Python之【Numpy总结】

文章目录

• [NumPy 笔记](#NumPy 笔记)
• • [1. 介绍](#1. 介绍)
  • [2. 安装](#2. 安装)
  • [3. 基本操作](#3. 基本操作)
  • • [3.1 导入NumPy](#3.1 导入NumPy)
    • [3.2 创建数组](#3.2 创建数组)
    • [3.3 数组属性](#3.3 数组属性)
    • [3.4 数组操作](#3.4 数组操作)
    • • 数组切片和索引：
      • 数组形状变换：
      • 数组拼接：
      • 数组分割：
      • 多维数组的组合与拆分:
    • [3.5 数学运算](#3.5 数学运算)
    • [3.6 广播](#3.6 广播)
    • [3.7 ndarray对象属性操作详解](#3.7 ndarray对象属性操作详解)
  • [4. 实际应用示例](#4. 实际应用示例)
  • [5. 高级操作](#5. 高级操作)
  • [6. 总结](#6. 总结)

NumPy 笔记

1. 介绍

NumPy（Numerical Python）是一个用于科学计算的基础库。它提供了高性能的多维数组对象，以及对数组进行操作的函数。NumPy 常被用于数据分析、机器学习、数值计算等领域。

2. 安装

可以使用以下命令安装NumPy：

pip install numpy

3. 基本操作

3.1 导入NumPy

import numpy as np

3.2 创建数组

• 从列表创建数组：

a = np.array([1, 2, 3, 4, 5])
print(a)

• 创建多维数组：

b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)

• 创建全零数组：

zeros = np.zeros((2, 3))  #np.zeros(数组元素个数, dtype='类型')
print(zeros)

• 创建全一数组：

ones = np.ones((3, 3)) #np.ones(数组元素个数, dtype='类型')
print(ones)

• 创建指定间隔的数组:

arr = np.arange(10)  
print(arr)  # 输出: [0 1 2 3 4 5 6 7 8 9]

#指定起始值和终止值
arr = np.arange(1, 10)   #np.arange(起始值(0),终止值,步长(1))
print(arr)  # 输出: [1 2 3 4 5 6 7 8 9]

#指定步长
arr = np.arange(1, 10, 2)
print(arr)  # 输出: [1 3 5 7 9]

#指定数据类型
arr = np.arange(1, 10, 2, dtype=float)
print(arr)  # 输出: [1. 3. 5. 7. 9.]

与 np.linspace 的对比

np.linspace 根据指定的元素数量生成均匀间隔的数组：

arr = np.linspace(0, 5, 5)
print(arr)  # 输出: [0.  1.25  2.5  3.75  5. ]

• 创建随机数组：

random = np.random.random((2, 2))
print(random)

3.3 数组属性

• 数组形状：

print(a.shape)  # (5,)
print(b.shape)  # (2, 3)

• 数组数据类型：np.ndarray.dtype

print(a.dtype)  # int64
print(b.dtype)  # int64

import numpy as np
ary = np.array([1, 2, 3, 4, 5, 6])
print(type(ary), ary, ary.dtype)
#转换ary元素的类型
b = ary.astype(float)
print(type(b), b, b.dtype)
#转换ary元素的类型
c = ary.astype(str)
print(type(c), c, c.dtype)

• 数组元素个数：np.ndarray.size

print(a.size)  # 5
print(b.size)  # 6

import numpy as np
ary = np.array([
    [1,2,3,4],
    [5,6,7,8]
])
#观察维度，size，len的区别
print(ary.shape, ary.size, len(ary))

• 数组维度：np.ndarray.shape

print(a.ndim)  # 1
print(b.ndim)  # 2

import numpy as np
ary = np.array([1, 2, 3, 4, 5, 6])
print(type(ary), ary, ary.shape)
#二维数组
ary = np.array([
    [1,2,3,4],
    [5,6,7,8]
])
print(type(ary), ary, ary.shape)

3.4 数组操作

数组切片和索引：

print(a[0])  # 1
print(b[1, 2])  # 6
print(a[1:4])  # [2 3 4]

ndarray数组索引操作

# 数组对象切片的参数设置与列表切面参数类似
#  步长+：默认切从首到尾
#  步长-：默认切从尾到首
数组对象[起始位置:终止位置:步长, ...]
# 默认位置步长：1

import numpy as np
a = np.arange(1, 10)
print(a)  # 1 2 3 4 5 6 7 8 9
print(a[:3])  # 1 2 3
print(a[3:6])   # 4 5 6
print(a[6:])  # 7 8 9
print(a[::-1])  # 9 8 7 6 5 4 3 2 1
print(a[:-4:-1])  # 9 8 7
print(a[-4:-7:-1])  # 6 5 4
print(a[-7::-1])  # 3 2 1
print(a[::])  # 1 2 3 4 5 6 7 8 9
print(a[:])  # 1 2 3 4 5 6 7 8 9
print(a[::3])  # 1 4 7
print(a[1::3])  # 2 5 8
print(a[2::3])  # 3 6 9

多维数组的切片操作

import numpy as np
a = np.arange(1, 28)
a.resize(3,3,3)
print(a)
#切出1页 
print(a[1, :, :])		
#切出所有页的1行
print(a[:, 1, :])		
#切出0页的1行1列
print(a[0, :, 1])		

ndarray数组的掩码操作

import numpy as np
a = np.arange(1, 10)
mask = [True, False,True, False,True, False,True, False,True]
print(a[mask])

数组形状变换：

c = b.reshape(3, 2)
print(c)

视图变维（数据共享）： reshape() 与 ravel()

import numpy as np
a = np.arange(1, 9)
print(a)		# [1 2 3 4 5 6 7 8]
b = a.reshape(2, 4)	#视图变维  : 变为2行4列的二维数组
print(b)
c = b.reshape(2, 2, 2) #视图变维    变为2页2行2列的三维数组
print(c)
d = c.ravel()	#视图变维	变为1维数组
print(d)

**复制变维（数据独立）：**flatten()

e = c.flatten()
print(e)
a += 10
print(a, e, sep='\n')

就地变维：直接改变原数组对象的维度，不返回新数组

a.shape = (2, 4)
print(a)
a.resize(2, 2, 2)
print(a)

数组拼接：

d = np.concatenate((a, a))
print(d)

数组分割：

e = np.split(d, 3)
print(e)

多维数组的组合与拆分:

垂直方向操作：

import numpy as np
a = np.arange(1, 7).reshape(2, 3)
b = np.arange(7, 13).reshape(2, 3)
# 垂直方向完成组合操作，生成新数组
c = np.vstack((a, b))
# 垂直方向完成拆分操作，生成两个数组
d, e = np.vsplit(c, 2)

水平方向操作：

import numpy as np
a = np.arange(1, 7).reshape(2, 3)
b = np.arange(7, 13).reshape(2, 3)
# 水平方向完成组合操作，生成新数组 
c = np.hstack((a, b))
# 水平方向完成拆分操作，生成两个数组
d, e = np.hsplit(c, 2)

深度方向操作：（3维）

import numpy as np
a = np.arange(1, 7).reshape(2, 3)
b = np.arange(7, 13).reshape(2, 3)
# 深度方向（3维）完成组合操作，生成新数组
i = np.dstack((a, b))
# 深度方向（3维）完成拆分操作，生成两个数组
k, l = np.dsplit(i, 2)

长度不等的数组组合：

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array([1,2,3,4])
# 填充b数组使其长度与a相同
b = np.pad(b, pad_width=(0, 1), mode='constant', constant_values=-1)
print(b)
# 垂直方向完成组合操作，生成新数组
c = np.vstack((a, b))
print(c)

多维数组组合与拆分的相关函数：

# 通过axis作为关键字参数指定组合的方向，取值如下：
# 若待组合的数组都是二维数组：
#	0: 垂直方向组合
#	1: 水平方向组合
# 若待组合的数组都是三维数组：
#	0: 垂直方向组合
#	1: 水平方向组合
#	2: 深度方向组合
np.concatenate((a, b), axis=0)
# 通过给出的数组与要拆分的份数，按照某个方向进行拆分，axis的取值同上
np.split(c, 2, axis=0)

简单的一维数组组合方案

a = np.arange(1,9)		#[1, 2, 3, 4, 5, 6, 7, 8]
b = np.arange(9,17)		#[9,10,11,12,13,14,15,16]
#把两个数组摞在一起成两行
c = np.row_stack((a, b))
print(c)
#把两个数组组合在一起成两列
d = np.column_stack((a, b))
print(d)

3.5 数学运算

• 数组元素加减乘除：

f = np.array([10, 20, 30, 40])
g = np.array([1, 2, 3, 4])
print(f + g)  # [11 22 33 44]
print(f - g)  # [ 9 18 27 36]
print(f * g)  # [ 10  40  90 160]
print(f / g)  # [10. 10. 10. 10.]

• 数组求和、平均值等：

print(f.sum())  # 100
print(f.mean())  # 25.0
print(f.min())  # 10
print(f.max())  # 40

• 矩阵运算：

h = np.array([[1, 2], [3, 4]])
i = np.array([[5, 6], [7, 8]])
print(np.dot(h, i))  # 矩阵乘法

3.6 广播

NumPy 允许不同形状的数组进行算术运算，这个功能称为广播。

j = np.array([1, 2, 3])
k = np.array([[0], [1], [2]])
print(j + k)

3.7 ndarray对象属性操作详解

Numpy的内部基本数据类型

类型名	类型表示符
布尔型	bool_
有符号整数型	int8(-128~127) / int16 / int32 / int64
无符号整数型	uint8(0~255) / uint16 / uint32 / uint64
浮点型	float16 / float32 / float64
复数型	complex64 / complex128
字串型	str_，每个字符用32位Unicode编码表示
日期类型	datetime64

自定义复合类型

# 自定义复合类型
import numpy as np

data=[
	('zs', [90, 80, 85], 15),
	('ls', [92, 81, 83], 16),
	('ww', [95, 85, 95], 15)
]
#第一种设置dtype的方式
a = np.array(data, dtype='U3, 3int32, int32')
print(a)
print(a[0]['f0'], ":", a[1]['f1'])
print("=====================================")
#第二种设置dtype的方式
b = np.array(data, dtype=[('name', 'str_', 2),
                    ('scores', 'int32', 3),
                    ('age', 'int32', 1)])
print(b[0]['name'], ":", b[0]['scores'])
print("=====================================")

#第三种设置dtype的方式
c = np.array(data, dtype={'names': ['name', 'scores', 'ages'],
                    'formats': ['U3', '3int32', 'int32']})
print(c[0]['name'], ":", c[0]['scores'], ":", c.itemsize)
print("=====================================")

#第四种设置dtype的方式  
d = np.array(data, dtype={'name': ('U3', 0),
                    'scores': ('3int32', 16),
                    'age': ('int32', 28)})
print(d[0]['names'], d[0]['scores'], d.itemsize)

print("=====================================")

#测试日期类型数组
f = np.array(['2011', '2012-01-01', '2013-01-01 01:01:01','2011-02-01'])
f = f.astype('M8[D]')
f = f.astype('i4')
print(f[3]-f[0])

f.astype('bool')

类型字符码

类型	字符码
np.bool_	?
np.int8/16/32/64	i1 / i2 / i4 / i8
np.uint8/16/32/64	u1 / u2 / u4 / u8
np.float/16/32/64	f2 / f4 / f8
np.complex64/128	c8 / c16
np.str_	U
np.datetime64	M8[Y] M8[M] M8[D] M8[h] M8[m] M8[s]

4. 实际应用示例

• 计算每个学生的平均成绩：

scores = np.array([[85, 90, 78], [92, 88, 84], [89, 76, 91]])
avg_scores = scores.mean(axis=1)
print(avg_scores)

• 图像处理中的应用：

import matplotlib.pyplot as plt
img = np.random.random((100, 100))
plt.imshow(img, cmap='gray')
plt.show()

5. 高级操作

• 条件筛选：

l = np.array([1, 2, 3, 4, 5])
print(l[l > 2])  # [3 4 5]

• 排序：

m = np.array([3, 1, 2, 5, 4])
print(np.sort(m))  # [1 2 3 4 5]

• 统计函数：

print(np.median(m))  # 3.0
print(np.std(m))  # 标准差

6. 总结

NumPy 是一个功能强大且灵活的库，适用于各种科学计算任务。通过掌握其基本和高级操作，可以极大地提高数据处理和分析的效率。