深入理解NumPy簡(jiǎn)明教程---數(shù)組2

更新時(shí)間：2016年12月17日 15:38:18 作者：Daetalus

這篇文章主要介紹了深入理解NumPy簡(jiǎn)明教程---數(shù)組2,具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下。

NumPy數(shù)組（2、數(shù)組的操作）

基本運(yùn)算

數(shù)組的算術(shù)運(yùn)算是按元素逐個(gè)運(yùn)算。數(shù)組運(yùn)算后將創(chuàng)建包含運(yùn)算結(jié)果的新數(shù)組。

>>> a= np.array([20,30,40,50]) 
>>> b= np.arange( 4) 
>>> b 
array([0, 1, 2, 3]) 
>>> c= a-b 
>>> c 
array([20, 29, 38, 47]) 
>>> b**2 
array([0, 1, 4, 9]) 
>>> 10*np.sin(a) 
array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854]) 
>>> a<35 
array([True, True, False, False], dtype=bool)

與其他矩陣語(yǔ)言不同，NumPy中的乘法運(yùn)算符*按元素逐個(gè)計(jì)算，矩陣乘法可以使用dot函數(shù)或創(chuàng)建矩陣對(duì)象實(shí)現(xiàn)(后續(xù)章節(jié)會(huì)介紹)

>>> A= np.array([[1,1], 
...[0,1]]) 
>>> B= np.array([[2,0], 
...[3,4]]) 
>>> A*B # 逐個(gè)元素相乘 
array([[2, 0], 
  　　 [0, 4]]) 
>>> np.dot(A,B) # 矩陣相乘 
array([[5, 4], 
  　　 [3, 4]])

有些操作符如+=和*=用來(lái)更改已存在數(shù)組而不創(chuàng)建一個(gè)新的數(shù)組。

>>> a= np.ones((2,3), dtype=int) 
>>> b= np.random.random((2,3)) 
>>> a*= 3 
>>> a 
array([[3, 3, 3], 
  　　 [3, 3, 3]]) 
>>> b+= a 
>>> b 
array([[ 3.69092703, 3.8324276, 3.0114541], 
  　　　 [ 3.18679111, 3.3039349, 3.37600289]]) 
>>> a+= b # b轉(zhuǎn)換為整數(shù)類型 
>>> a 
array([[6, 6, 6], 
      [6, 6, 6]])

當(dāng)數(shù)組中存儲(chǔ)的是不同類型的元素時(shí)，數(shù)組將使用占用更多位（bit）的數(shù)據(jù)類型作為其本身的數(shù)據(jù)類型，也就是偏向更精確的數(shù)據(jù)類型(這種行為叫做upcast)。

>>> a= np.ones(3, dtype=np.int32) 
>>> b= np.linspace(0,np.pi,3) 
>>> b.dtype.name 
'float64' 
>>> c= a+b 
>>> c 
array([ 1., 2.57079633, 4.14159265]) 
>>> c.dtype.name 
'float64' 
>>> d= exp(c*1j) 
>>> d 
array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j, 
  　　　 -0.54030231-0.84147098j]) 
>>> d.dtype.name 
'complex128'

許多非數(shù)組運(yùn)算，如計(jì)算數(shù)組所有元素之和，都作為ndarray類的方法來(lái)實(shí)現(xiàn)，使用時(shí)需要用ndarray類的實(shí)例來(lái)調(diào)用這些方法。

>>> a= np.random.random((2,3)) 
>>> a 
array([[ 0.65806048, 0.58216761, 0.59986935], 
      [ 0.6004008, 0.41965453, 0.71487337]]) 
>>> a.sum() 
　 3.5750261436902333 
>>> a.min() 
   0.41965453489104032 
>>> a.max() 
   0.71487337095581649

這些運(yùn)算將數(shù)組看作是一維線性列表。但可通過(guò)指定axis參數(shù)（即數(shù)組的行）對(duì)指定的軸做相應(yīng)的運(yùn)算：

>>> b= np.arange(12).reshape(3,4) 
>>> b 
array([[ 0, 1, 2, 3], 
      [ 4, 5, 6, 7], 
      [ 8, 9, 10, 11]]) 
>>> b.sum(axis=0) # 計(jì)算每一列的和，注意理解軸的含義，參考數(shù)組的第一篇文章 
array([12, 15, 18, 21]) 
>>> b.min(axis=1) # 獲取每一行的最小值 
array([0, 4, 8]) 
>>> b.cumsum(axis=1) # 計(jì)算每一行的累積和 
array([[ 0, 1, 3, 6], 
      [ 4, 9, 15, 22], 
      [ 8, 17, 27, 38]])

索引，切片和迭代

和列表和其它Python序列一樣，一維數(shù)組可以進(jìn)行索引、切片和迭代操作。

>>> a= np.arange(10)**3 #記住，操作符是對(duì)數(shù)組中逐元素處理的！ 
>>> a 
array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) 
>>> a[2] 
8 
>>> a[2:5] 
array([ 8, 27, 64]) 
>>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000，從開(kāi)始到第6個(gè)位置，每隔一個(gè)元素將其賦值為-1000 
>>> a 
array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729]) 
>>> a[: :-1] # 反轉(zhuǎn)a 
array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000]) 
>>>for i in a: 
...  print i**(1/3.), 
... 
nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0

多維數(shù)組可以每個(gè)軸有一個(gè)索引。這些索引由一個(gè)逗號(hào)分割的元組給出。

>>>def f(x,y): 
...  return 10*x+y 
... 
>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一個(gè)函數(shù)，下篇文章介紹。 
>>> b 
array([[ 0, 1, 2, 3], 
      [10, 11, 12, 13], 
      [20, 21, 22, 23], 
      [30, 31, 32, 33], 
      [40, 41, 42, 43]]) 
>>> b[2,3] 
23 
>>> b[0:5, 1] # 每行的第二個(gè)元素 
array([ 1, 11, 21, 31, 41]) 
>>> b[: ,1] # 與前面的效果相同 
array([ 1, 11, 21, 31, 41]) 
>>> b[1:3,: ] # 每列的第二和第三個(gè)元素 
array([[10, 11, 12, 13], 
      [20, 21, 22, 23]])

當(dāng)少于提供的索引數(shù)目少于軸數(shù)時(shí)，已給出的數(shù)值按秩的順序復(fù)制，確失的索引則默認(rèn)為是整個(gè)切片：

>>> b[-1] # 最后一行，等同于b[-1,:]，-1是第一個(gè)軸，而缺失的認(rèn)為是：，相當(dāng)于整個(gè)切片。 
array([40, 41, 42, 43])

b[i]中括號(hào)中的表達(dá)式被當(dāng)作i和一系列:，來(lái)代表剩下的軸。NumPy也允許你使用“點(diǎn)”像b[i,...]。

點(diǎn)(…)代表許多產(chǎn)生一個(gè)完整的索引元組必要的分號(hào)。如果x是秩為5的數(shù)組(即它有5個(gè)軸)，那么:　　　

x[1,2,…] 等同于 x[1,2,:,:,:],
x[…,3] 等同于 x[:,:,:,:,3]
x[4,…,5,:] 等同 x[4,:,:,5,:]

>>> c= array( [ [[ 0, 1, 2], #三維數(shù)組（兩個(gè)2維數(shù)組疊加而成） 
...[ 10, 12, 13]], 
... 
...[[100,101,102], 
...[110,112,113]]] ) 
>>> c.shape 
 (2, 2, 3) 
>>> c[1,...] #等同于c[1,:,:]或c[1] 
array([[100, 101, 102], 
      [110, 112, 113]]) 
>>> c[...,2] #等同于c[:,:,2] 
array([[ 2, 13], 
      [102, 113]])

多維數(shù)組的遍歷是以是第一個(gè)軸為基礎(chǔ)的：

>>>for row in b: 
...  print row 
... 
[0 1 2 3] 
[10 11 12 13] 
[20 21 22 23] 
[30 31 32 33] 
[40 41 42 43]

如果想對(duì)數(shù)組中每個(gè)元素都進(jìn)行處理，可以使用flat屬性，該屬性是一個(gè)數(shù)組元素迭代器：

>>>for element in b.flat: 
...  print element, 
... 
0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43

更多關(guān)于[]、…、newaxis、ndenumerate、indices、index exp的內(nèi)容請(qǐng)參考NumPy示例

形狀（shape）操作

更改數(shù)組的形狀

數(shù)組的形狀取決于其每個(gè)軸上的元素個(gè)數(shù)：

>>> a= np.floor(10*np.random.random((3,4))) 
>>> a 
array([[ 7., 5., 9., 3.], 
      [ 7., 2., 7., 8.], 
      [ 6., 8., 3., 2.]]) 
>>> a.shape 
(3, 4)

可以用多種方式修改數(shù)組的形狀：

>>> a.ravel() # 平坦化數(shù)組 
array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.]) 
>>> a.shape= (6, 2) 
>>> a.transpose() 
array([[ 7., 9., 7., 7., 6., 3.], 
      [ 5., 3., 2., 8., 8., 2.]])

由ravel()展平的數(shù)組元素的順序通常是“C風(fēng)格”的，就是以行為基準(zhǔn)，最右邊的索引變化得最快，所以元素a[0,0]之后是a[0,1]。如果數(shù)組改變成其它形狀(reshape)，數(shù)組仍然是“C風(fēng)格”的。NumPy通常創(chuàng)建一個(gè)以這個(gè)順序保存數(shù)據(jù)的數(shù)組，所以ravel()通常不需要?jiǎng)?chuàng)建起調(diào)用數(shù)組的副本。但如果數(shù)組是通過(guò)切片其它數(shù)組或有不同尋常的選項(xiàng)時(shí)，就可能需要?jiǎng)?chuàng)建其副本。還可以同過(guò)一些可選參數(shù)函數(shù)讓reshape()和ravel()構(gòu)建FORTRAN風(fēng)格的數(shù)組，即最左邊的索引變化最快。

reshape函數(shù)改變調(diào)用數(shù)組的形狀并返回該數(shù)組，而resize函數(shù)改變調(diào)用數(shù)組自身。

>>> a 
array([[ 7., 5.], 
      [ 9., 3.], 
      [ 7., 2.], 
      [ 7., 8.], 
      [ 6., 8.], 
      [ 3., 2.]]) 
>>> a.resize((2,6)) 
>>> a 
array([[ 7., 5., 9., 3., 7., 2.], 
      [ 7., 8., 6., 8., 3., 2.]])

如果在reshape操作中指定一個(gè)維度為-1，那么其準(zhǔn)確維度將根據(jù)實(shí)際情況計(jì)算得到

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: