Python Numpy，学Python不得不削的矩形计算库

矩阵计算库
numpy库的使用是sklearn库和opencv库的基础，主要用于矩阵的计算。
Numpy 的主要用途是以数组的形式进行数据操作。机器学习中大多数操作都是数学操作，而 Numpy 使这些操作变得简单

1.创建Numpy数组对象
Numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符。
包括 np.bool_ ，np.int32，np.float32等。

ndarray.ndim 秩，即轴的数量或维度的数量
ndarray.shape 数组的维度，对于矩阵，n行m列
ndarray.size 数组元素的总个数，相当于 .shape 中n*m的值
ndarray.dtype ndarray 对象的元素类型

例：

data = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19] 
a = np.array(data)    #一维数组，20 个数 
a = np.linspace(0,20, 20)    #一维数组，将 0-20 等分为 20 个数字 
a = np.arange(20)    #简洁方式
b = a.reshape(4,5) #将一维数组 a 转换为维数(4,5)的数组 
c = a.reshape(2,5,2) #将一维数组 a 转换为维数(2,5,2)的数组

2.访问数组
控制遍历顺序

for x in np.nditer(a, order='F'): 列序优先； 
for x in np.nditer(a.T, order='C'): 行序优先；

例：

a = np.arange(24) a = a.reshape(3,8) 
a[2,3]    #提取数组 a 中行 2 列 3 的数值 
a[2,3] = 100 #修改数组 a 行 2 列 3 的数值

a[1:3,3:7] #提取数组 a 中 1~2 行，3~6 列的子数组

**#[[11 12 13 14]** 
**# [20 20 21 22]]** 

a[1:3,3:7] = np.zeros((2,4)) #将数组 a 中 1~2 行，3~6 列 的数值置换为 0

**#[[ 0  1  2  3  4  5  6  7]** 
**# [ 8  9 10  0  0  0  0 15]** 
**# [16 17 18  0  0  0  0 23]]** 

a[[0,1],[0,2]] = -1 #将数组 a 中(0,0)，(1,2)两个位置的数值置换为-1

**#[[-1  1  2  3  4  5  6  7]** 
**# [ 8  9 -1  0  0  0  0 15]** 
**# [16 17 18  0  0  0  0 23]]**

3.对数组进行切片与拼接
Numpy 数组可以像Python列表一样被索引，切片和迭代。
也可以在多维数组上做同样的操作，只需使用逗号分隔即可。
例：

a = np.arange(24)   
a.reshape(3,8) 
b = np.copy(a)                    
a[0][0] = 100
c = np.hstack((a,b))    #沿 1 维，将 a,b 拼接成一个新数组 
c = np.concatenate ((a,b), axis=1)    #沿 1 维，将 a,b 拼接成一个新数组 
#[[100, 1, 2, 3, 4, 5, 6, 7, 0, 1, 2, 3, 4, 5, 6, 7], 
#[ 8,  9, -1,  0,  0,  0,  0, 15,  8,  9, 10, 11, 12, 13, 14, 15], 
#[16, 17, 18,  0,  0,  0,  0, 23, 16, 17, 18, 19, 20, 21, 22, 23]]

4.对数组元素进行查找
例：

a[1:3,3:7] = np.zeros((2,4))
np.where(a==0)    #获得符合条件的行列位置 
#(array([1, 1, 1, 1, 2, 2, 2, 2]), array([3, 4, 5, 6, 3, 4, 5, 6])) #index b[np.where(a==0)]    #数组 b 在对应符合条件 a 位置上的数值 
#array([11, 12, 13, 14, 19, 20, 21, 22]) #value 
np.where(a == 0, 1, 0) #等于0的位置，输出 1；不等于0位置，输出0 
#array([[0, 0, 0, 0, 0, 0, 0, 0], 
**# [0, 0, 0, 1, 1, 1, 1, 0],**
**#[0, 0, 0, 1, 1, 1, 1, 0]])**

5.对数组进行数学计算和代数运算
例：

#[[ 0,  1,  2,  3,  4,  5,  6,  7], 
#[ 8,  9, 10, 11, 12, 13, 14, 15], 
#[16, 17, 18, 19, 20, 21, 22, 23]]
np.sum(b,axis=0)    #列求和 
#array([24, 27, 30, 33, 36, 39, 42, 45]) 
np.sum(b,axis=1)    #行求和 
#array([ 28,    92, 156]) 
np.sum(b)      #求和 
#276

完毕！

技术交流群：887934385