python numpy使用

缺乏、安全感 2021-10-18 09:34 403阅读 0赞

numpy是一个多维的数组对象，类似python的列表，但是数组对象的每个元素之间由空格隔开。

## 一、数组的创建 ##

### 1.通过numpy的array(参数)，参数可以是列表、元组、数组、生成器等 ###

由arr2和arr3看出，对于多维数组来说，如果最里层的数据类型不一致，array()会将其转化为一致

由arr2和arr4看出，对于最里层的数据个数不一致，array()的结果只是一个一维数组。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

import numpy as np
    arr1 = np.array(range(10))
    arr2 = np.array([[1,2,3],[4,5,6]])
    arr3 = np.array([[1,2,3],['a','b','c']])
    arr4 = np.array([[1,2,3],['a','b']])
    print(arr1)
    print(arr2)
    print(arr3)
    print(arr4)

array()创建数组

![1491217-20190720110112109-1296765226.png][]

### 2.通过numpy的arange(start,stop,step=1,dtype)创建一维数组 ###

start表示起始值，stop表示终止值（包含start但不包含stop，即前闭后开区间），step表示步长默认为1，dtype表示元素类型，其中stop和step可省略。

arr5 = np.arange(5)                  #[0 1 2 3 4]
    arr6 = np.arange(1.0,6)              #[1. 2. 3. 4. 5. ]
    arr7 = np.arange(1.0,6,dtype = int)  #[1 2 3 4 5]
    arr8 = np.arange(1,8,2)              #[1 3 5 7]

## ##

### 3.通过reshape(m,n)创建 ###

如下示例表示创建10个0-1之间的随机数，然后生成一个二维数组，每个数组5个元素。

arr = np.random.rand(10).reshape(2,5)
    print(arr)
    # [[0.03377643 0.17232537 0.55157918 0.96107258 0.50468264]
    #  [0.85299258 0.50271173 0.31466024 0.89302    0.82547851]]

## ##

### 4.通过linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)创建一维数组 ###

start：起始值

stop：终止值，默认包含stop

num：数组元素的个数，默认为50个

endpoint：数组是否包含stop，默认为true包含，false表示不包含

retstep：数组是否显示步长，默认为false不显示，只显示数组；true表示结果显示为一个元组，元组的第一个元素为数组第二个元素为步长

dtype：数组元素的类型

arr1 = np.linspace(1,5,num=5)   #[1. 2. 3. 4. 5.]
    arr2 = np.linspace(1,6,num=5,endpoint=False,retstep=True,dtype=int)   #(array([1, 2, 3, 4, 5]), 1.0)

## ##

### 5.通过zeros(shape,dtype=float)和zeros\_like(arr,dtype)创建元素全部为0的多维数组  ###

zeros()表示创建一个数组，纬度为参数shape，元素全部为0且默认类型为float

zeros\_like()表示创建一个类似参数arr结构的数组，元素全部为0，元素类型默认与arr保持一致，也可自定义元素类型。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.zeros(3)
    arr2 = np.zeros([3,2],dtype = int)
    arr3 = np.zeros_like(arr1,dtype = int)
    print(arr1)
    print(arr2)
    print(arr3)
    # [0. 0. 0.]
    # [[0 0]
    #  [0 0]
    #  [0 0]]
    # [0 0 0]

zeros()和zeros\_like()创建数组

## ##

### 6.通过ones(shape,dtype=float)和ones\_like(arr,dtype)创建元素全部为1的多维数组  ###

ones()和ones\_like()的用法类似zeros()和zeros\_like()的用法，只是数组的元素的值为1。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.ones(2)
    arr2 = np.ones((2,3),dtype = int)
    arr3 = np.ones_like(arr1,dtype = int)
    print(arr1)
    print(arr2)
    print(arr3)
    # [1. 1.]
    # [[1 1 1]
    #  [1 1 1]]
    # [1 1]

ones()和ones\_like()创建数组

## ##

### 7.通过eye(n,dtype = float)创建多维数组  ###

eye()表示创建n\*n的数组，对角线元素为1其他元素为0，默认元素类型为float。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.eye(2)
    arr2 = np.eye(3,dtype = int)
    print(arr1)
    print(arr2)
    # [[1. 0.]
    #  [0. 1.]]
    # [[1 0 0]
    #  [0 1 0]
    #  [0 0 1]]

eye()创建数组

## 二、数组常用属性 ##

type(arr)   数组类型  
arr.ndim    数组的秩，即轴的数量或纬度的数量  
arr.shape  数组的形状，形式为(m,n)，对于二位数组来说m表示行n表示列  
arr.size     数组元素的总个数，相当于shape中的m\*n  
arr.dtype   数组元素的类型  
arr.itemsize   数组元素的大小，单位为字节    
arr.data  实际数组元素的缓冲区

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr = np.array(([1,2,3],[4,5,6]))
    print(type(arr))   #<class 'numpy.ndarray'>
    print(arr.ndim)    #2
    print(arr.shape)   #(2, 3)
    print(arr.size)    #6
    print(arr.dtype)   #int32
    print(arr.itemsize)# 4
    print(arr.data)    #<memory at 0x000002DADBB082D0>

数组常用属性

## 三、数组的索引 ##

#### ①数值索引 ####

数组的数值索引类似python列表和元组的索引，从0开始，且切片\[m:n\]表示包括m但不包括n。

对于嵌套列表和元组来说，可通过l\[m\]\[n\]获取第二层的值，在numpy中除了这种方法，还可通过arr\[m,n\]来获取，m表示行n表示列。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr = np.arange(12).reshape(2,2,3)
    print(arr)
    print(arr[0][1][1:])
    print(arr[1][0][2])
    print(arr[1,0,2])
    # [[[ 0  1  2]
    #   [ 3  4  5]]
    # 
    #  [[ 6  7  8]
    #   [ 9 10 11]]]
    # [4 5]
    # 8
    # 8

数组的数值索引

#### ②布尔索引 ####

使用布尔索引时，False表示不保留，True表示保留，如下例子h表示在水平方向的索引规则，即保留第二行，v表示在竖直方向的索引规则，保留第一列和第三列。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr = np.arange(12).reshape(3,4)
    h = np.array([False,True,False])
    v = np.array([True,False,True,False])
    print(arr)
    print(arr[h])
    print(arr[:,v])
    print(arr[h,v])
    # [[ 0  1  2  3]
    #  [ 4  5  6  7]
    #  [ 8  9 10 11]]
    # [[4 5 6 7]]
    # [[ 0  2]
    #  [ 4  6]
    #  [ 8 10]]
    # [4 6]

数组的布尔索引

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr = np.arange(12).reshape(2,6)
    m = (arr>8)
    n = (arr<3)
    print(m)
    print(n)
    print(arr[m])
    print(arr[n])
    # [[False False False False False False]
    #  [False False False  True  True  True]]
    # [[ True  True  True False False False]
    #  [False False False False False False]]
    # [ 9 10 11]
    # [0 1 2]

数组的布尔索引2

## 四、数组常用方法 ##

### 1..T转置 ###

.T会对原数组进行转置操作，一维数组转置后的结果与原数组相同。

.T会生成新的数组，修改原数组会影响转置后的数组，修改转置后的数组也会影响原数组，即两者指向相同的内存地址。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.arange(5)
    print(arr1)
    arr2 = arr1.T
    print(arr2)
    arr1[1]=10
    arr2[3]=30
    print(arr1,arr2)
    
    arr3 = np.array([[1,2,3],[4,5,6]])
    print(arr3)
    arr4 = arr3.T
    print(arr3)
    print(arr4)
    arr3[0][0]=10
    print(arr3)
    print(arr4)
    arr4[1][0]=20
    print(arr3)
    print(arr4)
    # [0 1 2 3 4]
    # [0 1 2 3 4]
    # [ 0 10  2 30  4] [ 0 10  2 30  4]
    # [[1 2 3]
    #  [4 5 6]]
    # [[1 2 3]
    #  [4 5 6]]
    # [[1 4]
    #  [2 5]
    #  [3 6]]
    # [[10  2  3]
    #  [ 4  5  6]]
    # [[10  4]
    #  [ 2  5]
    #  [ 3  6]]
    # [[10 20  3]
    #  [ 4  5  6]]
    # [[10  4]
    #  [20  5]
    #  [ 3  6]]

.T转置

### 2.reshape()重置维度 ###

两种用法：np.reshape(arr,shape)和arr.reshape(m,n)，reshape()要求重置后的元素个数与原数组相同，否则会报错。

reshape()两种方法都会生成新的数组，修改原数组会影响重置维度后的数组，修改重置维度后的数组也会影响原数组，即两者指向相同的内存地址。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.ones((3,2),dtype = int)
    print(arr1)
    arr2 = np.reshape(arr1,[2,3])  #xin
    print(arr2)
    arr3 = arr1.reshape(2,3)    #yuan
    print(arr1)
    print(arr2)
    print(arr3)
    arr1[0][0] = 10
    arr2[0][1] = 20
    arr3[0][2] = 30
    print(arr1)
    print(arr2)
    print(arr3)
    # [[1 1]
    #  [1 1]
    #  [1 1]]
    # [[1 1 1]
    #  [1 1 1]]
    # [[1 1]
    #  [1 1]
    #  [1 1]]
    # [[1 1 1]
    #  [1 1 1]]
    # [[1 1 1]
    #  [1 1 1]]
    # [[10 20]
    #  [30  1]
    #  [ 1  1]]
    # [[10 20 30]
    #  [ 1  1  1]]
    # [[10 20 30]
    #  [ 1  1  1]]

reshape()重置维度

### 3.resize()重置大小 ###

两种用法：np.resize(arr,shape)和arr.resize(m,n)，但是resize()的效果与转置和重置维度不同。

np.resize(arr,shape)会生成新的数组，但修改原数组不会影响重置大小后的数组，修改重置大小后的数组也不会影响原数组，即两者是独立的。

arr.resize(m,n)直接重置arr自身的大小，不会生成新的数组。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.ones((3,2),dtype = int)
    print(arr1)
    arr2 = np.resize(arr1,[2,3])
    print(arr2)
    arr3 = arr1.resize(2,3)
    print(arr1)
    print(arr2)
    print(arr3)
    arr1[0][0] = 0
    arr2[1][0] = 0
    print(arr1)
    print(arr2)
    print(arr3)
    # [[1 1]
    #  [1 1]
    #  [1 1]]
    # [[1 1 1]
    #  [1 1 1]]
    # [[1 1 1]
    #  [1 1 1]]
    # [[1 1 1]
    #  [1 1 1]]
    # None
    # [[0 1 1]
    #  [1 1 1]]
    # [[1 1 1]
    #  [0 1 1]]
    # None

resize()重置大小

resize()不要求重置后的元素个数与原数组相同

如果重置大小后的数组元素个数比原数组少，会从原数组前开始部分取值，舍去多余的元素；

如果重置大小后的数组元素个数比原数组多，多的元素会再依次从原数组开始部分取值，直到元素个数满足要求。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr4 = np.arange(5)
    arr5 = np.resize(arr4,(2,2))
    arr6 = np.resize(arr4,(2,4))
    print(arr4)
    print(arr5)
    print(arr6)
    # [0 1 2 3 4]
    # [[0 1]
    #  [2 3]]
    # [[0 1 2 3]
    #  [4 0 1 2]]

resize()重置大小：个数不一致

### 4.copy()复制 ###

使用=给数组赋值，两者指向相同的内存地址，修改任一个会影响另一个。

使用copy()给数组赋值，两者是独立的数组，修改任意个不会影响另一个。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.arange(5)
    arr2 = arr1
    arr3 = arr1.copy()
    print(arr1,arr2,arr3)
    arr1[1] = 10
    arr2[2] = 20
    arr3[3] = 30
    print(arr1,arr2,arr3)
    # [0 1 2 3 4] [0 1 2 3 4] [0 1 2 3 4]
    # [ 0 10 20  3  4] [ 0 10 20  3  4] [ 0  1  2 30  4]

=和copy()赋值

### 5.astype()数据类型转换 ###

arr1 = np.arange(5)
    arr2 = arr1.astype(np.float)
    print(arr1,arr1.dtype)
    print(arr2,arr2.dtype)
    # [0 1 2 3 4] int32
    # [0. 1. 2. 3. 4.] float64

### 6.hstack()和vstack()数组堆叠 ###

hstack((arr1,arr2))：横向堆叠，即在水平方向上拼接

vstack((arr1,arr2))：竖向堆叠，即在垂直方向上拼接，垂直拼接要求两个数组横向元素的个数相同，即shape(m,n)中的n相同

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.arange(1,6)
    arr2 = np.arange(6,11)
    print(arr1,arr2)
    print(np.hstack((arr1,arr2)))
    print(np.vstack((arr1,arr2)))
    print(np.stack((arr1,arr2))) #默认axis = 0
    print(np.stack((arr1,arr2),axis=1))
    # [1 2 3 4 5] [ 6  7  8  9 10]
    # [ 1  2  3  4  5  6  7  8  9 10]
    # [[ 1  2  3  4  5]
    #  [ 6  7  8  9 10]]
    # [[ 1  2  3  4  5]
    #  [ 6  7  8  9 10]]
    # [[ 1  6]
    #  [ 2  7]
    #  [ 3  8]
    #  [ 4  9]
    #  [ 5 10]]

hstack()和vstack()

### 7.hsplit()和vsplit()数组拆分 ###

hsplit(arr , x)：横向拆分为x个，即在水平方向上拆分，水平拆分要求原数组横向元素的个数为x的整数倍，即shape(m,n)中的n为x的整数倍

vsplit(arr , x)：竖向拆分为x个，即在垂直方向上拆分，垂直拆分要求原数组垂直元素的个数为x的整数倍，即shape(m,n)中的m为x的整数倍

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.arange(12).reshape(2,6)
    print(arr1)
    print(np.hsplit(arr1,3))
    arr2 = np.arange(12).reshape(4,3)
    print(arr2)
    print(np.vsplit(arr2,2))
    # [[ 0  1  2  3  4  5]
    #  [ 6  7  8  9 10 11]]
    # [array([[0, 1],
    #        [6, 7]]), array([[2, 3],
    #        [8, 9]]), array([[ 4,  5],
    #        [10, 11]])]
    # [[ 0  1  2]
    #  [ 3  4  5]
    #  [ 6  7  8]
    #  [ 9 10 11]]
    # [array([[0, 1, 2],
    #        [3, 4, 5]]), array([[ 6,  7,  8],
    #        [ 9, 10, 11]])]
    #

hsplit()和vsplit()

### 8.算数运算 ###

#### ①数组与单个数值进行数学运算 ####

加、减、乘、除和幂运算都是对数组中的每一个元素进行运算。

arr = np.arange(2,12,2)
    print(arr)        #[ 2  4  6  8 10]
    print(arr + 1)    # 加法 [ 3  5  7  9 11]
    print(arr - 1)    # 减法 [1 3 5 7 9]
    print(arr*2)      # 乘法[ 4  8 12 16 20]
    print(arr**2)     # 幂运算[  4  16  36  64 100]
    print(arr/2)      # 除法 [1. 2. 3. 4. 5.]
    print(arr.max())  # 元素中的最大值 10
    print(arr.min())  # 元素中的最小值 2
    print(arr.mean()) # 元素的平均值 6.0
    print(arr.sum(),np.sum(arr))  # 元素的总和 30 30
    print(arr.std())  # 元素的标准差 2.8284271247461903
    print(arr.var())  # 元素的方差 8.0

#### ②数组之间的数学运算 ####

如果两个数组纬度相同，即arr1.shape = arr2.shape，他们之间的数学运算就是每一个对应的元素进行运算，如果形状不同，则会触发广播机制，具体见菜鸟教程[https://www.runoob.com/numpy/numpy-broadcast.html][https_www.runoob.com_numpy_numpy-broadcast.html]

## 五、随机数 ##

### 1.random.normal() ###

生成标准正态分布的样本值，无参数生成一个随机数，有参数需要使用size = (m,n)

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.random.normal()
    arr2 = np.random.normal(size = 2)
    arr3 = np.random.normal(size = (2,3))
    print(arr1)
    print(arr2)
    print(arr3)
    # 1.1511731857477647
    # [1.00477836 1.88009993]
    # [[ 0.44901815 -1.09567036 -0.29054339]
    #  [-0.98372232  0.40854306  1.63187907]]

random.normal()

### 2.random.rand() ###

生成\[0,1)之间的均匀分布的随机浮点数，无参数生成一个随机数，有参数直接使用(m,n)即可

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.random.rand()
    arr2 = np.random.rand(2)
    arr3 = np.random.rand(2,3)
    print(arr1)
    print(arr2)
    print(arr3)
    # 0.583667212009531
    # [0.15508024 0.23161194]
    # [[0.11583745 0.92588869 0.69102494]
    #  [0.49288564 0.42045576 0.42541661]]

random.rand()

### 3.random.randn() ###

生成正态分布的随机浮点数，无参数生成一个随机数，有参数直接使用(m,n)即可

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.random.randn()
    arr2 = np.random.randn(2)
    arr3 = np.random.randn(2,3)
    print(arr1)
    print(arr2)
    print(arr3)
    # 2.263955408625279
    # [ 0.15676236 -0.15578064]
    # [[ 2.30273663 -0.75283754 -0.46872555]
    #  [-1.14051476  1.51395796 -1.39675718]]

random.randn()

### 4.random.randint() ###

使用方法random.randint(start,stop,shape,dtype)

生成的数组纬度为参数shape，纬度默认为1，

如果start和stop都存在则start<= 元素 <stop且要求start < stop，如果只传入一个参数则0 <= 元素 < 参数

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.random.randint(5)  #生成一个随机整数，范围在[0,5)之间
    arr2 = np.random.randint(0,10) #生成一个随机整数，范围在[0,10)之间
    arr3 = np.random.randint(0,10,5) #生成一个包含5个元素的一维数组，元素范围在[0,10)之间
    arr4 = np.random.randint(0,10,[2,5])#生成一个2行、5列的二维数组，元素范围在[0,10)之间
    print(arr1)
    print(arr2)
    print(arr3)
    print(arr4)
    # 4
    # 8
    # [4 7 6 3 9]
    # [[4 7 4 7 1]
    #  [2 0 8 9 3]]

random.randint()

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr1 = np.random.randint(5)
    arr2 = np.random.randint(2,10)
    arr3 = np.random.randint(2,10,[2,5])
    print(arr1)
    print(arr2)
    print(arr3)
    # 3
    # 8
    # [[9 9 8 3 6]
    #  [3 4 7 4 6]]

random.randint()

## 六、写入和读取文件 ##

### 1.save()和load() ###

使用方法：save('文件名',arr)，load('文件名')，文件类型为.npy

save()保存的文件默认后缀名.npy，如果传入的文件名以.npy结尾那么保存的文件名即为传入的文件名，如果不以.npy结尾保存时会自动在文件名后加后缀.npy

由于save()保存的文件类型为npy，因此直接打开会显示为乱码，需要通过load()查看内容。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr = np.random.randint(0,5,[2,5])
    np.save('testNumpy.npy',arr)
    arr_load = np.load('testNumpy.npy')
    print(arr_load)
    # [[0 0 1 4 2]
    #  [2 3 4 2 0]]

save()和load()

### 2.savetxt()和loadtxt() ###

使用方法：savetxt('文件名',arr,delimiter=',',fmt='%.2f')，loadtxt('textNumpy.text',delimiter=',')，其中delimiter指定txt文件中元素的分隔符，fmt指定数值保留的格式。

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

arr = np.random.rand(10,10)
    np.savetxt('textNumpy.text',arr,delimiter=',',fmt='%.2f')
    arr_load = np.loadtxt('textNumpy.text',delimiter=',')
    print(arr_load)

savetxt()和loadtxt()

由于保存的文件为txt类型，因此生成的文件可以直接打开，文件内以指定的delimiter保存数据，无数组的\[ \]，通过loadtxt( )可读取。

![1491217-20190721103001370-200375264.png][]    ![1491217-20190721103016619-123580487.png][]

转载于:https://www.cnblogs.com/Forever77/p/11187724.html

[ContractedBlock.gif]: https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20211018/c1f2dd2dcbc54c41a52cb4a2d2ce659c.png
[1491217-20190720110112109-1296765226.png]: /images/20211018/6fdd77c6fa9a4d34b02a40e7c082b1d2.png
[https_www.runoob.com_numpy_numpy-broadcast.html]: https://www.runoob.com/numpy/numpy-broadcast.html
[1491217-20190721103001370-200375264.png]: https://img2018.cnblogs.com/blog/1491217/201907/1491217-20190721103001370-200375264.png
[1491217-20190721103016619-123580487.png]: /images/20211018/440fdb6cb61b412b964214960d6b9ce1.png