numpy详解

Numpy

简介 Numpy（Numerical Python）是一个在Python领域做数值计算非常重要的库， Pandas、Matplotlib、Statmodels、Scikit-learn和其它一些科学计算库都依赖Numpy 也就是说有时候你可能没有直接import numpy as np，但是却在背后有用到它Numpy数组对比Python对象更节省空间、速度更快

print(sys.getsizeof(1))  # python中一个整数 28 print(np.dtype(int).itemsize)  # Numpy特别小 4

 性能也很重要

start_time = time.time() a = np.arange(100000) np.sum(a ** 2) end_time = time.time() print(end_time - start_time)  # 0.0014064311981201172

安装

pip install numpy

引入

import numpy as np

创建

一维数组

a = np.array([1, 2, 3, 4]) print(a[0])  # 取出单个元素 1 print(a[[0, -1]]) # 取出多个元素 [1 4] print(a[[True, False, False, True]])# 利用布尔取出多个元素 [1 4] print(a[1:4])  # 类似列表的切片操作[2 3 4]

多维数组

a = np.array([[1, 2, 3], [4, 5, 6]]) print(a.shape)  # 形状 (2, 3) print(a.ndim)  # 行数 2 print(a.size)  # 大小 6 print(a[1])  # 获取元素 [4 5 6] print(a[0:2])  # 切片       

        

数据类型

查看数据类型

print(np.array([1, 2, 3, 4]).dtype)  # int32 print(np.array([0, .5, 1, 1.5, 2]).dtype)  # float64 print(np.array(['a', 'b', 'c']).dtype)  # <U1【表示Unicode】，1代表最大一个字符 print(np.array(['adwadawd', 'b', 'c']).dtype)  # <U8【表示Unicode】 print(np.array([{'name': 'jkw'}, .5, 1, 1.5, 2]).dtype)  # object

查看数据类型所占内存大小

print(np.dtype(np.int8).itemsize)  # 1 print(np.dtype(np.int32).itemsize)  # 4

指定数据类型

np.array([1, 2, 3, 4], dtype=float) np.array([1, 2, 3, 4], dtype=np.int8)         

特性

广播机制

a = np.arange(4) print(a)  # [1 2 3 4] print(a + 10)  # 广播操作 [10 11 12 13] print(a * 10)  # 广播操作 [ 0 10 20 30] b = np.array([10, 10, 10, 10]) print(a + b)  # 对应位置进行计算 [10 11 12 13]

布尔数组的用处

a = np.array([1, 2, 3, 4]) print(a[[True, False, False, True]])# 利用布尔取出多个元素 [1 4] print(a > 2)  # 判断会返回布尔数组【若满足条件只有一个，那么直接会返回元素】 [False False  True  True]

运算符的使用

a = np.array([1, 2, 3, 4]) print(a[~(a > 2)])  # ~ 是not的意思 [1 2] print(a[(a == 0) | (a == 1)])  # |是or的意思 [1] print(a[(a <= 2) & (a % 2 == 0)])  # &是and的意思  [2]

        

方法

arange 语法格式为：range([start,] end [,step]) start：表示起始数字【可选，默认是0】 end：  结尾数字 step：  步长【可选，默认是1】

np.arange(10) np.arange(5, 10) np.arange(0, 1, .1)

数学函数

a = np.array([1, 2, 3, 4]) print(a.mean())  # 求平均值 2.5 x = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(np.sin(x)) print(np.cos(x)) print(np.exp(x)) print(np.log(x)) print(np.sqrt(x))

随机数

# 参数可以使单个生成一维数组，也可以是2个，生成二维数组 print(np.random.random(size=2))  # 【0~1，可以取0】随机浮点数 [0.75730215 0.24639044] print(np.random.normal(size=2))  # 标准正态分布取值【均值为0，方差为1】 [-1.39069266  0.25014434] print(np.random.randint(50, 100, size=2))  # 在50-100 取值 [ 2 50] print(np.random.rand(2, 4))  # 根据均匀分布取值 ''' [[0.75064719 0.72179169 0.85748488 0.92259082] [0.46155837 0.83502102 0.10128444 0.27298604]] '''

改变矩阵形状【扩维】

print(np.arange(10).reshape(2, 5))  # 改变形状 从一维变二维 '''[[0 1 2 3 4] [5 6 7 8 9]]''' print(np.arange(10).reshape((5, 2, 1)))  # 改变形状 从一维变三维

改变矩阵形状【缩维】

print(np.arange(10).reshape(2, 5).flatten())  # [0 1 2 3 4 5 6 7 8 9]

linspace

print(np.linspace(0, 1, 5))  # 0-1之间均匀取五个数 [0.   0.25 0.5  0.75 1.  ] print(np.linspace(0, 1, 5, False))  # 0-1之间均匀取五个数,不包括末尾数

zeros, ones, empty

print(np.zeros(5))  # [0. 0. 0. 0. 0.] print(np.zeros((3), dtype=np.int8))  # [0 0 0] np.zeros((3,3)) print(np.ones(5)) # [1. 1. 1. 1. 1.] print(np.ones((5), dtype=np.int8))  # [1 1 1 1 1] np.ones((3,3)) print(np.empty(5))  # 仅仅开辟空间，里面数据不固定 np.empty((2,2))

identity, eye

print(np.identity(3)) print(np.eye(3, 3)) '''[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]''' np.eye(8,4) np.eye(8,4,k=1) np.eye(8,4,k=-3)

数组的整合、切分、追加、插入

整合

a = np.array([ [1, 2, 3, 7], [4, 5, 6, 7], [7, 8, 9, 7] ]) b = np.array([ [10, 20, 30, 40], [50, 60, 70, 80], [70, 80, 10, 20], ]) c = np.concatenate((a, b))  # 整合 print(c.shape)  # (6, 4) c2 = np.stack((a, b))  # 整合，创建一个新的维度 print(c2.shape)  # (2, 3, 4)

切分

a = np.array([[1, 2, 3, 7],[4, 5, 6, 7],[7, 8, 9, 7],[8, 5, 3, 1]]) print(np.split(a, 4)) print(np.split(a, 2)) print(np.hsplit(a, 4)) print(np.hsplit(a, 2))

追加, 插入

b = [10, 20, 30, 40] a = np.append(a, b) a = np.append(a, [b])  # 需要有同样的维度 a = np.append(a, [b], axis=0)  # 还需要选择维度 a = np.insert(a, 1, b, axis=0)  # 另一种做法