如果将其调整为，(-1,2,2),则第一维的长度计算为3。所以，
If x is:
1 2 3
4 5 9
Then x.reshape(-1) produces:
array([1, 2, 3, 4, 5, 9])
np.ravel
x = np.array([[1, 2, 3], [4, 5, 6]])
x.ravel() produces
array([1, 2, 3, 4, 5, 6])
16.更改n-d数组的轴或交换尺寸
使用np.moveaxis和np.swapaxes。
x = np.ones((3,4,5))
np.moveaxis(x,axes_to_move_as_list, destination_axes_as_list)
For eg.
x.moveaxis([1,2],[0,-2])
This means you want to move 1st axis to 0th axes and 2nd axes to 2nd last axis. So,the new shape would be.
(4,5,3)
转换没有到位，所以不要忘记将其存储在另一个变量中。
np.swapaxes。
x = np.array([[1,2],[3,4]])
x.shape is (2,2) and x is
1 2
3 4
np.swapaxes(x,0,1) will produce
1 3
2 4
If x = np.ones((3,4,5)), and
y = np.swapaxes(0,2)
y.shape will be
(5,4,3)
17.将NumPy数组转换为列表
x = np.array([[3,4,5,9],[2,6,8,0]])
y = x.tolist()
y will be
[[3, 4, 5, 9], [2, 6, 8, 0]]
NumPy文档提到，list(x)如果x是一维数组，使用也将起作用。
18.更改NumPy数组中元素的数据类型。
使用ndarray.astype
x = np.array([0,1,2.0,3.0,4.2],dtype=np.float32)
x.astype(np.int16) will produce
array([0, 1, 2, 3, 4], dtype=int16)
x.astype(np.bool) will produce
array([False, True, True, True, True])
19.获取非零元素的索引
使用n-dim_array.nonzero（）
x = np.array([0,1,2.0,3.0,4.2],dtype=np.float32)
x.nonzero() will produce
(array([1, 2, 3, 4]),)
It's important to note that x has shape (5,) so only 1st indices are returned. If x were say,
x = np.array([[0,1],[3,5]])
x.nonzero() would produce
(array([0, 1, 1]), array([1, 0, 1]))
So, the indices are actually (0,1), (1,0), (1,1).
20.对NumPy数组进行排序
使用np.ndarray.sort（axis = axis_you_want_to_sort_by）
x = np.array([[4,3],[3,2])
x is
4 3
3 2
x.sort(axis=1) #sort each row
3 4
2 3
x.sort(axis=0) #sort each col
3 2
4 3
21.比较NumPy数组和值
比较将产生布尔类型的NumPy n维数组。例如
x = np.array([[0,1],[2,3]])
x==1 will produce
array([[False, True],
[False, False]])
如果您想计算x中的数字，您可以这样做
(x==1).astype(np.int16).sum()
它应该输出 1
22.乘以两个NumPy矩阵
使用numpy.matmul来获取二维矩阵的矩阵乘积：
a = np.eye(2) #identity matrix of size 2
a
1 0
0 1
b = np.array([[1,2],[3,4]])
b
1 2
3 4
np.matmul(a,b) will give
1 2
3 4
如果我们提供一维阵列，则输出将非常不同，因为将使用广播。我们在下面讨论。此外，还有另一个函数称为np.multiply执行元素到元素的乘法。对于前两个矩阵，输出为np.multiply(a,b)。
1 0
0 4
23.两个阵列的点积
np.dot（矩阵1，矩阵2）
a = np.array([[1,2,3],[4,8,16]])
a:
1 2 3
4 8 16
b = np.array([5,6,11]).reshape(-1,1)
b:
5
6
11
np.dot(a,b) produces
38
160
Just like any dot product of a matrix with a column vector would produce.
行向量与列向量的点积将产生：
if a is array([[1, 2, 3, 4]])
and b is:
array([[4],
[5],
[6],
[7]])
np.dot(a,b) gives:
array([[60]])
a's shape was (1,4) and b's shape was (4,1) so the result will have shape (1,1)
24.获得两个numpy向量的叉积
回想一下物理学中的矢量叉积。这是大约一个点的扭矩方向。
x = [1,2,3]
y = [4,5,6]
z = np.cross(x, y)
z is:
array([-3, 6, -3])
25.获取数组的梯度
使用np.gradient。NumPy使用泰勒级数和中心差法计算梯度。您可以在这篇文章中阅读有关它的更多信息。
x = np.array([5, 10, 14, 17, 19, 26], dtype=np.float16)
np.gradient(x) will be:
array([5. , 4.5, 3.5, 2.5, 4.5, 7. ], dtype=float16)
26.如何切片NumPy数组？
For single element:
x[r][c] where r,c are row and col number of the element.
For slicing more than one element.
x:
2 4 9
3 1 5
7 8 0
and you want 2,4 and 7,8 then do
x[list_of_rows,list_of_cols] which would be
x[[0,0,2,2],[0,1,0,1]] produces
array([2, 4, 7, 8])
If one of the rows or cols are continuous, it's easier to do it:
x[[0,2],0:2] produces
array([[2, 4],
[7, 8]])
27. broadcasting
如果不包括broadcasting，则有关NumPy的任何文章都将是不完整的。这是一个重要的概念，可帮助NumPy对操作进行向量化，从而使计算速度更快。理解一些规则将有助于更好地剖析广播。
来自NumPy文档：
在两个数组上进行操作时，NumPy逐元素比较其形状。它从尾随尺寸开始，一直向前发展。两种尺寸兼容
1.他们是平等的，或
2.其中之一是1
要记住的另一件事是，
如果尺寸匹配，则输出将在每个尺寸中具有最大长度。如果其中一个维度的长度为1，则将重复该维度中的值
假设有两个数组A和维度说明B **(3,4,5)**和**(4,1) **分别，你想添加的两个数组。由于它们的形状不同，因此NumPy将尝试广播这些值。它开始比较两个尺寸的最后一个维度的长度：5和1，这些值不相等，但是由于其中一个值为1，因此将重复该值，最终输出在最后一个维度中的长度为5 。
两者的倒数第二个长度相同4。
A中的最后3维或1维具有长度，3而B没有任何长度。当其中一个向量缺少维度时，NumPy在向量前加1。因此，B变为**(1,4,1)**。现在，长度匹配为3和1，并且在B中将值重复3次。最终输出将具有shape **(3,4,5)**。
a :
3 5 8
4 5 6
9 7 2
b :
b = [2,3,4]
a's shape: (3,3)
b's shape: (3,)
Last dimension has same length 3 for the two and then 1 is prepended to the the dimension of b as it doesn't have anything in that dimension. So, b becomes [[2,3,4]] having shape (1,3). Now, 1st dimension match and values are repeated for b.
Finally, b can be seen as
2 3 4
2 3 4
2 3 4
So, a+b produces
5 8 12
6 8 10
11 10 6
查看broadcasting中的这些帖子以了解更多信息：第一和第二
总结
感谢您的阅读。我希望本文能为需要NumPy入门的任何人提供帮助。我发现这些操作非常有帮助，将它们放在我们的提示上总是一件好事。这些操作非常基础，NumPy中可能有不同的方法来实现相同的目标。除了提供了链接的其他几篇文章外，我主要使用NumPy文档作为参考。
翻译自：https://towardsdatascience.com/27-things-that-a-beginner-needs-to-know-about-numpy-edda217fb662
