python中的Numpy库入门

水深无声 2022-12-02 04:16 134阅读 0赞

### 目录 ###

*   *   *  N维数组对象： ndarray
         *   *  引例
             *  ndarray对象的属性
             *  ndarray数组的元素类型
             *  ndarray数组的创建方法
             *   *  从Python中的列表、元组等类型创建ndarray数组
                 *  使用NumPy中函数创建ndarray数组
             *  ndarray数组的维度变换
             *  ndarray数组的类型变换
             *  ndarray数组向列表的转换
         *  ndarray数组的操作
         *   *  数组的索引和切片
         *  ndarray数组的运算
         *   *  NumPy一元函数
             *  NumPy二元函数

### N维数组对象： ndarray ###

#### 引例 ####

>>> import numpy as np
    >>> def npSum():
    	a = np.array([0, 1, 2, 3, 4])
    	b = np.array([9, 8, 7, 6, 5])
    	c = a**2 + b**3
    	return c
    
    >>> print(npSum())
    [729 513 347 225 141]

#### ndarray对象的属性 ####

<table> 
 <thead> 
 <tr> 
 <th>属性</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td><code>.ndim</code></td> 
 <td>秩，即轴的数量或维度的数量</td> 
 </tr> 
 <tr> 
 <td><code>.shape</code></td> 
 <td>ndarray对象的尺度，对于矩阵，n行m列</td> 
 </tr> 
 <tr> 
 <td><code>.size</code></td> 
 <td>ndarray对象元素的个数，相当于.shape中n*m的值</td> 
 </tr> 
 <tr> 
 <td><code>.dtype</code></td> 
 <td>ndarray对象的元素类型</td> 
 </tr> 
 <tr> 
 <td><code>.itemsize</code></td> 
 <td>ndarray对象中每个元素的大小，以字节为单位</td> 
 </tr> 
 </tbody> 
</table>

>>> import numpy as np
    >>> a = np.array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]])
    >>> a.ndim
    2
    >>> a.shape
    (2, 5)
    >>> a.size
    10
    >>> a.dtype
    dtype('int32')
    >>> a.itemsize
    4

#### ndarray数组的元素类型 ####

<table> 
 <thead> 
 <tr> 
 <th>数据类型</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td><code>bool</code></td> 
 <td>布尔类型，<code>True</code>或<code>False</code></td> 
 </tr> 
 <tr> 
 <td><code>intc</code></td> 
 <td>与C语言中的 <code>int</code> 类型一致，一般是<code>int32</code>或<code>int64</code></td> 
 </tr> 
 <tr> 
 <td><code>intp</code></td> 
 <td>用于索引的整数，与C语言中 <code>ssize_t</code> 一致，<code>int32</code>或<code>int64</code></td> 
 </tr> 
 <tr> 
 <td><code>int8</code></td> 
 <td>字节长度的整数，取值： [ ‐ 128 , 127 ] [‐128, 127] [‐128,127]</td> 
 </tr> 
 <tr> 
 <td><code>int16</code></td> 
 <td>16位长度的整数，取值： [ ‐ 32768 , 32767 ] [‐32768, 32767] [‐32768,32767]</td> 
 </tr> 
 <tr> 
 <td><code>int32</code></td> 
 <td>32位长度的整数，取值： [ ‐ 2 31 , 2 31 ‐ 1 ] [‐2^{31}, 2^{31}‐1] [‐231,231‐1]</td> 
 </tr> 
 <tr> 
 <td><code>int64</code></td> 
 <td>64位长度的整数，取值： [ ‐ 2 63 , 2 63 ‐ 1 ] [‐2^{63}, 2^{63}‐1] [‐263,263‐1]</td> 
 </tr> 
 <tr> 
 <td><code>uint8</code></td> 
 <td>8位无符号整数，取值： [ 0 , 255 ] [0, 255] [0,255]</td> 
 </tr> 
 <tr> 
 <td><code>uint16</code></td> 
 <td>16位无符号整数，取值： [ 0 , 65535 ] [0, 65535] [0,65535]</td> 
 </tr> 
 <tr> 
 <td><code>uint32</code></td> 
 <td>32位无符号整数，取值： [ 0 , 2 32 ‐ 1 ] [0, 2^{32}‐1] [0,232‐1]</td> 
 </tr> 
 <tr> 
 <td><code>uint64</code></td> 
 <td>32位无符号整数，取值： [ 0 , 2 64 ‐ 1 ] [0, 2^{64}‐1] [0,264‐1]</td> 
 </tr> 
 <tr> 
 <td><code>float16</code></td> 
 <td>16位半精度浮点数：1位符号位，5位指数，10位尾数</td> 
 </tr> 
 <tr> 
 <td><code>float32</code></td> 
 <td>32位半精度浮点数：1位符号位，8位指数，23位尾数</td> 
 </tr> 
 <tr> 
 <td><code>float64</code></td> 
 <td>64位半精度浮点数：1位符号位，11位指数，52位尾数</td> 
 </tr> 
 <tr> 
 <td><code>complex64</code></td> 
 <td>复数类型，实部和虚部都是32位浮点数</td> 
 </tr> 
 <tr> 
 <td><code>complex128</code></td> 
 <td>复数类型，实部和虚部都是64位浮点数</td> 
 </tr> 
 </tbody> 
</table>

#### ndarray数组的创建方法 ####

##### 从Python中的列表、元组等类型创建ndarray数组 #####

>>> import numpy as np
    >>> x = np.array([ [1,2], [9,8], (0.1,0.2) ])
    >>> print(x)
    [[1.  2. ]
     [9.  8. ]
     [0.1 0.2]]

##### 使用NumPy中函数创建ndarray数组 #####

<table> 
 <thead> 
 <tr> 
 <th>函数</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td><code>np.arange(n)</code></td> 
 <td>类似<code>range()</code>函数，返回ndarray类型，元素从0到n‐1</td> 
 </tr> 
 <tr> 
 <td><code>np.ones(shape)</code></td> 
 <td>根据shape生成一个全1数组，shape是元组类型</td> 
 </tr> 
 <tr> 
 <td><code>np.zeros(shape)</code></td> 
 <td>根据shape生成一个全0数组，shape是元组类型</td> 
 </tr> 
 <tr> 
 <td><code>np.full(shape,val)</code></td> 
 <td>根据shape生成一个数组，每个元素值都是val</td> 
 </tr> 
 <tr> 
 <td><code>np.eye(n)</code></td> 
 <td>创建一个正方的 n*n 单位矩阵，对角线为1，其余为0</td> 
 </tr> 
 <tr> 
 <td><code>np.ones_like(a)</code></td> 
 <td>根据数组a的形状生成一个全1数组</td> 
 </tr> 
 <tr> 
 <td><code>np.zeros_like(a)</code></td> 
 <td>根据数组a的形状生成一个全0数组</td> 
 </tr> 
 <tr> 
 <td><code>np.full_like(a,val)</code></td> 
 <td>根据数组a的形状生成一个数组，每个元素值都是val</td> 
 </tr> 
 <tr> 
 <td><code>np.linspace()</code></td> 
 <td>根据起止数据等间距地填充数据，形成数组</td> 
 </tr> 
 <tr> 
 <td><code>np.concatenate()</code></td> 
 <td>将两个或多个数组合并成一个新的数组</td> 
 </tr> 
 </tbody> 
</table>

>>> import numpy as np
    >>> print(np.arange(5))
    [0 1 2 3 4]
    >>> print(np.ones((2,3)))
    [[1. 1. 1.]
     [1. 1. 1.]]
    >>> print(np.zeros((1,5)))
    [[0. 0. 0. 0. 0.]]
    >>> print(np.full((3,3),8.6))
    [[8.6 8.6 8.6]
     [8.6 8.6 8.6]
     [8.6 8.6 8.6]]
    >>> print(np.eye(3))
    [[1. 0. 0.]
     [0. 1. 0.]
     [0. 0. 1.]]
    >>> a = np.linspace(1, 10, 4)
    >>> a
    array([ 1.,  4.,  7., 10.])
    >>> b = np.linspace(1, 10, 4, endpoint=False)
    >>> b
    array([1.  , 3.25, 5.5 , 7.75])
    >>> c = np.concatenate((a,b))
    >>> c
    array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

#### ndarray数组的维度变换 ####

<table> 
 <thead> 
 <tr> 
 <th>方法</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td><code>.reshape(shape)</code></td> 
 <td>不改变数组元素，返回一个shape形状的数组，原数组不变</td> 
 </tr> 
 <tr> 
 <td><code>.resize(shape)</code></td> 
 <td>与.reshape()功能一致，但修改原数组</td> 
 </tr> 
 <tr> 
 <td><code>.swapaxes(ax1,ax2)</code></td> 
 <td>将数组n个维度中两个维度进行调换</td> 
 </tr> 
 <tr> 
 <td><code>.flatten()</code></td> 
 <td>对数组进行降维，返回折叠后的一维数组，原数组不变</td> 
 </tr> 
 </tbody> 
</table>

>>> a = np.ones((2,3,4), dtype=np.int32)
    >>> a
    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]]])
    >>> a.reshape(3,8)
    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]])
    >>> a.resize(3,8)
    >>> a
    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]])
    >>> a.flatten()
    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])
    >>> a.swapaxes(0,1)
    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]])

#### ndarray数组的类型变换 ####

**`new_a = a.astype(new_type)`**

注：astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

>>> a = np.ones((2,3,4), dtype=np.int32)
    >>> a
    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]]])
    >>> b = a.astype(np.float)
    >>> b
    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.]]])

#### ndarray数组向列表的转换 ####

**`ls = a.tolist()`**

### ndarray数组的操作 ###

#### 数组的索引和切片 ####

*  一维数组的索引和切片：与Python的列表类似  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mzk2NDk5Mw_size_16_color_FFFFFF_t_70]
 *  多维数组的索引：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mzk2NDk5Mw_size_16_color_FFFFFF_t_70 1]
 *  多维数组的切片  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mzk2NDk5Mw_size_16_color_FFFFFF_t_70 2]

### ndarray数组的运算 ###

#### NumPy一元函数 ####

<table> 
 <thead> 
 <tr> 
 <th>函数</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td><code>np.abs(x)</code> <code>np.fabs(x)</code></td> 
 <td>计算数组各元素的绝对值</td> 
 </tr> 
 <tr> 
 <td><code>np.sqrt(x)</code></td> 
 <td>计算数组各元素的平方根</td> 
 </tr> 
 <tr> 
 <td><code>np.square(x)</code></td> 
 <td>计算数组各元素的平方</td> 
 </tr> 
 <tr> 
 <td><code>np.log(x)</code> <code>np.log10(x)</code> <code>np.log2(x)</code></td> 
 <td>计算数组各元素的自然对数、10底对数和2底对数</td> 
 </tr> 
 <tr> 
 <td><code>np.ceil(x)</code> <code>np.floor(x)</code></td> 
 <td>计算数组各元素的ceiling值或floor值</td> 
 </tr> 
 <tr> 
 <td><code>np.rint(x)</code></td> 
 <td>计算数组各元素的四舍五入值</td> 
 </tr> 
 <tr> 
 <td><code>np.modf(x)</code></td> 
 <td>将数组各元素的小数和整数部分以两个独立数组形式返回</td> 
 </tr> 
 <tr> 
 <td><code>np.cos(x)</code> <code>np.cosh(x)</code> <code>np.sin(x)</code> <code>np.sinh(x)</code> <code>np.tan(x)</code> <code>np.tanh(x)</code></td> 
 <td>计算数组各元素的普通型和双曲型三角函数</td> 
 </tr> 
 <tr> 
 <td><code>np.exp(x)</code></td> 
 <td>计算数组各元素的指数值</td> 
 </tr> 
 <tr> 
 <td><code>np.sign(x)</code></td> 
 <td>计算数组各元素的符号值， 1 ( + ) , 0 , ‐ 1 ( ‐ ) 1(+), 0, ‐1(‐) 1(+),0,‐1(‐)</td> 
 </tr> 
 </tbody> 
</table>

#### NumPy二元函数 ####

<table> 
 <thead> 
 <tr> 
 <th>函数</th> 
 <th>说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td><code>+ ‐ * / **</code></td> 
 <td>两个数组各元素进行对应运算</td> 
 </tr> 
 <tr> 
 <td><code>np.maximum(x,y)</code> = <code>np.fmax()</code> ；<code>np.minimum(x,y)</code> = <code>np.fmin()</code></td> 
 <td>元素级的最大值/最小值计算</td> 
 </tr> 
 <tr> 
 <td><code>np.mod(x,y)</code></td> 
 <td>元素级的模运算</td> 
 </tr> 
 <tr> 
 <td><code>np.copysign(x,y)</code></td> 
 <td>将数组y中各元素值的符号赋值给数组x对应元素</td> 
 </tr> 
 <tr> 
 <td><code>&gt; &lt; &gt;= &lt;= == !=</code></td> 
 <td>算术比较，产生布尔型数组</td> 
 </tr> 
 </tbody> 
</table>

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mzk2NDk5Mw_size_16_color_FFFFFF_t_70]: /images/20221123/a48e2b8b4a6d43fbbfcbbcd773f01578.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mzk2NDk5Mw_size_16_color_FFFFFF_t_70 1]: /images/20221123/c8c1fc016aae4ea892d49afa61713fa7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mzk2NDk5Mw_size_16_color_FFFFFF_t_70 2]: /images/20221123/a8e77ee76c3749d4bfb6d457343559a7.png