NumPy是什么?
NumPy是科学计算的基本包在Python中。 这是一个Python库,它提供了一个多维数组对象, 各种派生的对象(如蒙面数组和矩阵),和一个 快速操作数组的各式各样的例程,包括 数学、逻辑、形状操作、排序选择、I / O, 离散傅里叶变换,基本的线性代数,基本统计 操作,随机模拟和更多。
1、Numpy数组对象：
NumPy中的 ndarray 是一个多维数组对象，该对象由两部分组成：
实际的数据
描述这些数据的元数据
大部分的数组操作仅仅修改元数据部分，而不改变底层的实际数据NumPy数组一般是同质的（但有一种特殊的数组类型例外，它是异质的），即数组中的所有元素类型必须是一致的。
NumPy数组类的ndarray。 也是已知的别名array。 请注意,numpy.array不一样的标准吗 Python库类array.array,它只处理一维 数组和提供功能比较少。 更重要的一个属性 象是ndarray:
#ndarray类的属性,别名为array ndarray.ndim #(也可以为array.ndim下面类似)数组的维度 ndarray.shape #数组的行数和列数 ndarray.size#数组的大小，数组元素的总和 ndarray.dtype#对象数组的数据类型 ndarray.itemsize#每个数组元素的字节大小 ndarray.data#缓冲区包含实际的元素的数组。 通常,我们 不需要使用这个属性,因为我们将访问元素 在使用数组索引设施。
1 import numpy as np 2 array = np.array([[1,2,3],[2,3,4]]) 3 print(array) 4 print(array.ndim) 5 print(array.shape) 6 print(array.size) 7 print(array.dtype) 8 print(array.itemsize) 9 print(array.data)
结果：
2、创建数组：
array：创建数组dtype：指定数据类型zeros：创建数据全为0ones：创建数据全为1empty：创建数据接近0arrange：按指定范围创建数据linspace：创建线段
- 创建普通的数组：
1 import numpy as np 2 array = np.array([[1,2,3],[2,3,4]])#数组的类型为默认类型 3 array1 = np.array([[1,2,3],[2,3,4]],dtype=np.int16)#设置自己想要的数据类型 4 print(array.dtype) 5 print(array1.dtype)
结果;
Numpy支持的数据类型;
-
创建全为零和全为一的数组：empty创建全空数组,
1 >>> np.zeros( (3,4) ) 2 array([[ 0., 0., 0., 0.], 3 [ 0., 0., 0., 0.], 4 [ 0., 0., 0., 0.]]) 5 >>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified 6 array([[[ 1, 1, 1, 1], 7 [ 1, 1, 1, 1], 8 [ 1, 1, 1, 1]], 9 [[ 1, 1, 1, 1], 10 [ 1, 1, 1, 1], 11 [ 1, 1, 1, 1]]], dtype=int16) 12 >>> np.empty( (2,3) ) # uninitialized, output may vary 13 array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260], 14 [ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
- 用
arange创建连续数组:
- 用
linspace创建线段型数据:
3、创建自定义数据类型：
自定义数据类型是一种异构数据类型，与C语言和C++语言的结构体类似，可以用来实现结构体
1.创建数据类型：
1 import numpy as np 2 t = np.dtype({'names':['name','numitems','price'], 3 'formats':[np.str,np.uint32,np.float32]}) 4 a = np.array([("jhf",54, 78.2),('hvgh',89,12.2)],dtype=t) 5 print(a.dtype) 6 print(a[1])
结果：
2.一维数组的索引和切片
In [2]: a = np.arange(9)
print(a[3:7])
结果:[3 4 5 6]
3.多维数组的切片与索引
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 b = np.arange(24).reshape(2,3,4) 4 print(b.shape) 5 print(b)
结果：
(2, 3, 4) [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]
多维数组 b 中有 0 ~ 23 的整数，共 24 个元素，是一个2×3×4的三维数组。我们可以形象地把它看做一个两层楼建筑，每层楼有12个房间，并排列成3行4列。或者，我们也可以将其看成是电子表格中工作表（sheet）、行和列的关系。你可能已经猜到， reshape 函数的作用是改变数组的“形状”，也就是改变数组的维度，其参数为一个正整数元组，分别指定数组在每个维度上的大小。如果指定的维度和数组的元素数目不相吻合，函数将抛出异常
4. 改变数组的维度：
- （ravel（）函数）将数组展平
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 b = np.arange(24).reshape(2,3,4) 4 print(b) 5 print(b.ravel())结果：
[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
- （flatten（）函数） 这个函数恰如其名， flatten 就是展平的意思，与 ravel 函数的功能相同。不过， flatten 函数会请求分配内存来保存结果，而 ravel 函数只是返回数组的一个视图（view）：
# -*- coding: utf-8 -*- import numpy as np b = np.arange(24).reshape(2,3,4) print(b) print(b.ravel()) a=b.flatten() print(a)
结果：
[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
-
用元组设置维度 除了可以使用 reshape 函数，我们也可以直接用一个正整数元组来设置数组的维度，如下所示：
# -*- coding: utf-8 -*- import numpy as np b = np.arange(24).reshape(2,3,4) b.shape = (6,4) print(b)
结果：
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15] [16 17 18 19] [20 21 22 23]]
- (transpose()函数或者array.T )在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：
# -*- coding: utf-8 -*- import numpy as np b = np.arange(24).reshape(6,4) print(b) print(' ') print(b.transpose()) print(' ') #或者b.T print(b.T)结果：
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15] [16 17 18 19] [20 21 22 23]] [[ 0 4 8 12 16 20] [ 1 5 9 13 17 21] [ 2 6 10 14 18 22] [ 3 7 11 15 19 23]] [[ 0 4 8 12 16 20] [ 1 5 9 13 17 21] [ 2 6 10 14 18 22] [ 3 7 11 15 19 23]]
- （ resize（）函数） resize 和 reshape 函数的功能一样，但 resize 会直接修改所操作的数组：
# -*- coding: utf-8 -*- import numpy as np b = np.arange(24).reshape(6,4) print(b) b.resize((2,12)) print(b)
结果：
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15] [16 17 18 19] [20 21 22 23]] [[ 0 1 2 3 4 5 6 7 8 9 10 11] [12 13 14 15 16 17 18 19 20 21 22 23]]
5.组合数组
- 创建两个数组：
# -*- coding: utf-8 -*- import numpy as np a = np.arange(9).reshape(3,3) print(a) print(' ') b = 2*a print(b)结果：
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]]
- 水平组合：
1.hstack 函数实现
# -*- coding: utf-8 -*- import numpy as np a = np.arange(9).reshape(3,3) b = 2*a print(np.hstack((a,b)))
结果：
2. concatenate 函数来实现[[ 0 1 2 0 2 4] [ 3 4 5 6 8 10] [ 6 7 8 12 14 16]]
# -*- coding: utf-8 -*- import numpy as np a = np.arange(9).reshape(3,3) b = 2*a print(np.concatenate((a,b),axis=1))
结果：
[[ 0 1 2 0 2 4] [ 3 4 5 6 8 10] [ 6 7 8 12 14 16]]
- 垂直组合：
1.vstack函数实现：
# -*- coding: utf-8 -*- import numpy as np a = np.arange(9).reshape(3,3) b = 2*a print(a) print() print(b) print() print(np.vstack((a,b)))
结果：
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]] [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 0 2 4] [ 6 8 10] [12 14 16]]
2. concatenate 函数的 axis 参数设置为0即可实现
# -*- coding: utf-8 -*- import numpy as np a = np.arange(9).reshape(3,3) b = 2*a print(a) print() print(b) print() print(np.concatenate((a,b),axis= 0))
结果;
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]] [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 0 2 4] [ 6 8 10] [12 14 16]]
-
深度组合 将相同的元组作为参数传给 dstack 函数，即可完成数组的深度组合.深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合。
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 a = np.arange(9).reshape(3,3) 4 b = 2*a 5 print(a) 6 print() 7 print(b) 8 print() 9 print(np.dstack((a,b)))
结果：
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]] [[[ 0 0] [ 1 2] [ 2 4]] [[ 3 6] [ 4 8] [ 5 10]] [[ 6 12] [ 7 14] [ 8 16]]]
- 列组合 column_stack 函数对于一维数组将按列方向进行组合
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 noed =np.arange(2) 4 twod = noed *2 5 c = np.column_stack((noed,twod)) 6 print(noed) 7 print() 8 print(twod) 9 print()
结果：
[0 1] [0 2] [[0 0] [1 2]]
而对于二维数组， column_stack 与 hstack 的效果是相同的
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 a = np.arange(9).reshape(3,3) 4 b = 2*a 5 print(a) 6 print() 7 print(b) 8 print() 9 c = np.column_stack((a,b)) 10 print(c) 11 print(c==np.hstack((a,b)))
结果：
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]] [[ 0 1 2 0 2 4] [ 3 4 5 6 8 10] [ 6 7 8 12 14 16]] [[ True True True True True True] [ True True True True True True] [ True True True True True True]]
-
行组合 当然，NumPy中也有按行方向进行组合的函数，它就是 row_stack 。对于两
个一维数组，将直接层叠起来组合成一个二维数组1 # -*- coding: utf-8 -*- 2 import numpy as np 3 noed =np.arange(2) 4 twod = noed *2 5 c = np.row_stack((noed,twod)) 6 print(noed) 7 print() 8 print(twod) 9 print() 10 print(c)
结果：
[0 1] [0 2] [[0 1] [0 2]]
对于二维数组， row_stack 与 vstack 的效果是相同的
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 a = np.arange(9).reshape(3,3) 4 b = 2*a 5 print(a) 6 print() 7 print(b) 8 print() 9 print(np.row_stack((a,b))) 10 print() 11 print(np.row_stack((a,b)) == np.vstack((a,b)))
结果：
[[0 1 2] [3 4 5] [6 7 8]] [[ 0 2 4] [ 6 8 10] [12 14 16]] [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 0 2 4] [ 6 8 10] [12 14 16]] [[ True True True] [ True True True] [ True True True] [ True True True] [ True True True] [ True True True]]
6.数组分割
NumPy数组可以进行水平、垂直或深度分割，相关的函数有 hsplit 、 vsplit 、 dsplit 和split 。我们可以将数组分割成相同大小的子数组，也可以指定原数组中需要分割的位置。
- 水平分割
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 a = np.arange(9).reshape(3,3) 4 b = 2*a 5 print(a) 6 print() 7 print(np.hsplit(a,3))
结果：
[[0 1 2] [3 4 5] [6 7 8]] [array([[0], [3], [6]]), array([[1], [4], [7]]), array([[2], [5], [8]])]对同样的数组，调用 split 函数并在参数中指定参数 axis=1
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 a = np.arange(9).reshape(3,3) 4 b = 2*a 5 print(a) 6 print() 7 print(np.split(a,3,axis = 1))
结果：
[[0 1 2] [3 4 5] [6 7 8]] [array([[0], [3], [6]]), array([[1], [4], [7]]), array([[2], [5], [8]])] -
垂直分割
vsplit 函数将把数组沿着垂直方向分割：
In: vsplit(a, 3)
Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
同样，调用 split 函数并在参数中指定参数 axis=0 ，也可以得到同样的结果：
In: split(a, 3, axis=0)
Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])] - 深度分割 不出所料， dsplit 函数将按深度方向分割数组
1 # -*- coding: utf-8 -*- 2 import numpy as np 3 a = np.arange(27).reshape(3,3,3) 4 print(a.shape) 5 print(a) 6 b = np.dsplit(a,3) 7 print(b) 8 print(type(b))
结果：
View Code1 (3, 3, 3) 2 [[[ 0 1 2] 3 [ 3 4 5] 4 [ 6 7 8]] 5 6 [[ 9 10 11] 7 [12 13 14] 8 [15 16 17]] 9 10 [[18 19 20] 11 [21 22 23] 12 [24 25 26]]] 13 [array([[[ 0], 14 [ 3], 15 [ 6]], 16 17 [[ 9], 18 [12], 19 [15]], 20 21 [[18], 22 [21], 23 [24]]]), array([[[ 1], 24 [ 4], 25 [ 7]], 26 27 [[10], 28 [13], 29 [16]], 30 31 [[19], 32 [22], 33 [25]]]), array([[[ 2], 34 [ 5], 35 [ 8]], 36 37 [[11], 38 [14], 39 [17]], 40 41 [[20], 42 [23], 43 [26]]])] 44 <class 'list'>
我们用 hsplit 、 vsplit 、 dsplit 和 split 函数进行了分割数组的操作
- 水平分割
