一文搞定numpy用法

简介

本文总结了numpy 常见的用法，全文阅读大约需要 $10$ 分钟，可以按目录按需使用。

numpy是什么?

NumPy是使用Python进行科学计算的基础包，主要用于对多维数组计算。numpy这个词来源于两个单词Numerical和Python。所以我之前读成“扭爬哎”是错的，应该是“难爬哎”。
在这里插入图片描述

numpy的优势

NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。可以看成python中的MATLAB。
一个强大的N维数组对象，计算强大高效快速。
可以定义任意数据类型，能够无缝快速地与各种数据库集成。

安装

配置好python之后，安装numpy的最快也是最简单的方法是在命令提示符中输入下命令：pip install numpy

生成numpy数组

numpy提供的最重要的数据结构是一个称为NumPy数组的强大对象, numpy数组是通常的Python数组的扩展。NumPy数组配备了大量的函数和运算符，让我们看看如何快速定义一维NumPy数组。

生成方法汇总

命令	数组
np.array([1,2,3,4])	列表转为数组
np.arange(start, stop, step)	整数序列数组
np.linspace(start, stop,num,endpoint=True)	等差数列
np.logspace(start, stop,num,base)	等比数列
np.zeros(shape, dtype=float, order=‘C’)	全为 $0$ 的数组
np.ones(shape, dtype=float, order=‘C’)	全为 $1$ 的数组
np.full((shape, fill_value)	全为fill_value的数组
np.empty(shape,int)	数组内容是随机的
np.zeros_like()	生产一个和一样形状的数组
np.eye(N,M)	生产N*M的单位矩阵
np.fromstring(str,dtype=np.int8)	字符串转为数组
np.fromfunction(function, shape)	函数生成数组

代码示例

import numpy as np # 导入numpy模块
a=np.array([1,2,3,4],dtype='int') # 生成一维整形数组，dtype指定数组类型
# dtype参数泛类可选 int,float,complex,bool,string等
" array([1, 2, 3, 4]) "
a=np.arange(1,10,2) # 等差序列不包含结束值。
" array([1, 3, 5, 7, 9]) "
a=np.linspace(1,9,5,dtype="float",endpoint=True) 
# 等差数组，注意第三个参数是数组元素个数，endpoint=True指定数组包含结束值.
" array([1., 3., 5., 7., 9.]) "
a=np.logspace(1,3,3, base=10, endpoint=True) # 对数等比数列，生成的数列以base=10取对数就是np.linspace(1,3,3)
" array([  10.,  100., 1000.]) "
# 可以生成任意等数列，例如：
a=np.logspace(1,5,5, base=2, endpoint=True)
" array([ 2.,  4.,  8., 16., 32.]) "
a=np.zeros(shape=4) # 生成全为0的数组
" array([0., 0., 0., 0.]) "
a=np.ones(shape=(2,2),order='C') #shape 指定数组形状，order指定排布方向，C为行，F为列。
""  array([[1., 1.],
           [1., 1.]])  ""
a=np.full((2,3),10) # shape指定形状，fill_value指定填充的值
""  array([[10, 10, 10],
           [10, 10, 10]])  ""
b=np.zeros_like(a) # 和a数组一样全为0的数组
"" array([[0, 0, 0],
          [0, 0, 0]])  ""  
a=np.eye(2,2,k=0) # 生成单位矩阵  # 参数k控制为1的对角线位置， k=0是主对角线， k=1为右上↗， k=-1为左下↙。
"" array([[1., 0.],
          [0., 1.]])  ""
a=np.empty((2,2),int)# 数组内容是随机的，不占用内存
""  array([[1506027568,  573],
           [         0,   0]])  ""
a=np.fromstring('1, 2', dtype=int, sep=',') # 字符串转换成数组
" array([1, 2]) "
def f1(x):
    return 2*x
a=np.fromfunction(f1,(4,)) # 索引值为自变量，函数值为数组值
" array([0., 2., 4., 6.]) "
def f2(x,y):
    return x+y
a=np.fromfunction(f2,(3,3)) # 二维数组则需要二元函数 , 变量分别为各个维度的索引， 更高维也是一样。
"""
array([[0., 1., 2.],
       [1., 2., 3.],
       [2., 3., 4.]])
"""

数组属性

对数组操作之前，我们必须知道数组的底细，除了打印出来看之外，下面属性可以快速了解数组。

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
type(a) 
 ' <class 'numpy.ndarray'> '   # 谁能告诉我为什么叫 ndarray
 a.dtype # 数组数据类型
 '  dtype('int32') ' 
 a.size # 数组元素个数 
 " 9 "
 a.shape # 数组形状
 " (3, 3) "
 a.ndim # 数组的维数
 " 2 "
 a.itemsize # 每个项占用的字节数
 " 4 "
 a.nbytes # 数组中的所有数据消耗掉的字节数
 " 36 "

数组操作

待更新

使用numpy运算

四则运算

使用numpy，可以轻松地在数组上执行数学运算, 加减乘除直接可以通过 $+-*/$ 计算。

a = np.array([[1.0, 2.0], [3.0, 4.0]]) 
b = np.array([[5.0, 6.0], [7.0, 8.0]]) 
Sum= a + b 
Difference = a - b 
Product = a * b 
Quotient = a / b 
"""
Sum = array([[ 6.,  8.],[10., 12.]])
Difference = array([[-4., -4.],[-4., -4.]])
Product =array([[ 5., 12.],[21., 32.]])
Quotient = array([[0.2 , 0.33333333], [0.42857143, 0.5 ]])
"""

矩阵运算

注意乘法运算符( $*$ )执行逐元素乘法而不是矩阵乘法。矩阵乘法是下面的方法

matrix_product = np.dot(a,b) 
"" matrix_product = array([[19., 22.],
                           [43., 50.]])  ""

基础统计计算

下面的操作都可以对数组所有元素或者某一轴进行，如果没有指定轴就是对所有元素计算。

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
a.sum() " 45 "  # 计算所有元素 # 下面都以定轴举例 
a.sum(axis=0) # 指定第0轴求和
 " array([12, 15, 18]) "
a.mean(axis=0) # 均值
" array([4., 5., 6.]) "
a.std(axis=0) # 标准差
" array([2.44948974, 2.44948974, 2.44948974]) "
a.var(axis=0) # 方差
" array([6., 6., 6.]) "
a.prod(axis=0) # 定轴乘积
" array([ 28,  80, 162]) "
a.ptp(axis=0) # 定轴极差
" rray([6, 6, 6]) "
a.min()# a.max # 数组中最小最大值
" 1 "
a.argmin(axis=0) # argmax # 数组中最小最大值的索引
" array([0, 0, 0]) "

使用numpy读取与保存数据

npy格式

numpy数据的格式为.npy 。

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
np.save("npy_data_a.npy",a)  # 参数分别为保存的文件路径# 需要保存的数组  
np.load("npy_data_a.npy") # 加载路径 
"""
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
 """

txt格式

np.savetxt("tet_data_a.txt",a) # 保存为txt文件数据
np.loadtxt("tet_data_a.txt") # 加载txt数据
"""
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
 """

csv格式

np.savetxt("csv_data_a.csv",a,delimiter=",")  # 保存为csv , delimiter为分隔符
b,c=np.loadtxt('csv_data_a.csv',delimiter=",",usecols=(1,2),max_rows=2,encoding='utf-8',unpack=True)
# 加载csv数据
# delimiter为分隔符 # usecols 为指定的列 # max_rows 加载最大行数 
# encoding 选择编码方式 ，编码方式不同会报错 # unpack 是否解包，这里两列分别解包给b,c
"" b=array([2., 5.]) 
   c=array([3., 6.]) ""

索引

切片

numpy切片和列表切片一样，方法是 np.array [起始 : 终点 : 步长] ，返回数组包含起始值不包含终点值, 起始和终点位置为负，则从后面数，倒数第一为 $-1$ 。步长为负则从后面向前切片。

a=np.arange(6) " array([0, 1, 2, 3, 4, 5]) "
a[0:5:2]  " array([0, 2, 4]) "
a[-1:2:-1] " array([5, 4, 3]) "

位置向量索引

location=[0,3]  #指定任意位置 
a[location]  " array([0, 3]) "

bool索引

a>3  "  array([False, False, False, False,  True,  True]) "
a[a>3] " array([4, 5]) "
a[(a>3)&(a<5)]  " array([4]) "

多维索引

多维索引就是在每一维分别做一维索引。

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
a[1,2] " 6 "
a[::2 , np.array([False,True,True])]  # 第 0 维度切片，第 1 维度布尔值索引 ，可以看成在各轴独立的指定
"" array([[2, 3],
         [8, 9]]) ""

感谢您在茫茫的网络世界中阅读了本文，真心希望没有浪费您宝贵的时间，期待您指出文中的不足！