目录
- 一、简介
- 二、创建数组对象以及数组对象属性和方法
- 三、数组的类型
- 四、数组的形状
- 五、数组的计算
- 六、numpy读取数据
- 七、索引与切片
- 八、numpy中的nan
- 九、常用统计函数
- 十、一些其他的方法
- 10.1 数组的拼接
- 10.2 行列交换
- 10.3 获取最大最小值的位置方法
- 10.4 生成随机数
一、简介
一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算
二、创建数组对象以及数组对象属性和方法
函数 | 说明 |
arange | 类似python内置的range，但返回的是一个ndarray而不是列表 |
array | 将输入的数据（列表、元祖、数组或其他序列类型）转换为ndarray。要么推断出dtype，要么显示指定dtype。默认直接复制输入的数据 |
asarray | 将输入的数据转换为ndarray，如果输入本身就是一个ndarray就不进行复制 |
ones、ones_like | 根据指定的形状和dtype创建一个全1的数组。ones_like以另一个数组为参数，并根据其形状和dtype创建一个全1的数组 |
zeros、zeros_like | 类似于ones和ones_like ，只不过产生全0的数组 |
empty、empty_like | 创建新数组，只分配内存空间但是不填充任何值 |
eye、identity | 创建一个正方的NxN单位矩阵(对角巷为1，其余为0) |
属性/方法 | 说明 |
ndim | 维度 |
size | 元素个数 |
shape | 数组的形状 |
itemsize | 每个元素所占的字节 |
nbytes | 总占字节 |
real | 针对复数类型的实数部分 |
imag | 针对复数类型的虚数部分 |
dtype | 用于指定或输出数组对象元素的类型 |
reshape | 分割数组成指定形状:data.reshape(2,3,4) |
astype | 类型转换:arr.astype(np.float64) |
import numpy as np
a = np.array([1,2,3,4,5])
b = np.array(range(1,6))
c = np.arange(1,6)上面a，b，c的内容相同都为：
array([1, 2, 3, 4, 5])查看数据的类型：
a.dtype
dtype('int32')- 创建多维数组
np.arange(1,25).reshape(4,6) # reshape可以指定数组的形状
array([[ 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12],
[13, 14, 15, 16, 17, 18],
[19, 20, 21, 22, 23, 24]])- 创建全为0或者1的数组与上面类似，调用属性或者方法也类似
注意：对于一些方法的使用，可以直接使用pycharm查看源码，源码上已经有很详细的注释还有一些例子：例如zeros方法，按住ctrl查看其源码，可以看到该如何使用这些方法
def zeros(shape, dtype=None, order='C'): # real signature unknown; restored from __doc__
"""
zeros(shape, dtype=float, order='C')
Return a new array of given shape and type, filled with zeros.
Parameters
----------
shape : int or tuple of ints
Shape of the new array, e.g., ``(2, 3)`` or ``2``.
dtype : data-type, optional
The desired data-type for the array, e.g., `numpy.int8`. Default is
`numpy.float64`.
order : {'C', 'F'}, optional, default: 'C'
Whether to store multi-dimensional data in row-major
(C-style) or column-major (Fortran-style) order in
memory.三、数组的类型
- 关于数组中元素的类型，可以使用dtype属性来查看，更多的属性可以看下表
- 也可以在创建数组时指定数据的类型，例如
In [3]: np.array([1,0,1,0],dtype=np.bool)
Out[3]: array([ True, False, True, False])In [8]: c = np.random.rand(3,3)
In [9]: c
Out[9]:
array([[0.56375592, 0.79636384, 0.46828949],
[0.25391213, 0.95462444, 0.85507318],
[0.87857127, 0.17334742, 0.64066803]])
# 保留固定位数的小数
In [10]: np.round(c,2)
Out[10]:
array([[0.56, 0.8 , 0.47],
[0.25, 0.95, 0.86],
[0.88, 0.17, 0.64]])四、数组的形状
与数组的形状相关的属性为shape，数组的形状可以理解为数组的维度
In [4]: a = np.array([[1,2,3,4,5],[6,7,8,9,0]])
In [5]: a.shape
Out[5]: (2, 5)上面a是一个2*5的二维数组，所以shape[0]代表的是数组的行，shape[1]代表的是数组的列，可以通过reshape来改变数组的维度
In [7]: a = np.arange(24)
In [8]: a
Out[8]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])
In [9]: a.shape
Out[9]: (24,)
In [10]: a.reshape(4,6)
Out[10]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])flatten()方法可以快速的将数组化为1维度数据
In [11]: a.flatten()
Out[11]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])五、数组的计算
- 广播机制
In [16]: a
Out[16]:
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
In [17]: a+1
Out[17]:
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
In [18]: a*3
Out[18]:
array([[ 0, 3, 6, 9, 12],
[15, 18, 21, 24, 27]])数组与数组之间的计算
In [23]: a
Out[23]:
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
In [24]: b
Out[24]:
array([[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
In [25]: a+b
Out[25]:
array([[10, 12, 14, 16, 18],
[20, 22, 24, 26, 28]])
In [26]: a*b
Out[26]:
array([[ 0, 11, 24, 39, 56],
[ 75, 96, 119, 144, 171]])
In [27]: a/b
Out[27]:
array([[0. , 0.09090909, 0.16666667, 0.23076923, 0.28571429],
[0.33333333, 0.375 , 0.41176471, 0.44444444, 0.47368421]])不同维度之间的数组计算
In [35]: a
Out[35]:
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
In [36]: c
Out[36]: array([1, 2, 3, 4, 5])
In [37]: a+c
Out[37]:
array([[ 1, 3, 5, 7, 9],
[ 6, 8, 10, 12, 14]])
In [39]: a*c
Out[39]:
array([[ 0, 2, 6, 12, 20],
[ 5, 12, 21, 32, 45]])In [51]: a
Out[51]:
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
In [52]: d
Out[52]:
array([[0],
[1]])
In [53]: a+d
Out[53]:
array([[ 0, 1, 2, 3, 4],
[ 6, 7, 8, 9, 10]])六、numpy读取数据
什么是csv文件？
- CSV （逗号分隔值文件格式）广义的csv文件可以不是逗号分隔；
CSV文件最早用在简单的数据库里，由于其格式简单，并具备很强的开放性，所以起初被扫图家用作自己图集的标记。CSV文件是个纯文本文件，每一行表示一张图片的许多属性。你在收一套图集时，只要能找到它的CSV文件，用专用的软件校验后，你对该图集的状况就可以了如指掌。 每行相当于一条记录，是用“，”分割字段的纯文本数据库文件。- csv文件的显示: 以Excel表格的方式打开;
numpy使用loadtxt()方法读取文件数据：
np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
七、索引与切片
- 一维数组通过冒号分隔切片参数 start:stop:step 来进行切片操作：
In [6]: a
Out[6]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [7]: a[2:7:2]
Out[7]: array([2, 4, 6])
In [8]: a[5]
Out[8]: 5
In [10]: a[2:]
Out[10]: array([2, 3, 4, 5, 6, 7, 8, 9])
In [11]: a[2:5]
Out[11]: array([2, 3, 4])
In [12]: a[:6]
Out[12]: array([0, 1, 2, 3, 4, 5])- 二维数组[行,列]，逗号前是分割行，逗号后是分割列，同样有start:stop:step 这个规则，如果只切割行，那么逗号可以省略
In [4]: a
Out[4]:
array([[1, 2, 3],
[3, 4, 5],
[4, 5, 6]])
In [5]: a[1:]
Out[5]:
array([[3, 4, 5],
[4, 5, 6]])
In [6]: a[:,2]
Out[6]: array([3, 5, 6])
In [7]: a[:,1:3]
Out[7]:
array([[2, 3],
[4, 5],
[5, 6]])
In [8]: a[[0,1],[0,1]]
Out[8]: array([1, 4])
In [12]: a[:2,:]
Out[12]:
array([[1, 2, 3],
[3, 4, 5]])
In [13]: a[:2,:2]
Out[13]:
array([[1, 2],
[3, 4]])- 布尔索引
我们可以通过一个布尔数组来索引目标数组。
布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
In [24]: a
Out[24]:
array([[1, 2, 3],
[3, 4, 5],
[4, 5, 6]])
In [25]: a[a>3]
Out[25]: array([4, 5, 4, 5, 6])
In [26]: a[a>3] = 10
In [27]: a
Out[27]:
array([[ 1, 2, 3],
[ 3, 10, 10],
[10, 10, 10]])- 三元运算符
In [27]: a
Out[27]:
array([[ 1, 2, 3],
[ 3, 10, 10],
[10, 10, 10]])
In [28]: np.where(a>2,100,0)
Out[28]:
array([[ 0, 0, 100],
[100, 100, 100],
[100, 100, 100]])八、numpy中的nan
nan(NAN,Nan):not a number表示不是一个数字
什么时候numpy中会出现nan：
- 当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
- 当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)
inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷
什么时候回出现inf包括（-inf，+inf）
- 比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）
nan的注意事项
- 两个nan是不相等的
- np.nan != np.nan
- 判断nan的个数
In [32]: b
Out[32]:
array([[ 1., nan, 3.],
[ 3., 4., nan],
[ 4., 5., 6.]])
In [41]: b==b
Out[41]:
array([[ True, False, True],
[ True, True, False],
[ True, True, True]])
In [42]: b!=b
Out[42]:
array([[False, True, False],
[False, False, True],
[False, False, False]])
# 统计nan的个数
In [43]: np.count_nonzero(b!=b)
Out[43]: 2解释：count_nonzero函数统计不是0的个数，b!=b中如果b中有nan，那么返回true代表值为1，那么1是不为0的就把nan的个数统计出来
- 过滤nan
In [32]: b
Out[32]:
array([[ 1., nan, 3.],
[ 3., 4., nan],
[ 4., 5., 6.]])
In [36]: b[b==b]
Out[36]: array([1., 3., 3., 4., 4., 5., 6.])- nan和任何值计算都是nan
In [44]: b
Out[44]:
array([[ 1., nan, 3.],
[ 3., 4., nan],
[ 4., 5., 6.]])
In [45]: b + 1
Out[45]:
array([[ 2., nan, 4.],
[ 4., 5., nan],
[ 5., 6., 7.]])九、常用统计函数
作用 | 函数 |
求和 | t.sum(axis=None) |
均值 | t.mean(a,axis=None) 受离群点的影响较大 |
中值 | np.median(t,axis=None) |
最大值 | t.max(axis=None) |
最小值 | t.min(axis=None) |
极值 | np.ptp(t,axis=None) |
标准差 | t.std(axis=None) |
默认返回多维数组的全部的统计结果,如果指定axis则返回一个当前轴上的结果
例如：
In [46]: a
Out[46]:
array([[ 1, 2, 3],
[ 3, 10, 10],
[10, 10, 10]])
In [47]: a.sum(axis=0)
Out[47]: array([14, 22, 23])
In [48]: a.sum(axis=1)
Out[48]: array([ 6, 23, 30])十、一些其他的方法
10.1 数组的拼接
- 竖直拼接vstack()
In [49]: t1 = np.arange(12).reshape(2,6)
In [50]: t1
Out[50]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
In [52]: t2 = np.arange(12,24).reshape(2,6)
In [53]: t2
Out[53]:
array([[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
In [55]: np.vstack((t1,t2))
Out[55]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])- 水平拼接hstack
In [57]: np.hstack((t1,t2))
Out[57]:
array([[ 0, 1, 2, 3, 4, 5, 12, 13, 14, 15, 16, 17],
[ 6, 7, 8, 9, 10, 11, 18, 19, 20, 21, 22, 23]])10.2 行列交换
In [60]: a
Out[60]:
array([[ 1, 2, 3],
[ 3, 10, 10],
[10, 10, 10]])
In [61]: a[[1,2],:] = a[[2,1],:] # 行交换
In [62]: a
Out[62]:
array([[ 1, 2, 3],
[10, 10, 10],
[ 3, 10, 10]])
In [63]: a[[0,1],:2] = a[[0,1],:2] #部分行交换
In [64]: a
Out[64]:
array([[ 1, 2, 3],
[10, 10, 10],
[ 3, 10, 10]])
In [65]: a[[0,1],:2] = a[[1,0],:2] #列交换
In [66]: a
Out[66]:
array([[10, 10, 3],
[ 1, 2, 10],
[ 3, 10, 10]])
In [67]: a[:,[0,2]] = a[:,[2,0]]
In [68]: a
Out[68]:
array([[ 3, 10, 10],
[10, 2, 1],
[10, 10, 3]])10.3 获取最大最小值的位置方法
- np.argmax(t,axis=0)
- np.argmin(t,axis=1)
In [75]: c
Out[75]:
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
In [76]: np.argmax(c,axis=0)
Out[76]: array([1, 1, 1, 1, 1], dtype=int64)
In [77]: np.argmax(c,axis=1)
Out[77]: array([4, 4], dtype=int64)
In [78]: np.argmin(c,axis=0)
Out[78]: array([0, 0, 0, 0, 0], dtype=int64)
In [79]: np.argmin(c,axis=1)
Out[79]: array([0, 0], dtype=int64)10.4 生成随机数
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
