numpy学习-day0

numpy学习-day0

今日知识点总结

关于numpy的作用

说到作用，基本就可以理解为为什么需要写出这么一个第三方 的库，而且这个库他还受到了大家的热捧，这就很厉害了。

• 第一点

底层由C++实现，这就使得对于数据存储的时候，可以根据数据的特点，节省存储空间，并且处理速度上也会非常快。

• 第二点

功能全面的库函数，在囊括了C++中STD函数的同时，也增加了扩展库的内容，包括但不限于正态分布，总的来说，对于需要进行科学运算分析的用户非常的友善，点赞。

具体库函数的记录

这里就只是今天学习视频中出现的函数，写这一部分的内容是为了加深自己的映像，也便于后续的使用。

1. 关于numpy模块的引入

出于方便编程的目的的一般会使用这样的语句
import numpy as np
用两个字符np来表示numpy，好处是可以减少打字的内容，缩短时间。至于为什么是np这两个字符呢，答案是约定俗成，这样对于第二次阅读代码的人来说会比较的友善。

2. 关于数组的初始化和使用

在numpy中，使用
np.array(list)
这样的语句来完成对于多维数组的初始化，在完成初始化之后，就和C++的数组一样了，支持下标访问，从0编号，负编号可以从后向前走这样子，就是C+++ 。[：)]

3. 基本属性的访问

通过以下成员对象，获得当前数组的相关参数

成员名称	说明
ndim	返回一个数值，表示维度，比如是一个二维的数组，那么返回值就是2
shape	返回tuple类型，表示每一维的大小，比如3*5的二维矩阵，返回(3, 5)
size	返回总的元素个数，也就是每一维大小的成绩
dtype	返回一个类型值，也就是存储在数组中的数值类型
itemsize	返回一个数值，也就是dtype的字节数，比如int32，那就是4字节

4. 生成函数

讲一下numpy中构建特殊数组的方法

函数名称	说明
arange	生成一个从0到n-1的数组
ones(shape)	生成一个shape[tuple类型]形状的全1数组
zeros(shape)	生成一个shape形状的全0数组
full(shape, val)	用val填充shape形状的数组
eye(n)	生成一个n*n的单位矩阵
linspace(start, end, n)	从start到end等间距的生成n个数字的数组

5. 操作函数

主要包括对于数组的操作

函数名称	说明
concatenate	连接，合并多个序列
reshape	不改变现有数组，返回一个新形状的数组
resize	改变现有数组的形状
flatten	对于现有的数组进行降维处理，直接变成一维
其他四则运算	与C++一致，完全支持数组和数值、数组之间的运算

6. 存取数组

对于数组数据的存取

1.文件保存/文件读取

保存数据
savetxt(fname, X, fmt='%.18e', delimiter=' ', newline=' ', header='',
footer='', comments='# ', encoding=None)
读取数据
loadtxt(fname, dtype=float, comments='#', delimiter=None,
converters=None, skiprows=0, usecols=None, unpack=False,
ndmin=0, encoding='bytes', max_rows=None)
这一方法的问题是，需要自己记录下，文件中数组的维度，精度等等问题

2.默认保存/默认读取

直接保存为.npy格式
save(file, arr, allow_pickle=True, fix_imports=True):
直接读取
load(file, mmap_mode=None, allow_pickle=False, fix_imports=True,
encoding='ASCII'):
好处是，所有的格式都是默认处理好的

练习

问题描述

使用pillow图像处理库和numpy数组处理库，完成对于图像的线条化，也就是实现素描的效果

SOLUTION

1. 方案一

这个办法是网课中的代码，但是我对于这段代码的理解不太到位，不明白归一操作和
加权计算的原因，所以又自己想了一个办法。

a = np.asarray(Image.open('./beijing.jpg').convert('L')).astype('float')
depth = 10. 						# (0-100)
grad = np.gradient(a)				#取图像灰度的梯度值
grad_x, grad_y = grad 				#分别取横纵图像梯度值
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
vec_el = np.pi/2.2 					# 光源的俯视角度，弧度值
vec_az = np.pi/4. 					# 光源的方位角度，弧度值
dx = np.cos(vec_el)*np.cos(vec_az) 	#光源对x 轴的影响
dy = np.cos(vec_el)*np.sin(vec_az) 	#光源对y 轴的影响
dz = np.sin(vec_el) 				#光源对z 轴的影响
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) 	#光源归一化
b = b.clip(0,255)
im = Image.fromarray(b.astype('uint8')) 	#重构图像
im.save('./beijingHD.jpg')

2. 方案二

由于gradient的作用是求处数组的梯度，而我们现在将图片转化成了一个灰度图，那么我们就可以想对于连个区域之间如果梯度过大，那就是两个不同的区域，也就是两个区域之间应该是有线条的。

from PIL import Image
import numpy as np

a = np.asarray(Image.open('1.jpg').convert('L')).astype('float')

depth = 4.						# (0-100)
grad = np.gradient(a)				#取图像灰度的梯度值
grad_x, grad_y = grad 				#分别取横纵图像梯度值

grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.

b = np.full(a.shape, 255)

for i in range(a.shape[0]):
    for j in range(a.shape[1]):
        if(abs(grad_x[i][j]) >= 0.7 or abs(grad_y[i][j]) >= 0.7):
            b[i][j] = 0

b = b.clip(0,255)

im = Image.fromarray(b.astype('uint8')) 	#重构图像
im.save('2.jpg')

最终效果如下