Numpy笔记

Numpy

numpy往往与SciPy、matplotlib一起使用来替代一些matlab的功能

Ndarry

基本操作

• 一个N维数组对象，只能存放==同类型==数据，跟C语言的数组类似
• 默认是行向量，使用nd.T把nd转换成列（一维是不可转的）
  也可以使用reshape(-1,1)的方法强行要求只有一列，那看起来就是列向量了，实际上是二维向量
• numpy.arry(object,dtype=none,copy=true,order=true,ndmin=0)
  • object：数组或嵌套的数列
  • dtype：数组的元素类型
  • copy：是否拷贝，如果不拷贝则对原数组进行修改，否则返回修改后的副本
  • order：创建数组的方向，C为行方向，F为列方向，A为任意方向
  • ndmin：指定生成数组的最小维度

初体验

from numpy import arry
// 生成一维的数组，跟列表是一样的
lst = [1,2,3,4]
lst_1 = arry(lst)
>>> [1,2,3,4]

// 生成二维数组，就是列表嵌套
lst_2 = arry([lst,lst])
>>>[[1,2,3,4],[1,2,3,4]]

// 指定生成二维数组
lst_1_2 = arry(lst,ndmin=2)
>>> [[1,2,3,4]]

指定数据类型

from numpy import arry
// 指定数据类型为复数(complex)
lst = [1,2,3]
lst_cp = arry(lst,dtype=complex)
>>>[1.+0.j,2.+0.j,3.+0.j]

支持的数据类型

名称	类型	描述
bool_	标准布尔值(True|False)
int_	默认整形	默认整形方法在未来版本会==被淘汰==
intN	长度为N的整形	N可取8,16,32,64 可以使用i1,i2,i4,i8指代 需要从Numpy包导入这些指代
uintN	无符号长度为N的整形	N可取8,16,32,64
float_	双精度(64bit)
float16	半精度
float32	单精度
complex_	双64bit浮点数表示复数
complex64	双32bit浮点数表示复数

内建数据类型字符

字符	类型
b	布尔值
i	有符号整形
u	无符号整形
f	浮点型
c	复数浮点
m	时间间隔(timedelta)
M	时间日期(datetime)
O	对象(Object)
S,a	字符串(字节)
U	Unicode
V	原始数据(void)

数据类型对象(dtype)

• 数据类型
• 数据大小(字节)
• 数据顺序(大端法|小端法)以(<表示小端法以>表示大端法)
• 等

构造数据类型

• numpy.dtype(object,align,copy)
  • object：需要转换的数据类型对象
  • copy：复制dtype对象，布尔值

---

基本使用

from numpy import dtype
from numpy import i8
dt = dtype([('age',i8)])
print(dt)
>>>[('age','i1')]

构造一个结构化对象，类似于数据库的各个字段

from numpy import dtype,arry
// 构造字段Student(name,age,marks)
student = dtype([('name','S20'),('age','i1'),('marks','f4')])
// 创建一个表
table = arry([('dustella',20,99),('jinzhi0123',18,99)],dtype=student)

数组属性

• 数组的维数称为秩数(rank)
• 每个线性的数组称为一个轴(axis)，轴的数量就是秩
• 如果要对每一列进行操作，可以设置轴axis=0，对每一行进行操作，可以设置轴axis=1

属性	说明
ndim	秩
shape	维数，nxm矩阵，返回一个tuple[行数,列数]
size	n*m的值，元素数量
dtype	数据类型
itemsize	每个元素的大小，单位为字节
reshape	返回一个shape后的==副本==
等

.shape：

# 将c转换成3行4列
c.shape = 3,4
# 要求np自动判断多少列，仅要求用3行
c.shape = 3,-1
# 升级成三维
c.shape = 3,3,-1

创建数组

• 创建一个指定维数、格式化的空数组，此时数组元素是未初始化的随机值

  ==NOTE==

  在shape中如果使用(a,b)等元组，则创建相应的维数

  使用单个数则是生成一维数组

  numpy.empty(shape,dtype,order)

• 创建一个指定维数、格式化的数组，元素以0进行初始化

  numpy.zeros(shape,dtype,order)

• 创建一个指定维数、格式化的数组，元素以1进行初始化

  numpy.ones(shape,dtype,order)

• 创建一个对角矩阵（单位矩阵：对角线是1，其余为0）

  numpy.eye(shape)

• 生成一个随机整数矩阵

  numpy.random.randint(start,end,side)

  size接受随机矩阵的维数

• 由python对象生成数组

  numpy.arry(<python object>,dtype,order)

• ==动态数组==

  numpy.frombuffer(buffer,dtype,count,offset)

  • buffer：任意对象，以流形式读入，使用字符串时先转换成二进制比特流
  • dtype：返回的数组类型
  • count：读取的数据数量，-1为读取所有数据
  • offset：起始的读取位置

• 可迭代对象生成数组

  numpy.fromiter(iterable,dtype,count=-1)

• ==数值范围生成==数组

  numpy.arange(start,stop,step,dtype)

  不含stop

  大多返回一维数组，python内置的range只能生成整数

• 从==等差数列==生成数组

  numpy.linspace(start,stop,num=50,endpoint,restep=False,dtype)

  • start|stop：起始值|终止值(含)

  • num：等步长的样本数量

  • endpoint：数列中是否包含stop值，布尔值

    ==NOTE==

    linspace(0,1,10)将0~1分成10份，由于最终点是1，因此从0开始每次只增长1/9，需要每次增长0.1的，需要分成11份，这样每次就步长1/10了，或者将endpoint=False

• ???

  numpy.logspace(start,stop,num,endpoint=True,base=10.0,dtype)

  • base：对数log的底数

取缔循环

python中的循环是缓慢的，通过数组操作可以取缔循环

# 不使用python的循环语句完成一个列表数值的平方操作
from numpy import np
y = list(range(11))
y_ = np.array(y)
y_**2

矩阵计算

加法

当一行加一列时会发生自动扩展(广播)

==按行|列求和==

# 有一个多维向量，要求按行求和
res = np.sum(ary,axis=1)
# 有一个多维向量，要求按列求和
res = np.sum(ary,axis=0)

此外还有var|max|avg等通用函数

数组访问

切片

• 通过内置的方法切片slice(start,stop,step)
• 直接切片<arry object>[start,stop,step]

索引(高级索引)

Numpy可以通过==整数数组==索引、==布尔数组==索引、==花式索引==

整数索引

对于一个2X2数组矩阵，可以通过类似于直角坐标系方式的整数数组方式索引

from numpy import xrange
ary = arry([[1,2,3],[5,6,7],[7,8,9]])
# 提取下标为1 1 0的三个数组
res = ary([1,1,0])

你也可以把一个一维数组当做索引数组传入，将其值索引出来

二维矩阵索引

对于一个二维矩阵multi：

• multi[0,3:5]：第0行的第三列到第五列（不含）
• multi[4:,4:]：第四行、第四列开始的一个方阵
• multi[:,2]：提取第二列的所有行
• multi[2::2,::2]：第二行开始，步长为2（即双数）的行，从0开始到最后一列（步长为2）的列

Do Myself

矩阵转置：

row = np.array([[1],[2],[3],[4]])
# 使用reshape方法转置成4行，1列
col_1 = row.reshape((4,1))
# 使用转置方法 .T

拆分数组

# Array:需要拆分的数组  Num:拆分的份数  axis:沿 1:y轴 0:x轴拆分
np.split(Array,Num,axis)

沿着任意一个数组的列拆分：

np.split(array,array.shape[1],axis=1)

数组展平：

old = np.array([[1,2,3,4],[5,6,7,7]])
new = old.flatten()