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)
- [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：
python
pip install numpy3. 基本操作
3.1 导入NumPy
python
import numpy as np3.2 创建数组
- 从列表创建数组：
python
a = np.array([1, 2, 3, 4, 5])
print(a)- 创建多维数组：
python
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)- 创建全零数组：
python
zeros = np.zeros((2, 3)) #np.zeros(数组元素个数, dtype='类型')
print(zeros)- 创建全一数组：
python
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:
python
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：
python
arr = np.linspace(0, 5, 5)
print(arr) # 输出: [0. 1.25 2.5 3.75 5. ]- 创建随机数组：
python
random = np.random.random((2, 2))
print(random)3.3 数组属性
- 数组形状：
python
print(a.shape) # (5,)
print(b.shape) # (2, 3)- 数组数据类型：np.ndarray.dtype
python
print(a.dtype) # int64
print(b.dtype) # int64
python
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
python
print(a.size) # 5
print(b.size) # 6
python
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
python
print(a.ndim) # 1
print(b.ndim) # 2
python
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：
python
print(a[0]) # 1
print(b[1, 2]) # 6
print(a[1:4]) # [2 3 4]ndarray数组索引操作
python
# 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
python
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
python
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
python
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：
python
c = b.reshape(3, 2)
print(c)视图变维（数据共享）： reshape() 与 ravel()
python
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()
python
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
python
a.shape = (2, 4)
print(a)
a.resize(2, 2, 2)
print(a)数组拼接：
python
d = np.concatenate((a, a))
print(d)数组分割：
python
e = np.split(d, 3)
print(e)多维数组的组合与拆分:
垂直方向操作：
python
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：
python
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）
python
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：
python
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：
python
# 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
python
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：
python
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：
python
print(f.sum()) # 100
print(f.mean()) # 25.0
print(f.min()) # 10
print(f.max()) # 40- 矩阵运算：
python
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。
python
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
python
# 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：
python
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：
python
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：
python
l = np.array([1, 2, 3, 4, 5])
print(l[l > 2]) # [3 4 5]- 排序：
python
m = np.array([3, 1, 2, 5, 4])
print(np.sort(m)) # [1 2 3 4 5]- 统计函数：
python
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。