Numpy基础教程

Posted 2023-02-20 Joe-Han

引入numpy 模块：

import numpy as np

1. 创建array

1.1 列表转换为数组，查看属性：

array = np.array([[1,2,3],[4,5,6]], dtype = np.float)

print(array)
print(array.dtype)
print('number of dim:',array.ndim) 
print('shape:',array.shape)
print('size:',array.size)

输出：
[[ 1. 2. 3.]
[ 4. 5. 6.]]
float64
(‘number of dim:’, 2)
(‘shape:’, (2L, 3L))
(‘size:’, 6)

1.2 创建全为0的数组：

a = np.zeros(shape=(2,2))
print(a)

输出：
[[ 0. 0.]
[ 0. 0.]]

1.3 创建全为1的数组：

a = np.ones(shape=(3,3),dtype = np.int32)
print(a)

输出：
[[1 1 1]
[1 1 1]
[1 1 1]]

1.4 创建单位矩阵：

a = np.eye(2,2)
print(a)

输出：
[[ 1. 0.]
[ 0. 1.]]

1.5 创建有序数组：

a = np.arange(10, 20, 2)
print(a)

输出
[10 12 14 16 18]

1.6 创建等差数组

a = np.linspace(0, 10, 5)
print(a)

输出
[ 0. 2.5 5. 7.5 10. ]

2. array基本操作

2.1 改变数组大小

a = np.arange(12).reshape((3,4))
print(a)

输出
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]

2.2 插入新维度

a = np.array([1,1,1])
print a[:, np.newaxis]

输出
[[1]
[1]
[1]]

2.3 判断元素值

print a > 25
print a == b
print a == 10

输出
[False False True True]
[False False False False]
[ True False False False]

2.4 排序

a = np.array([[4, 3, 2], [2, 1, 4]])
print np.sort(a, axis=1)

输出
[[2 3 4]
[1 2 4]]

dtype = [('Name', 'S10'), ('Height', float), ('Age', int)]
values = [('Li', 1.8, 41), ('Wang', 1.9, 38), ('Duan', 1.7, 38)]
a = np.array(values, dtype=dtype)
print np.sort(a, order=['Age', 'Height']) 

输出
[(‘Duan’, 1.7, 38) (‘Wang’, 1.9, 38) (‘Li’, 1.8, 41)]

2.5 修剪array

小于min或大于max的元素直接置为min或max

c = np.array([[1.0, 2.0], [3.0, 4.0]])
print np.clip(c, 1, 2)

输出
[[ 1. 2.]
[ 2. 2.]]

2.6 多维转一维

c = np.array(np.arange(12)).reshape((3,4))
print c.flatten()

输出
[ 0 1 2 3 4 5 6 7 8 9 10 11]

2.7 索引与切片

a = np.array([10, 20, 30, 40])
b = np.array(np.arange(12)).reshape((3,4))

print a[a >20]
print b[:2, :]
print b[:, 2:]

输出
[30 40]
[[0 1 2 3]
[4 5 6 7]]
[[ 2 3]
[ 6 7]
[10 11]]

3. 基本运算

首先创建两个数组：

a = np.array([10, 20, 30, 40])
b = np.arange(1, 5)

3.1 加法操作

print a + b

输出
[11 22 33 44]

3.2 除法操作

print a / b

输出
[10 10 10 10]

3.3 幂运算

print b**3

输出
[ 1 8 27 64]

3.4 三角函数运算

print np.sin(a)
print np.tan(b)

输出
[-0.54402111 0.91294525 -0.98803162 0.74511316]
[ 1.55740772 -2.18503986 -0.14254654 1.15782128]

3.5 array类矩阵运算

转置

c = np.arange(9).reshape((3,3)) 
print np.transpose(c) # a.T, c.transpose()

输出
[[0 3 6]
[1 4 7]
[2 5 8]]

矩阵相乘

print np.dot(a,np.transpose(b))  # a.dot(b.T)

输出
300

矩阵逆

c = np.array([[1.0, 2.0], [3.0, 4.0]])
print np.linalg.inv(c)

输出
[[-2. 1. ]
[ 1.5 -0.5]]

3.6 array最值、求和、均值

c = np.array([[1.0, 2.0], [3.0, 4.0]])

print c.min(axis=0)
print c.max(axis=1)
print c.sum()
print c.mean()

输出
[ 1. 2.]
[ 2. 4.]
10.0
2.5

3.7 array最值索引

print np.argmax(a)
print np.argmin(a)

输出
3
0

3.8 累加与累差

print np.cumsum(a)
print np.diff(a)

输出
[ 10 30 60 100]
[10 10 10]

3.9 查找非零元素

c = np.array([[0.0, 2.0], [3.0, 4.0]])
print np.nonzero(c)

输出
(array([0, 1, 1], dtype=int64), array([1, 0, 1], dtype=int64))

4. array分割与合并

4.1 数组分割

a = np.arange(12).reshape((3, 4))
print np.split(a, 2, axis=1)

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

4.2 纵向分割

a = np.arange(12).reshape((3, 4))
print np.vsplit(a, 3)

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

4.3 横向分割

a = np.arange(12).reshape((3, 4))
print np.hsplit(a, 2)

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

4.4 数组合并

a = np.array([1,2,3])
b = np.array([4,5,6])

print np.concatenate((a, b))
print np.concatenate((a[:,np.newaxis], b[:,np.newaxis]), axis=1)

输出
[1 2 3 4 5 6]
[[1 4]
[2 5]
[3 6]]

4.5 纵向合并

a = np.array([1, 1, 1])
b = np.array([2, 2, 2])
print np.vstack((a,b))

输出
[[1 1 1]
[2 2 2]]

4.6 横向合并

a = np.array([1, 1, 1])
b = np.array([2, 2, 2])
print np.hstack((a,b))

输出
[1 1 1 2 2 2]

5. random模块

numpy.random模块分为四个部分：

1. 简单随机数： 产生简单的随机数据，可以是任何维度
2. 排列：将所给对象随机排列
3. 分布：产生指定分布的数据，如高斯分布等
4. 生成器：种随机数种子，根据同一种子产生的随机数是相同的

5.1 简单随机数

---

函数名	函数功能	参数说明
rand(d0, d1, …, dn)	产生均匀分布的随机数	dn为第n维数据的维度
randn(d0, d1, …, dn)	产生标准正态分布随机数	dn为第n维数据的维度
randint(low[, high, size, dtype])	产生随机整数	low：最小值；high：最大值；size：数据个数
random_sample([size])	在[0,1）内产生随机数	size：随机数的shape

print np.random.randint(0,10,5)
print np.random.randn(2,2)

输出
[[ 0.24565135 -0.70674316]
[-0.57555779 0.43117502]]

5.2 排列

---

函数名	函数功能	参数说明
shuffle(x)	打乱对象x（多维矩阵按照第一维打乱）	矩阵或者列表
permutation(x)	打乱并返回该对象（多维矩阵按照第一维打乱）	整数或者矩阵

a = np.array([10, 20, 30, 40])
np.random.shuffle(a)
print a

输出
[30 40 20 10]

5.3 分布

---

函数名	函数功能
beta(a, b[, size])	贝塔分布样本，在 [0, 1]内
binomial(n, p[, size])	二项分布的样本
exponential([scale, size])	指数分布
logistic([loc, scale, size])	Logistic分布样本
lognormal([mean, sigma, size])	对数正态分布
multinomial(n, pvals[, size])	多项分布
multivariate_normal(mean, cov[, size])	多元正态分布
normal([loc, scale, size])	正态(高斯)分布
poisson([lam, size])	泊松分布
uniform([low, high, size])	均匀分布

print np.random.normal(1, 5, 10)
print np.random.uniform([0, 1, 2])

输出
[-4.38667406 -2.65368275 8.44676789 2.89982949 5.66674056]
[ 0.61799423 0.44157577]

5.4 生成器

---

• 随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。
• 只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值）
• 随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。

函数名	函数功能	参数说明
RandomState	定义种子类	RandomState是一个种子类，提供了各种种子方法，最常用seed
seed([seed])	定义全局种子	参数为整数或者矩阵

np.random.seed(1234)