python学习笔记之numpy库的使用——超详细逐梦er的博客-

NumPy介绍

NumPy 是 Python 语言的一个第三方库，其支持大量高维度数组与矩阵运算。此外，NumPy 也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一。

一.如何创建

1.导入Numpy库，并命名为np：

import numpy as np 

2.查看版本

np.__version__ 

   '1.15.1'

创建数组

NumPy 的主要对象是多维数组 Ndarray。在 NumPy 中维度 Dimensions 叫做轴 Axes，轴的个数叫做秩 Rank。注意，numpy.array 和 Python 标准库 array.array 并不相同，前者更为强大，这也就是我们学习 NumPy 的重要原因之一。

3.通过列表创建一维数组：

np.array([1, 2, 3]) 

   array([1, 2, 3])

上方数组是一个秩为 1 的数组，因为它只有一个轴，而轴的长度为 3。

4.通过列表创建二维数组：

np.array([(1, 2, 3), (4, 5, 6)]) 

   array([[1, 2, 3], [4, 5, 6]])

5.创建全为0的二维数组

np.zeros((3, 4)) 

array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])

6.创建全为1的三维数组

np.ones((2, 3, 4)) 

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.]]])

full函数，创建任意大小的数组并填充任意数字

np.full((3, 4), 2) 

array([[2, 2, 2, 2],
   [2, 2, 2, 2],
   [2, 2, 2, 2]])

7.创建一维等差数组

np.arange(5) 

   array([0, 1, 2, 3, 4])

8. 创建二维等差数组：

np.arange(6).reshape(2, 3) 

array([[0, 1, 2],
   [3, 4, 5]])

9. 创建单位矩阵（二维数组）：

np.eye(3) 

array([[1., 0., 0.],
   [0., 1., 0.],
   [0., 0., 1.]])

10. 创建二维随机数组：

np.random.rand(2, 3) 

array([[0.38257919, 0.63590106, 0.64884528],
   [0.09064574, 0.32850939, 0.94661844]])

11.创建二维随机整数数组（数值小于 5）：

np.random.randint(5, size = (2, 3)) 

array([[2, 3, 4],
   [3, 2, 4]])

二.数组运算

a = np.array([10, 20, 30, 40, 50]) b = np.arange(1, 6) a, b 

   (array([10, 20, 30, 40, 50]), array([1, 2, 3, 4, 5]))

sum

a = np.array([[1, 2], [3, 4]]) np.sum(a) 

   10

np.sum(a, axis=0) # axis=0 表示对每一列求和 

   array([4, 6])

np.sum(a, axis=1) # axis=0 表示对每一行求和 

   array([3, 7])

mean

np.mean(a) # 求取平均值 

2.5 

tile

a 

array([[1, 2],
   [3, 4]])

np.tile(a, (1, 2)) # 将数组a变成一行俩列 

array([[1, 2, 1, 2],
   [3, 4, 3, 4]])

np.tile(a, (2, 1)) 

array([[1, 2],
   [3, 4],
   [1, 2],
   [3, 4]])

argsort

a = np.array([[3, 6, 4, 11], [5, 10, 1, 3]]) a.argsort() # 将元素按照行从小到大排序，返回对应位置元素的下标 

array([[0, 2, 1, 3],
   [2, 3, 0, 1]], dtype=int64)

# 按照列排序 a.argsort(axis=0) 

array([[0, 0, 1, 1],
   [1, 1, 0, 0]], dtype=int64)

12.一维数组加法运算：

a + b 

   array([11, 22, 33, 44, 55])

13.一维数组减法运算：

a - b 

   array([ 9, 18, 27, 36, 45])

14. 一维数组乘法运算：

a * b 

   array([ 10, 40, 90, 160, 250])

15.一维数组除法运算:

a / b 

   array([10., 10., 10., 10., 10.])

16.二维数组的运算,相应位置上进行±*/

A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) A * B 

array([[ 5, 12],
   [21, 32]])

17 矩阵乘法运算（注意与上题的区别）：

np.dot(A, B) 

array([[19, 22],
   [43, 50]])

18.如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算：

np.mat(A) * np.mat(B) 

matrix([[19, 22],
   [43, 50]])

19.转置矩阵：

A.T 

array([[1, 3],
   [2, 4]])

20. 矩阵求逆：

np.linalg.inv(A) 

array([[-2. , 1. ],
   [ 1.5, -0.5]])

广播

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = np.array([1, 2, 3]) 

# 在a的每一行都加上b a + np.tile(b, (3, 1)) 

array([[ 2, 4, 6],
   [ 5, 7, 9],
   [ 8, 10, 12]])

 # 可直接简写为a+ b, numpy自动实现广播功能，当参与运算的操作数的维度不一样时 a + b 

array([[ 2, 4, 6],
   [ 5, 7, 9],
   [ 8, 10, 12]])

三.索引的使用

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) 

3.1 取出某个确定的值

# 表示第二行，第三列的数， 逗号前表示一维，逗号后表示二维，以此类推 a[1, 2] 

   7

3.2 取出某个范围的值

# 冒号表示所取的范围，跟列表的索引用法一样， # 逗号用来区分每个维度，下面的代码表示[取倒数第二行到最后一行, 第二列到第三列 a[-2:, 1:3] 

array([[ 6, 7],
   [10, 11]])

3.3 给某个范围的数进行运算

# 给a数组的第二列上的每个数加上10 a[np.arange(3), 1] += 10 a 

array([[ 1, 12, 3, 4],
   [ 5, 16, 7, 8],
   [ 9, 20, 11, 12]])

np.arange(10) # 从0开始生成10个数 

   array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(3, 7) # 还可以生成特定范围的数 

   array([3, 4, 5, 6])

# 还可以这样写, 相当于，一个行对应一个列 a[[0, 1, 2], [1, 1, 1]] += 10 a 

array([[ 1, 22, 3, 4],
   [ 5, 26, 7, 8],
   [ 9, 30, 11, 12]])

3.4 获取数组中大于或小于某个确定值的数值

result_index = a > 10 result_index 

array([[False, False, False, False],
   [False, False, False, False],
   [False, False, True, True]])

a[result_index] 

   array([11, 12])

# 这样写即可 a[a > 10] 

   array([11, 12])

四.元素数据类型

4.1 使用dtype函数查看数组的数据类型

a = np.array([1, 2, 3]) 

a.dtype 

   dtype('int32')

a = np.array([1.1, 2.2]) a.dtype 

   dtype('float64')

a = np.array([1, 1.2]) a.dtype 

   dtype('float64')

a = np.array([1.1, 2.2], dtype = np.int64) # 将数据类型转换为整数，直接去掉小数部分 a 

   array([1, 2], dtype=int64)

a.dtype 

   dtype('int64')

4.2使用astype转换数据类型

a = np.array(['1.2', '1.3', '1.4'], dtype = np.string_) a 

   array([b'1.2', b'1.3', b'1.4'], dtype='|S3')

a.astype(np.float) 

   array([1.2, 1.3, 1.4])