快捷導(dǎo)航

Python科學(xué)計(jì)算之NumPy入門教程

更新時(shí)間：2017年01月15日 18:46:54 作者：棲遲於一丘

這篇文章主要介紹了Python科學(xué)計(jì)算之NumPy，文中給出了詳細(xì)的介紹與示例代碼，對(duì)大家的理解具有一定的參考借鑒價(jià)值，有需要的朋友可以一起來(lái)學(xué)習(xí)學(xué)習(xí)。

前言

NumPy是Python用于處理大型矩陣的一個(gè)速度極快的數(shù)學(xué)庫(kù)。它允許你在Python中做向量和矩陣的運(yùn)算，而且很多底層的函數(shù)都是用C寫(xiě)的，你將獲得在普通Python中無(wú)法達(dá)到的運(yùn)行速度。這是由于矩陣中每個(gè)元素的數(shù)據(jù)類型都是一樣的，這也就減少了運(yùn)算過(guò)程中的類型檢測(cè)。

矩陣基礎(chǔ)

在 numpy 包中我們用數(shù)組來(lái)表示向量，矩陣和高階數(shù)據(jù)結(jié)構(gòu)。他們就由數(shù)組構(gòu)成，一維就用一個(gè)數(shù)組表示，二維就是數(shù)組中包含數(shù)組表示。

創(chuàng)建

# coding: utf-8
import numpy as np

a = np.array([
 [1.73, 1.68, 1.71, 4],
 [1, 2, 3, 4],
 [1, 2, 3, 4]
])
print type(a) # <type 'numpy.ndarray'>

ndarray （N-dimensional array object）意思就是n維數(shù)組。例子中就表示一個(gè)3行4列的二維數(shù)組。

形狀

數(shù)組的大小可以通過(guò)其 shape 屬性獲得：

print a.shape # (3L,4L)

數(shù)組的元素?cái)?shù)量可以通過(guò) ndarray.size 得到：

print a.size # 12

使用 ndarray 的 dtype 屬性我們能獲得數(shù)組元素的類型：

print a.dtype # float64

可以用過(guò) shape 重新設(shè)置矩陣的形狀或者通過(guò) reshape 方法創(chuàng)建一個(gè)改變了尺寸的新數(shù)組，原數(shù)組的shape保持不變:

a.shape = 4, 3
b = a.reshape((2, 6))
# 盡管b的形狀是新的，但是a和b是共享數(shù)據(jù)存儲(chǔ)內(nèi)存區(qū)域的，如果b[0][1] = 8 那么a[0][1] 也會(huì)是8

數(shù)組生成

可以用過(guò) np.arange 來(lái)創(chuàng)建數(shù)組,參數(shù)與range類似：

x = np.arange(0, 10, 1) # arguments: start, stop, step

也可以用 np.linspace 創(chuàng)建等差數(shù)列:

x = np.linspace(1, 10, 5) # arguments: start, stop, num元素個(gè)數(shù)
# [ 1. 3.25 5.5 7.75 10. ]

# np.logspace 是創(chuàng)建等比數(shù)列

矩陣運(yùn)算

計(jì)算將變量直接參與運(yùn)算符，操作符優(yōu)先級(jí)不變：

a = np.random.rand(5, 5)
b = np.random.rand(5, 5)

print a + b
print a - b
print a * b
print a / b
print a ** 2
print a < b
print a > b

一個(gè)數(shù)組中除了 dot() 函數(shù)，其他這些操作都是單元操作。

np_arr = np.array([2,3,34,5,5])
print np.mean(np_arr) # 平均數(shù)
print np.median(np_arr) # 中位數(shù)
print np.corrcoef(a[0], a[1]) # 判斷兩個(gè)軸的數(shù)據(jù)是否有相關(guān)性
print np.std(np_arr) # 標(biāo)準(zhǔn)差

數(shù)據(jù)提取

切片索引語(yǔ)法：M[lower:upper:step]

a = np.array([1,2,3,4,5])
a[1:3] # array([2, 3])

# 進(jìn)行切片賦值時(shí)，原數(shù)組會(huì)被修改
a[1:3] = [-2, -3] # array([ 1, -2, -3, 4, 5])


b = np.random.rand(5, 5)
b[1:4, 1:4] # 提取 1~4 行，1~4列

b > 0.1 #array([False, False, False, ...])
# 因此要提取可以用, 這是利用了布爾屏蔽這個(gè)特性
b[ b > 0.1 ]

# where()函數(shù)是另一個(gè)有用的方式，當(dāng)需要以特定條件來(lái)檢索數(shù)組元素的時(shí)候。只需要傳遞給它一個(gè)條件，它將返回符合條件的元素列表。
c = np.where(b > 0.1)

矩陣運(yùn)算

NumPy和Matlab不一樣，對(duì)于多維數(shù)組的運(yùn)算，缺省情況下并不使用矩陣運(yùn)算，如果你希望對(duì)數(shù)組進(jìn)行矩陣運(yùn)算的話，可以調(diào)用相應(yīng)的函數(shù)。

matrix對(duì)象

numpy庫(kù)提供了matrix類，使用matrix類創(chuàng)建的是矩陣對(duì)象，它們的加減乘除運(yùn)算缺省采用矩陣方式計(jì)算，因此用法和matlab十分類似。但是由于NumPy中同時(shí)存在ndarray和matrix對(duì)象，因此用戶很容易將兩者弄混。這有違Python的“顯式優(yōu)于隱式”的原則，因此并不推薦在較復(fù)雜的程序中使用matrix。

>>> a = np.matrix([[1,2,3],[5,5,6],[7,9,9]])
>>> a*a**-1
matrix([[ 1.00000000e+00, 1.66533454e-16, -8.32667268e-17],
  [ -2.77555756e-16, 1.00000000e+00, -2.77555756e-17],
  [ 1.66533454e-16, 5.55111512e-17, 1.00000000e+00]])

從數(shù)組轉(zhuǎn)換為矩陣可以用m = np.matrix(a) 進(jìn)行轉(zhuǎn)換, 使用 m.T 可以得到m的轉(zhuǎn)置矩陣。

矩陣求逆

m.I * m
=> matrix([[ 1.00000000e+00+0.j, 4.44089210e-16+0.j],
   [ 0.00000000e+00+0.j, 1.00000000e+00+0.j]])

淺拷貝與深拷貝

為了獲得高性能，Python 中的賦值常常不拷貝底層對(duì)象，這被稱作淺拷貝。使用 copy 進(jìn)行深拷貝：

b = copy(a)

遍歷數(shù)組元素

通常情況下，我們是希望盡可能避免遍歷數(shù)組元素的。因?yàn)榈啾认蛄窟\(yùn)算要慢的多。但是有些時(shí)候迭代又是不可避免的，這種情況下用 Python 的 for 是最方便的：

v = np.array([1,2,3,4])

for element in v:
 print(element)

M = np.array([[1,2], [3,4]])

for row in M:
 print("row", row)
 for element in row:
  print(element)

總結(jié)

以上就是關(guān)于Python科學(xué)計(jì)算之NumPy的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來(lái)一定的幫助，如果有疑問(wèn)大家可以留言交流。

您可能感興趣的文章: