目录
NumPy介绍:
是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
NumPy 安装:
- 安装 NumPy 最简单的方法就是使用pip工具：
pip3 install --user numpy scipy matplotlib - 使用清华的镜像（速度快）
pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple - 验证是否安装（在pycharm中）
# 导入 numpy 库。 from numpy as np eye(4) # 输出 array([[1., 0., 0., 0.], [0., 1., 0., 0.], [0., 0., 1., 0.], [0., 0., 0., 1.]])
NumPy Ndarray 对象 ：
- ndarray是一个N维数组对象，是同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
-
ndarray 对象是用于存放同类型元素的多维数组。
-
ndarray 中的每个元素在内存中都有相同存储大小的区域。
-
ndarray 内部由以下内容组成：
-
一个指向数据（内存或内存映射文件中的一块数据）的指针。
-
数据类型或 dtype，描述在数组中的固定大小值的格子。
-
一个表示数组形状（shape）的元组，表示各维度大小的元组。
-
一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。
-
实例：
# 实例1
import numpy as np
# 通过列表创建一维数组
a = np.array([1,2,3])
print (a)
# 结果
[1 2 3]# 实例2，多于一个维度
import numpy as np
a = np.array([[1, 2], [3, 4]])
print (a)
# 结果
[[1 2]
[3 4]]ndmin：设置最小维度：结果矩阵显示的维度会按照ndmin中的设置
# 最小维度
import numpy as np
a = np.array([1, 2, 3, 4, 5], ndmin = 2)
print (a)
# 结果
[[1 2 3 4 5]]数据类型对象 (dtype)
数据类型对象（numpy.dtype 类的实例）
用来描述与数组对应的内存区域是如何使用
- 数据的类型（整数，浮点数或者 Python 对象）
- 数据的大小（例如， 整数使用多少个字节存储）
- 数据的字节顺序（小端法或大端法）
- 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
- 如果数据类型是子数组，那么它的形状和数据类型是什么。
numpy.dtype(object, align, copy)
# object - 要转换为的数据类型对象
# align - 如果为 true，填充字段使其类似 C 的结构体。
# copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用实例
import numpy as np
# 使用标量类型
dt = np.dtype(np.int32)
print(dt)
# 结果
int32数组
数组属性
NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量---秩，就是数组的维数。
-
ndarray.ndim
import numpy as np
a = np.arange(24)
print (a.ndim) # a 现只有一个维度
# 现在调整其大小
b = a.reshape(2,4,3) # b 现在拥有三个维度
print (b.ndim)
# 结果
1
3- ndarray.shape
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print (a.shape)
# 结果
(2, 3)-
ndarray.itemsize
import numpy as np # 数组的 dtype 为 int8（一个字节） x = np.array([1,2,3,4,5], dtype = np.int8) print (x.itemsize) # 数组的 dtype 现在为 float64（八个字节） y = np.array([1,2,3,4,5], dtype = np.float64) print (y.itemsize) # 结果 1 8NumPy 创建数组
-
numpy.empty
numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组
import numpy as np
x = np.empty([3,2], dtype = int)
print (x)
# 结果
[[ 6917529027641081856 5764616291768666155]
[ 6917529027641081859 -5764598754299804209]
[ 4497473538 844429428932120]]- numpy.zeros
import numpy as np
# 默认为浮点数
x = np.zeros(5)
print(x)
# 设置类型为整数
y = np.zeros((5,), dtype = int)
print(y)
# 自定义类型
z = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print(z)
# 结果
[0. 0. 0. 0. 0.]
[0 0 0 0 0]
[[(0, 0) (0, 0)]
[(0, 0) (0, 0)]]- numpy.ones
import numpy as np # 默认为浮点数 x = np.ones(5) print(x) # 自定义类型 x = np.ones([2,2], dtype = int) print(x) # 结果 [1. 1. 1. 1. 1.] [[1 1] [1 1]]NumPy 从已有的数组创建数组
-
numpy.asarray
numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个
import numpy as np x = [1,2,3] a = np.asarray(x) print (a) # 结果 [1 2 3]NumPy 从数值范围创建数组
- numpy.arange
numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象
import numpy as np
x = np.arange(5)
print (x)
# 结果
[0 1 2 3 4]import numpy as np
# 设置了 dtype，返回类型为float
x = np.arange(5, dtype = float)
print (x)
# 结果
[0. 1. 2. 3. 4.]- numpy.linspace
numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的
import numpy as np
a = np.linspace(1,10,10)
print(a)
# 结果
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]NumPy 切片和索引
- slice 函数
import numpy as np
a = np.arange(10)
s = slice(2,7,2) # 从索引 2 开始到索引 7 停止，间隔为2
print (a[s])
# 结果
[2 4 6]- 冒号分隔切片参数 start:stop:step 来进行切片操作
import numpy as np
a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止，间隔为 2
print(b)
# 结果
[2 4 6]Numpy 数组操作
修改数组形状
- numpy.reshape
numpy.reshape 函数可以在不改变数据的条件下修改形状
import numpy as np
a = np.arange(8)
print ('原始数组：')
print (a)
print ('\n')
b = a.reshape(4,2)
print ('修改后的数组：')
print (b)
# 结果
原始数组：
[0 1 2 3 4 5 6 7]
修改后的数组：
[[0 1]
[2 3]
[4 5]
[6 7]]翻转数组
- numpy.transpose
import numpy as np
a = np.arange(12).reshape(3,4)
print ('原数组：')
print (a )
print ('\n')
print ('对换数组：')
print (np.transpose(a))
# 结果
原数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
对换数组：
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]- numpy.ndarray.T
import numpy as np a = np.arange(12).reshape(3,4) print ('原数组：') print (a) print ('\n') print ('转置数组：') print (a.T) # 结果 原数组： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 转置数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]