python基礎之Numpy庫中array用法總結

更新時間：2021年08月26日 10:17:19 作者：Lesley_馳騁沙場

NumPy（Numerical Python的縮寫）是一個開源的Python科學計算庫,使用NumPy就可以很自然地使用數(shù)組和矩陣,這篇文章主要給大家介紹了關于python基礎之Numpy庫中array用法的相關資料,需要的朋友可以參考下

前言

Numpy是Python的一個科學計算的庫，提供了矩陣運算的功能，其一般與Scipy、matplotlib一起使用。其實，list已經提供了類似于矩陣的表示形式，不過numpy為我們提供了更多的函數(shù)。

NumPy數(shù)組是一個多維數(shù)組對象，稱為ndarray。數(shù)組的下標從0開始,同一個NumPy數(shù)組中所有元素的類型必須是相同的。

>>> import numpy as np

為什么要用numpy

Python中提供了list容器，可以當作數(shù)組使用。但列表中的元素可以是任何對象，因此列表中保存的是對象的指針，這樣一來，為了保存一個簡單的列表[1,2,3]。就需要三個指針和三個整數(shù)對象。對于數(shù)值運算來說，這種結構顯然不夠高效。

Python雖然也提供了array模塊，但其只支持一維數(shù)組，不支持多維數(shù)組(在TensorFlow里面偏向于矩陣理解)，也沒有各種運算函數(shù)。因而不適合數(shù)值運算。

NumPy的出現(xiàn)彌補了這些不足。

數(shù)組的創(chuàng)建

使用numpy.array方法將tuple和list, array, 或者其他的序列模式的數(shù)據(jù)轉創(chuàng)建為 ndarray, 默認創(chuàng)建一個新的 ndarray.

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

>>> b = array( [ (1.5,2,3), 
                 (4,5,6)  ]  )　　 
array([[ 1.5,  2. ,  3. ],  
　　　  [ 4. ,  5. ,  6. ]])  

>>> c = array( [ [1,2], [3,4] ], dtype=complex)  
#指定數(shù)組中元素的類型
>>> c  
    array([[ 1.+0.j,  2.+0.j],  
　　　    [ 3.+0.j,  4.+0.j]])

生成均勻分布的array：

arange（最小值，最大值，步長）（左閉右開） : 創(chuàng)建等差數(shù)列

linspace（最小值，最大值，元素數(shù)量）

logspace(開始值, 終值, 元素個數(shù)): 創(chuàng)建等比數(shù)列

>>> np.arange(15)
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

>>> np.arange(15).reshape(3,5)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]

>>> np.arange( 0, 2, 0.3 )        
array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])

>>> np.linspace(1,3,9)
[ 1.    1.25  1.5   1.75  2.    2.25  2.5   2.75  3.  ]

生成特殊數(shù)組

np.ones: 創(chuàng)建一個數(shù)組, 其中的元素全為 1

np.zeros: 創(chuàng)建元素全為 0 的數(shù)組, 類似 np.ones

np.empty創(chuàng)建一個內容隨機并且依賴與內存狀態(tài)的數(shù)組。

np.eye: 創(chuàng)建一個對角線為 1 其他為 0 的矩陣.

np.identity: 創(chuàng)建一個主對角線為 1 其他為 0 的方陣.

>>> np.zeros((3,4))
[[ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]]

>>> np.ones((3,4))
[[ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]]

>>> np.eye(3)
[[ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]]

獲取數(shù)組的屬性

>>> a = np.zeros((2,2,2))
>>> a.ndim   #數(shù)組的維數(shù)
3
>>> a.shape  #數(shù)組每一維的大小
(2, 2, 2)
>>> a.size   #數(shù)組全部元素的數(shù)量 
8
>>> a.dtype  #數(shù)組中元素的類型
float64
>>> print a.itemsize  #每個元素所占的字節(jié)數(shù)
8

數(shù)組索引，切片，賦值

‘…'符號表示將所有未指定索引的維度均賦為 ‘：'

‘：'在python中表示該維所有元素

>>> a = np.array( [[2,3,4],[5,6,7]] )
>>> a
[[2 3 4]
 [5 6 7]]
>>> a[1,2]
7
>>> a[1,:]
[5 6 7]
>>> print a[1,1:2]
[6]
>>> a[1,:] = [8,9,10]
>>> a
[[ 2  3  4]
 [ 8  9 10]]
>>> c[1,...]                                   # same as c[1,:,:] or c[1]
array([[100, 101, 102],
       [110, 112, 113]])
>>> c[...,2]                                   # same as c[:,:,2]
array([[  2,  13],
       [102, 113]])
>>> def f(x,y):
...     return 10*x+y
...
>>> b = np.fromfunction(f,(5,4),dtype=int)    #
>>> b
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23],
       [30, 31, 32, 33],
       [40, 41, 42, 43]])

數(shù)組操作

>>> a = np.ones((2,2))
>>> b = np.eye(2)
>>> print a
[[ 1.  1.]
 [ 1.  1.]]
>>> print b
[[ 1.  0.]
 [ 0.  1.]]

>>> print a > 2
[[False False]
 [False False]]
>>> print a+b             #數(shù)組加，對應位置相加
[[ 2.  1.]
 [ 1.  2.]]
>>> print a-b             #數(shù)組減，對應位置相減
[[ 0.  1.]
 [ 1.  0.]]
>>> print b*2             #數(shù)組與數(shù)值相乘，對應位置乘
[[ 2.  0.]
 [ 0.  2.]]
>>> print (a*2)*(b*2)     #數(shù)組與數(shù)組相乘，按位置一對一相乘
[[ 4.  0.]
 [ 0.  4.]]
>>> print b/(a*2)          #數(shù)組與數(shù)組相除，按位置一對一相除
[[ 0.5  0. ]
 [ 0.   0.5]]
>>> print a.dot(b)                    # matrix product，矩陣乘
>>> np.dot(a,a)                       #矩陣乘法
array([[ 2.,  2.],
       [ 2.,  2.]])
>>> print (a*2)**4
[[ 16.  16.]
 [ 16.  16.]]
>>> b = a              #淺拷貝
>>> b is a
True
>>> c = a.copy()       #深拷貝
>>> c is a
False

內置函數(shù)（min,max,sum)，同時可以使用axis指定對哪一維進行操作：

 >>> a.sum()
4.0
>>> a.sum(axis=0)    #計算每一列（二維數(shù)組中類似于矩陣的列）的和
array([ 2.,  2.])
>>> a.min()          #數(shù)組最小值
1.0
>>> a.max()          #數(shù)組最大值
1.0

使用numpy下的方法：

>>> np.sin(a)
array([[ 0.84147098,  0.84147098],
       [ 0.84147098,  0.84147098]])
>>> np.max(a)
1.0
>>> np.floor(a)  
array([[ 1.,  1.],
       [ 1.,  1.]])
>>> np.exp(a)               #e^x
array([[ 2.71828183,  2.71828183],
       [ 2.71828183,  2.71828183]])
>>> print np.vstack((a,b))   #合并數(shù)組
[[ 1.  1.] 
 [ 1.  1.]
 [ 1.  0.]
 [ 0.  1.]]
>>> print np.hstack((a,b))   #合并數(shù)組
[[ 1.  1.  1.  0.]
 [ 1.  1.  0.  1.]]
>>> print a.transpose()       #轉置

numpy.linalg模塊中有很多關于矩陣運算的方法：

>>> import numpy.linalg as nplg

NumPy中的基本數(shù)據(jù)類型

名稱	描述
bool	用一個字節(jié)存儲的布爾類型（True或False）
inti	由所在平臺決定其大小的整數(shù)（一般為int32或int64）
int8/16/32/64	整數(shù)，1/2/4/8個字節(jié)大小
uint8/16/32/64	無符號整數(shù)
float16/32/64	半/單/雙精度浮點數(shù)，16/32/64位，指數(shù)、精度也不同
complex64/128	復數(shù)，分別用兩個32/64位浮點數(shù)表示實部和虛部

輸出數(shù)組

當輸出一個數(shù)組時，NumPy以特定的布局用類似嵌套列表的形式顯示：

第一行從左到右輸出
每個切片通過一個空行與下一個隔開
一維數(shù)組被打印成行，二維數(shù)組成矩陣，三維數(shù)組成矩陣列表。
如果一個數(shù)組太長，則NumPy自動省略中間部分而只打印兩端的數(shù)據(jù)：

>>> a = arange(6)                         # 1d array  
>>> print a  
    [0 1 2 3 4 5]  
　　　  
>>> b = arange(12).reshape(4,3)           # 2d array  
>>> print b  
    [[ 0  1  2]  
    [ 3  4  5]  
    [ 6  7  8]  
    [ 9 10 11]]　　　  
>>> c = arange(24).reshape(2,3,4)         # 3d array  
>>> print c  
    [[[ 0  1  2  3]  
    [ 4  5  6  7]  
    [ 8  9 10 11]]  
　　　  
    [[12 13 14 15]  
    [16 17 18 19]  
    [20 21 22 23]]]