NumPy学习笔记

发表于 | 分类于 | 热度: ℃
| 字数统计: 1.1k 字 | 阅读时长 ≈ 5 分钟

NumPy简介

NumPy：Numerical Python,是python进行科学计算的一个基础包。

NumPy的数据结构

ndarry：N-dimensional array,一种由相同类型的元素组成的多维数组对象。

  1. 元素的数据类型由dtpye(data-type)对象来指定，每个ndarry只有一种dtype类型。
  2. 大小固定，创建好数组时一旦指定好大小，不会再发生改变

ndarry的创建

  • array函数：将序列转换成ndarry

    //通过array函数创建
data1 = [0,1,2,3,1.1]
arr1 = np.array(data1)

    运行结果：

    array([0. , 1. , 2. , 3. , 1.1])

    嵌套序列创建：

    //通过嵌套序列创建
data2 = [[1,2,3],[4,5,6]]
arr2 = np.array(data2)

    运行结果：

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

  • zeros函数：创建指定长度的全零数组

    np.zeros(10)

    运行结果：

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

    创建多维：

    np.zeros((3,4))

    运行结果：

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

  • ones函数：创建指定长度的全1数组

    np.ones(10)

    运行结果：

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

    创建多维：

    np.ones((2,3))

    运行结果：

    array([[1., 1., 1.],
      [1., 1., 1.]])
  • empty函数：创建一个没有具体值的数组，通常都是一些未初始化的垃圾值
    np.empty(5)
    运行结果：
    array([0. , 1. , 2. , 3. , 1.1])
    创建多维：
    np.empty((2,2,3))
    运行结果：
    array([[[0., 0., 0.],
      [0., 0., 0.]],
      [[0., 0., 0.],
      [0., 0., 0.]]])
  • arange函数：类似range函数，通过开始值、终值和步长创建数组。创建的数组不包含终值值。
    np.arange(10)
    运行结果：
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    根据起始值，步长创建：
    np.arange(1,10,1)
    运行结果:
    array([1, 2, 3, 4, 5, 6, 7, 8, 9])
  • linspace函数：通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定是否包括终值，缺省设置是包括终值
    np.linspace(1,10,5)
    运行结果：
    array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ])
  • logspace函数：和linspace类似，用来创建等比数列
    np.logspace(0,2,5)
    运行结果：
    array([ 10.        ,  17.7827941 ,  31.6227766 ,  56.23413252,
         100.        ])

  • random函数：随机创建数组

    np.random.random(10)

    运行结果：

    array([0.60751347, 0.29262802, 0.48379076, 0.06987773, 0.09515098,
       0.1943465 , 0.46335728, 0.46320678, 0.81314993, 0.51329606])

    通过设置参数创建：

    np.random.random((2,2,3))

    运行结果：

    array([[[0.06608054, 0.55363782, 0.62406291],
      [0.77318127, 0.58557065, 0.17148664]],

      [[0.79126153, 0.83586225, 0.59518475],
      [0.60087036, 0.13638575, 0.7900084 ]]])

ndarry的属性

  • ndim:维度数量
    arr1.ndim
    运行结果：
    1
  • shape：表示各维度大小的元组
    arr2.shape
    运行结果：
    (2, 3)
  • dtype：元素数据类型
    arr2.dtype
    运行结果：
    dtype('int32')
  • size：元素总个数m*n
    arr2.size
    运行结果：
    6

ndarry的数据类型

创建数组时，可以通过dtype显式指定数据类型，如不指定NumPy会根据数据默认指定。例：

data3 = np.array([1,2,3,4,5])
data3.dtype

运行结果：

dtype('int32')

astype函数：数据类型转换

data4 = data3.astype(float)
data4.dtype

运行结果：

dtype('float64')

数组与标量、数组直接的运算

  • 矢量化:不需要编写循环，可实现对数据的批量计算。性能上比Python快一两个数量级，大小相等的任何算术运算都会应用到元素级。

  1. 数组与标量之间的运算

    arr1 = np.array([1,2,3,4,5])
arr1+2

    运行结果：

    array([3, 4, 5, 6, 7])

    除法运算：

    from __future__ import division
1/arr1

    运行结果：

    array([1.        , 0.5       , 0.33333333, 0.25      , 0.2       ])

  2. 大小相等数组之间的运算

    arr2 = ([5,6,7,8,9])
arr1+arr2

    运行结果：

    array([ 6,  8, 10, 12, 14])

    例1

    arr3 = np.array([[1,2,3],[4,5,6]])
arr4 = np.array([[1,2,3],[4,5,6]])
arr3 + arr4

    运行结果：

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

    例2

    arr3 - arr4

    运行结果：

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

    例3

    arr3 * arr4

    运行结果：

    array([[ 1,  4,  9],
       [16, 25, 36]])

    例4

    arr3 / arr4

    运行结果：

    array([[1., 1., 1.],
[1., 1., 1.]])
  3. 数组的矩阵积

  • 矩阵积：不是元素级的运算，两个二维（多维）矩阵，第一个矩阵的列数与第二个矩阵的行数相同，可以进行矩阵乘法，即矩阵积。

    设A为的m×p的矩阵，B为p×n的矩阵，那么称m×n的矩阵C为矩阵A与B的乘积，记作C=AB，其中矩阵C中的第i行第j列元素可以表示为：

    DgJKD.png

    arr1 = np.array([[1,2,3],[1,2,3]])
arr2 = np.array([[1,2],[1,1],[2,1]])
arr1.dot(arr2)

    运行结果：

    array([[9, 7],
       [9, 7]])
0%