Python进阶第三方库之Numpy

了解Numpy运算速度上的优势
知道数组的属性，形状、类型
应用Numpy实现数组的基本操作
应用随机数组的创建实现正态分布应用
应用Numpy实现数组的逻辑运算
应用Numpy实现数组的统计运算
应用Numpy实现数组之间的运算

一、Numpy优势

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
NumPy提供了一个N维数组类型ndarray，它描述了相同类型的"items"的集合。
用ndarray进行存储：

import numpy as np
# 创建ndarray
score = np.array(
[[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]])
score

返回结果：
array([[80, 89, 86, 67, 79],

78, 97, 89, 67, 81\], \[90, 94, 78, 67, 74\], \[91, 91, 90, 67, 69\], \[76, 87, 75, 67, 86\], \[70, 79, 84, 67, 84\], \[94, 92, 93, 67, 64\], \[86, 85, 83, 67, 80\]\]) ## **ndarray**与**Python**原生**list**运算效率对比 在这里我们通过一段代码运行来体会到ndarray的好处 import random import time import numpy as np a = \[

for i in range(100000000):
a.append(random.random())

通过%time魔法方法, 查看当前行的代码运行一次所花费的时间

%time sum1=sum(a)
b=np.array(a)
%time sum2=np.sum(b)
其中第一个时间显示的是使用原生Python计算时间,第二个内容是使用numpy计算时间:
CPU times: user 852 ms, sys: 262 ms, total: 1.11 s
Wall time: 1.13 s
CPU times: user 133 ms, sys: 653 µs, total: 133 ms
Wall time: 134 ms
从中我们看到ndarray的计算速度要快很多，节约了时间。
Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优 势就越明显。

二、效率远高于纯Python代码

Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯 Python代码。

ndarray的属性

属性名字 属性解释
数组维度的元组 ndarray.shape
数组维数 ndarray.ndim
数组中的元素数量 ndarray.size
一个数组元素的长度（字节） ndarray.itemsize
数组元素的类型 ndarray.dtype

ndarray的形状

首先创建一些数组。

# 创建不同形状的数组
>>> a = np.array([[1,2,3],[4,5,6]])
>>> b = np.array([1,2,3,4])
>>> c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])

分别打印出形状
>>> a.shape
>>> b.shape
>>> c.shape
(2, 3) # 二维数组
(4,) # 一维数组
(2, 2, 3) # 三维数组

ndarray的类型

>>> type(score.dtype)
<type 'numpy.dtype'>
创建数组的时候指定类型
注意：若不指定，整数默认int64，小数默认float64

三、生成数组的方法

生成0和1的数组

np.ones(shape, dtype)
np.ones_like(a, dtype)
np.zeros(shape, dtype)
np.zeros_like(a, dtype)
ones = np.ones([4,8])
ones
返回结果:
array([[1., 1., 1., 1., 1., 1., 1., 1.],

1., 1., 1., 1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1., 1., 1., 1.\]\]) np.zeros_like(ones) 返回结果: array(\[\[0., 0., 0., 0., 0., 0., 0., 0.\], \[0., 0., 0., 0., 0., 0., 0., 0.\], \[0., 0., 0., 0., 0., 0., 0., 0.\], \[0., 0., 0., 0., 0., 0., 0., 0.\]\]) ### 从现有数组生成 #### 生成方式 **np.array(object, dtype)** **np.asarray(a, dtype)** a = np.array(\[\[1,2,3\],\[4,5,6\]\]) # 从现有的数组当中创建 a1 = np.array(a) # 相当于索引的形式，并没有真正的创建一个新的 a2 = np.asarray(a) ### 关于**array**和**asarray**的不同  ### 生成固定范围的数组 ### **np.linspace (start, stop, num, endpoint)** 创建等差数组 --- 指定数量 参数: start:序列的起始值 stop:序列的终止值 num:要生成的等间隔样例数量，默认为50 endpoint:序列中是否包含stop值，默认为ture # 生成等间隔的数组 np.linspace(0, 100, 11) 返回结果： array(\[ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90., 100.\]) ### **np.arange(start,stop, step, dtype)** 创建等差数组 --- 指定步长 参数 step:步长,默认值为1 np.arange(10, 50, 2) 返回结果： array(\[10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,44, 46, 48\]) ### **np.logspace(start,stop, num)** 创建等比数列 参数: num:要生成的等比数列数量，默认为50 # 生成10\^x np.logspace(0, 2, 3) 返回结果: array(\[ 1., 10., 100.\]) ### 生成随机数组 使用模块介绍 np.random模块 np.random.randn(*d0, d1, ..., dn*) 功能：从标准正态分布中返回一个或多个样本值 **np.random.normal(*****loc=0.0*****,*****scale=1.0*****,*****size=None*****)** loc：float 此概率分布的均值（对应着整个分布的中心centre） scale：float 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高） size：int or tuple of ints 输出的shape，默认为None，只输出一个值 np.random.standard_normal(*size=None*) 返回指定形状的标准正态分布的数组。 举例**1**：生成均值为**1.75**，标准差为**1**的正态分布数据，**100000000**个 x1 = np.random.normal(1.75, 1, 100000000) 返回结果： array(\[2.90646763, 1.46737886, 2.21799024, ..., 1.56047411, 1.87969135, 0.9028096 \]) ### 均匀分布 np.random.rand(*d0*, *d1*, *...*, *dn*) 返回**\[0.0**，**1.0)**内的一组均匀分布的数。 **np.random.uniform(*****low=0.0*****,*****high=1.0*****,*****size=None*****)** 功能：从一个均匀分布\[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high. 参数介绍: low: 采样下界，float类型，默认值为0； high: 采样上界，float类型，默认值为1； size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m*n*k个样本，缺省时输出1个值。 返回值：ndarray类型，其形状和参数size中描述一致。 np.random.randint(*low*, *high=None*, *size=None*, *dtype='l'*) 从一个均匀分布中随机采样，生成一个整数或N维整数数组， 取数范围：若high不为None时，取\[low,high)之间随机整数，否则取值\[0,low)之间随机整数。 # 生成均匀分布的随机数 x2 = np.random.uniform(-1, 1, 100000000) 返回结果： array(\[ 0.22411206, 0.31414671, 0.85655613, ..., -0.92972446, 0.95985223, 0.23197723\]) ## 四、数组的索引、切片 一维、二维、三维的数组如何索引？ 直接进行索引,切片 对象\[:, :\] -- 先行后列 二维数组索引方式： 举例：获取第一个股票的前3个交易日的涨跌幅数据 # 二维的数组，两个维度 stock_change\[0, 0:3

返回结果：
array([-0.03862668, -1.46128096, -0.75596237])
三维数组索引方式：

三维

a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])

返回结果

array([[[ 1, 2, 3],

4, 5, 6\]\], \[\[12, 3, 34\], \[ 5, 6, 7\]\]\]) # 索引、切片 \>\>\> a1\[0, 0, 1\] # 输出: 2 ## 形状修改 ### **ndarray.reshape(shape, order)** 返回一个具有相同数据域，但shape不一样的视图 行、列不进行互换 # 在转换形状的时候，一定要注意数组的元素匹配 stock_change.reshape(\[5, 4\]) stock_change.reshape(\[-1,10\]) # 数组的形状被修改为: (2, 10), -1: 表示通过待计算 ### **ndarray.resize(new_shape)** 修改数组本身的形状（需要保持元素个数前后相同） 行、列不进行互换 stock_change.resize(\[5, 4\]) # 查看修改后结果 stock_change.shape (5, 4) **ndarray.T** 数组的转置 将数组的行、列进行互换 stock_change.T.shape (4, 5)