Python Numpy库快速入门

NumPy(Numerical Python的缩写)是⼀个开源的Python科学计算库。使⽤NumPy,就可以很⾃然地使⽤数组和矩阵。NumPy包含很多实⽤的数学函数,涵盖线性代数运算、傅⾥叶变换和随机数⽣成等功能。如果你的系统中已经装有LAPACK,NumPy的线性代数模块会调⽤它,否则NumPy将使⽤⾃⼰实现的库函数。LAPACK是⼀个著名的数值计算库,最初是⽤Fortran写成的,Matlab同样也需要调⽤它。从某种意义上讲,NumPy可以取代Matlab和Mathematica的部分功能,并且允许⽤户进⾏快速的交互式原型设计。NumPy的数组对象

ndarray是⼀个数组对象，该对象由实际数据+描述性元数据组成。

使⽤Numpy需要先安装和导⼊NumPy库，有关安装教程可以参考Installing NumPy

导⼊语法：import numpy as np

此处使⽤np为别名是为了避免命名空间被污染。

特点：

1. NumPy数组⼀般是同质（即数组内的元素为相同类型，特殊类型除外）

2. NumPy数组的下标也是从0开始

3. 可以⽅便地创建⾼维数组

eg：

In: a = np.arange(5)

In: a.dtype

Out: dtype('int')

⽽在32位系统中，得到的结果类型可能是int32。

数组的创建：In: m = np.array([np.arange(2), np.arange(2)])

In: m

Out:

array([[0, 1],

[0, 1]])

In: m.shape #shape可以输出数组⾏列（维度）信息

Out: (2, 2)

选取数组元素：

我们继续沿⽤上⾯创建的数组m

In: m[0,0]

Out: 0

In: m[0,1]

Out: 1

是的,从数组中选取元素就是这么简单。对于数组 a ,只需要⽤ a[m,n] 选取各数组元素,其中 m 和 n 为元素下标。

NumPy的数据类型:

Python⽀持的数据类型有整型、浮点型以及复数型,但这些类型不⾜以满⾜科学计算的需求,因此NumPy添加了很多其他的数据类型。在NumPy中,许多函数的参数中可以指定数据类型,通常这个参数是可选的:

In: np.arange(7, dtype=uint16)

Out: array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)

其中完整的数据类型可以通过np.sctypeDict.keys()查到：

dict_keys([0, 1, 2, 3, 'D', 5, 6, 'ushort', 8, 'P', 10, 11, 12,

'uintp', 14, 15, 16, 17, 18, 19, 'Float16', 21, 22, 23, 'cfloat',

4, 'Object0', 'int32', 'UInt', 'Complex128', 'uint0', 'i2', 7,

'Int16', 'int', 'complex', 'ubyte', 'Int32', 'float', 'i',

'short', 'B', 'str0', 9, 'complex_', 'O', 'long', 'bytes',

'float_', 'Int', 'int0', 'Void0', 'float128', 'Float', 'Str0', 'int', 'b', 'longdouble', 'void', 'f', 'longcomplex',

'ulonglong', 'intp', 'UInt32', 'V', 'object_', 'longlong',

'csingle', 'uint', 'c32', 'M', 'I', 'singlecomplex', 'double',

'timedelta', 'object', 'unicode_', 'Float128', 'uint', 'h',

'str', 'd', 'UInt8', 20, 'complex128', 'string_', 'clongfloat',

'H', 'm8', 'clongdouble', 'S', 'g', 'bool_', 'unicode', 'f16', 13, 'int8', 'void0', 'L', 'M8', 'uint32', 'p', 'bytes0', 'e',

'datetime', 'U', 'float16', 'c16', '?', 'Bool', 'byte', 'i4',

'c8', 'int16', 'half', 'uint16', 'str_', 'i8', 'Complex32',

'Int8', 'bool', 'Bytes0', 'G', 'l', 'uint8', 'f2', 'single', 'f8','q', 'Q', 'm', 'Complex', 'f4', 'u2', 'Float32', 'i1', 'u4',

'Datetime', 'intc', 'float', 'a', 'complex', 'u1', 'bytes_', 'cdouble', 'object0', 'UInt16', 'bool8', 'float32', 'uintc',

'Timedelta', 'F', 'longfloat', 'b1', 'u8', 'int_',

'complex256'])

创建⾃定义数据类型：

(1)创建数据类型

In: t = np.dtype([('name',np.str_,128),('count',np.int32),

('price',np.float)])

In: t

Out: dtype([('name', ''(2)查看数据类型

In: t['name']

Out: dtype('(3)使⽤⾃定义数据

In: itemz = np.array([('Meaning of life DVD', 42, 3.14),

('Butter', 13, 2.72)], dtype=t)

In: itemz[1]

Out: ('Butter', 13, 2.72)

⼀维数组的索引和切⽚：

In: a = np.arange(9)

In: a[3:7]

Out: array([3, 4, 5, 6])

数组索引和切⽚:

In： b=np.arange(24).reshape(2,3,4)

In: b

Out: array([[[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]],

[[12, 13, 14, 15],

[16, 17, 18, 19],

[20, 21, 22, 23]]])In: b[0,2,1]

Out: 9-

#我们还可以这样写,选取第0组的所有元素:

In: b[0,:,:]

Out: array([[

0, 1, 2, 3],

[4, 5, 6, 7],

[8, 9,10,11]])

同时，b[0,:,:] == b[0,…]。

更多的数组的索引和切⽚操作可以参考NumPy使⽤⼿册

数组展平:

(1)ravel

In: b-

Out:

array([[[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9,10,11]],

[[12,13,14,15],

[16,17,18,19],

[20,21,22,23]]])

In: b.ravel()

Out:

array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,

17, 18, 19, 20, 21, 22, 23])

(2)flatten

In: b.flatten()

Out:

array([ 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 和 ravel的区别在于：flatten函数会请求分配内存来保存结果，⽽reval函数只是返回数组的⼀个视图（view）

(3)改变数组的shape属性

In: b.shape = (6,4)

In: b

Out:

array([ 0, 1, 2, 3],

[ 4, 5, 6, 7],-

[ 8, 9,10,11],

[12,13,14,15],[16,17,18,19],

[20,21,22,23]],

(4)transpose,相当与线性代数的转置

In: b.transpose()

Out:

array([[ 0, 4, 8,12,16,20],

[ 1, 5, 9,13,17,21],

[ 2, 6,10,14,18,22],

[ 3, 7,11,15,19,23]])

(5)resize，功能和reshape相同，但是resize会直接影响原操作数组

In: b.resize((2,12))

In: b

Out:

array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11],

[12,13,14,15,16,17,18,19,20,21, 22, 23]])

数组组合：

(1)⽔平组合

In: a = np.arange(9).reshape(3,3)

In: b=2*a

In: np.hstack((a,b))

Out: array([[ 0, 1, 2, 0, 2, 4],

[ 3, 4, 5, 6, 8, 10],

[ 6, 7, 8, 12, 14, 16]])

同样可以使⽤concatenate函数实现同样效果

In: concatenate((a,b),axis=1)

Out: array([[ 0, 1, 2, 0, 2, 4],

[ 3, 4, 5, 6, 8,10],

[ 6, 7, 8,12,14,16]])

(2)垂直组合

In: np.vsta-ck((a,b))

Out: array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[ 0, 2, 4],[ 6, 8, 10],

[12, 14, 16]])

同样可以使⽤concatenate函数实现同样效果

In: concatenate((a,b),axis=0)

Out: In: np.vstack((a,b))

Out: array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[ 0, 2, 4],

[ 6, 8, 10],

[12, 14, 16]])

(3)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。

In: np.dstack((a,b))

Out: array([[[ 0, 0],

[ 1, 2],

[ 2, 4]],

[[ 3, 6],

[ 4, 8],

[ 5, 10]],

[[ 6, 12],

[ 7, 14],

[ 8, 16]]])

(4)列组合,column_stack 函数对于⼀维数组将按列⽅向进⾏组合,⽽对于⼆维数组, column_stack 与 hstack 的效果是相同的

(5)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。同样，对于⼆维数组，row_stack 与vstack 的效果是相同的。

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。(1)⽔平分割

In: a

Out: array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

In: np.hsplit(a,3) #沿⽔平⽅向分割成三个⼤⼩相同的⼦数组

Out: [array([[0],

[3],

[6]]), array([[1],

[4],

[7]]), array([[2],

[5],

[8]])]

(2)垂直分割

In: np.vsplit(a,3) #在垂直⽅向上分割成三个⼤⼩相同的⼦数组

Out： [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])] (3)深度分割,dsplit函数将按深度⽅向分割数组。

In: np.dsplit(np.arange(27).reshape(3,3,3),3)

Out: [array([[[ 0],

[ 3],

[ 6]],

[[ 9],

[12],

[15]],

[[18],

[21],

[24]]]), array([[[ 1],

[ 4],

[ 7]],

[[10],

[13],

[16]],

[[19],

[22],

[25]]]), array([[[ 2],

[ 5],

[ 8]],

[[11],

[14],

[17]],

[[20],

[23],

[26]]])]同时，hsplit,vsplit同样也可以⽤函数split来实现，其使⽤就像上⾯的数组组合函数concatenate类似

到此，NumPy的常规的数组操作基本就结束了！