python_numpy

python numpy 学习

• 1 numpy 概述

  • NumPy 是用于处理数组的 python 库。
  • NumPy 旨在提供一个比传统 Python 列表快 50 倍的数组对象。
  • NumPy 数组存储在内存中的一个连续位置，因此进程可以非常有效地访问和操纵它们.
  • NumPy 是一个 Python 库，部分用 Python 编写，但是大多数需要快速计算的部分都是用 C 或 C ++ 编写的。

• 2 查看numpy的版本

import numpy as np
print(np.__version__)

• 3 ndarray.array().ndim 维度属性

import numpy as np
arr = np.array([1, 2, 3, 4], ndmin=5)
print(arr)
print('number of dimensions :', arr.ndim)

• 4 访问ndarray中的值

import numpy as np
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(arr[0, 1, 2])

• 5 裁切 arr[1:5:2] // [start_index,end_index,step]

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[::2])

• 6 numpy数据类型

i - 整数
b - 布尔
u - 无符号整数
f - 浮点
c - 复合浮点数
m - timedelta
M - datetime
O - 对象
S - 字符串
U - unicode 字符串
V - 固定的其他类型的内存块 ( void )

- (1) 创建ndarray时指定值的类型
    - arr = np.array([1, 2, 3, 4], dtype='S')
    - arr = np.array([1, 2, 3, 4], dtype='i3') // int24
    - arr = np.array(['1', '2', '3'], dtype='i2') //a rray([1, 2, 3], dtype=int16)
- (2) 转换已有的数据类型
    - newarr = arr.astype('i2')
    - newarr = arr.astype(int)
    - - arr = np.array([1, 0, 3]) newarr = arr.astype(bool) // [ True False  True]

• 7 ndarray的副本和视图

  • (1) 副本拥有数据，对副本所做的任何更改都不会影响原始数组，对原始数组所做的任何更改也不会影响副本。
    • x = arr.copy()

  • (2) 视图不拥有数据，对视图所做的任何更改都会影响原始数组，而对原始数组所做的任何更改都会影响视图。

• 8 array的base属性:每个 NumPy 数组都有一个属性 base，如果该数组拥有数据，则这个 base 属性返回 None。
  否则，base 属性将引用原始对象。

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
y = arr.view()
print(x.base)
print(y.base)
# None
# [1 2 3 4 5]

• 9 ndarray的shape属性

import numpy as np
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
arr.shape
# (2, 2, 3)

• 10 ndarray的reshape

  • (1) arr.reshape()返回的是arr的视图

  import numpy as np
  arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
  newarr = arr.reshape(4, 3)
  print(newarr)
  print(arr)
  

  • (2) 未知维度
    • 1 newarr = arr.reshape(2, 2, -1) // 最后一个-1表示，numpy自动计算该维度
    • 2 newarr = arr.reshape(-1) //该-1表示将多维数组自动变成一维
  • (3) 有很多功能可以更改 numpy flatten、ravel 中数组形状，还可以重新排列元素 rot90、flip、fliplr、flipud 等。
    • newarr = np.rot90(arr) // 逆时针旋转90°
    • newarr = np.flip(arr) // 上下翻转,同flipud
    • newarr = np.fliplr(arr) // 左右翻转
    • newarr = arr.flatten() // 变成一维
    • newarr = arr.ravel() // 变成一维

• 11 使用 nditer() 迭代数组

  • (1) 迭代每个标量元素
    • 在基本的 for 循环中，迭代遍历数组的每个标量，我们需要使用 n 个 for 循环，对于具有高维数的数组可能很难编写。
    • 代码

    import numpy as np
    arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
    for x in np.nditer(arr):
        print(x)
    # 1 2 3 4 5 6
    

  • (2) 迭代不同数据类型的数组
    • for x in np.nditer(arr, flags=[‘buffered’], op_dtypes=[‘S’]): // 其中,flags是额外申请空间进行类型转换，op_dtypes是将会转化成的类型
  • (3) 以不同的步长迭代
    • np.nditer(arr[:, ::2]) // 行正常迭代，列迭代的步长是2
  • (4) 使用ndenumerate()迭代

  import numpy as np
  arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
  for idx, x in np.ndenumerate(arr):
        print(idx, x) // idx是x在arr中的位置例如(1, 2) 7
  

• 12 numpy数组连接（1：行方向连接，0：列方向连接）

  • (1) concatenate()

  import numpy as np
  arr1 = np.array([[1, 2], [3, 4]])
  arr2 = np.array([[5, 6], [7, 8]])
  arr = np.concatenate((arr1, arr2), axis=1)
  print(arr)
  

  • (2) stack() 堆叠:提高一个维度

  import numpy as np
  arr1 = np.array([1, 2, 3])
  arr2 = np.array([4, 5, 6])
  arr = np.stack((arr1, arr2))
  print(arr)
  

  • (3) hstack() // 按行堆叠
  • (4) vstack() // 按列堆叠
  • (5) dstack() // 按高度堆叠，高度与深度相同

• 13 数组的分割

  • (1) newarr = np.array_split(arr, 3) //如果数组中的元素少于要求的数量，它将从末尾进行相应调整。
  • (2) split() 方法也可用，但是当源数组中的元素较少,但却用于拆分时，它将不会调整元素，array_split() 正常工作，但 split() 会失败。
  • (3) newarr = np.array_split(arr, 3,axis=1) // axis拆分的维度
  • (4) 与h/s/d stack() 方法相反的 np.(h/v/d)split() 拆分方法。

• 14 numpy 数组搜索

  • (1) np.where()
    • np.where(arr==array某个元素)
    • np.where(arr%2 == 1)
  • (2) np.searchsorted(np.anarray,int,side=‘right’ or ‘left’)
    • x = np.searchsorted(arr, 7)

    import numpy as np
    arr = np.array([1, 3, 5, 7])
    x = np.searchsorted(arr, [2, 4, 6])
    print(x) # 返回值是一个数组：[1 2 3] 包含三个索引，其中将在原始数组中插入 2、4、6 以维持顺序。
    

• 15 数组排序 np.sort()

  • np.sort() # 返回的是数组的副本

import numpy as np
arr = np.array([[3, 2, 4], [5, 0, 1]])
print(np.sort(arr))

• 16 数组过滤器（挑选出符合条件的values）

  • (1) 过滤器

  import numpy as np
  arr = np.array([61, 62, 63, 64, 65])
  x = [True, False, True, False, True] // 这个x就是过滤器，true位置上的所有元素将组成一个新的数组
  newarr = arr[x]
  print(newarr)
  

  • (2) for 循环可以手动创建过滤器
  • (3) numpy提供的方法提供的过滤器

  import numpy as np
  arr = np.array([61, 62, 63, 64, 65])
  filter_arr = arr > 62 // 这里就创建了一个过滤器 [False False  True  True  True]
  newarr = arr[filter_arr]
  print(filter_arr)
  print(newarr)
  

• 17 numpy 随机数

  • np.randint(100,size=(3,5)) //生成一个0-100 之间的3行5列的矩阵
  • x = random.rand(3, 5) // 生成有 3 行的 2-D 数组，每行包含 5 个随机数
  • 从数组生成随机数 np.choice([1,2,3,5,6],size=(3,4))

• 18 ufuncs——通用函数

  • 例如：对两个列表的元素进行相加
    • (1) for循环实现

    x = [1, 2, 3, 4]
    y = [4, 5, 6, 7]
    z = []
    for i, j in zip(x, y):
        z.append(i + j)
    print(z)
    

    • (2) unfuncs —— np.add() 函数实现

    import numpy as np
    x = [1, 2, 3, 4]
    y = [4, 5, 6, 7]
    z = np.add(x, y)
    print(z)