Pythonnumpy常用API整理汇总
Posted zstar-_
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Pythonnumpy常用API整理汇总相关的知识，希望对你有一定的参考价值。
网上看到一份挺详细的Numpy教程，正好之前对相关API没有系统整理过，此篇来抽取一些有用的内容进行整理，以便后续使用时查阅。
参考教程：https://github.com/datawhalechina/powerful-numpy
创建数据
np.array(list)
直接通过一个列表来创建数据，可以使用dtype来指定数据类型。
# 创建一维数据
np.array([1,2,3])
# 创建二维数据
np.array([[1, 2, 3], [4, 5, 6]])
# 指定数据类型
np.array([1, 2, 3], dtype=np.float16)
np.array([1, 2, 3], dtype=np.int32)
np.arange
# 创建3x4的整型数据
np.arange(12).reshape(3, 4)
"""
输出：
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
"""
# 创建4x3的浮点型数据
np.arange(12.0).reshape(4, 3)
"""
输出：
array([[ 0., 1., 2.],
[ 3., 4., 5.],
[ 6., 7., 8.],
[ 9., 10., 11.]])
"""
np.linspace
linspace即线性插值：需要传递3个参数：开头，结尾，数量；
与之类似，还有指数线性插值np.logspace
np.linspace(0, 9, 10).reshape(2, 5)
"""
array([[0., 1., 2., 3., 4.],
[5., 6., 7., 8., 9.]])
"""
np.ones
生成全1矩阵
np.ones((2, 3))
"""
array([[1., 1., 1.],
[1., 1., 1.]])
"""
np.zeros
生成全0矩阵
np.zeros((2,3,4))
"""
array([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
"""
np.zeros_like(np.ones((2,3,3)))
"""
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]])
"""
np.random
生成各随机数
# 0-1 连续均匀分布
np.random.rand(2, 3)
# 单个数
np.random.rand()
# 指定上下界的连续均匀分布
np.random.uniform(-1, 1, (2, 3))
# 随机整数（离散均匀分布），不超过给定的值（10）
np.random.randint(10, size=2)
# 正态分布
np.random.randn(2, 4)
# 高斯分布
np.random.normal(0, 1, (3, 5))
保存与读取
np.save
# 直接将给定矩阵存为 a.npy
np.save('./data/a', np.array([[1, 2, 3], [4, 5, 6]]))
# 可以将多个矩阵存在一起，名为 `b.npz`
np.savez("./data/b", a=np.arange(12).reshape(3, 4), b=np.arange(12.).reshape(4, 3))
np.load
# 加载单个 array
np.load("data/a.npy")
# 加载多个，可以像字典那样取出对应的 array
arr = np.load("data/b.npz")
arr["a"]
arr["b"]
统计与属性
array.ndim
返回维度
arr.ndim
array.shape
形状，返回一个 Tuple
arr.shape
array.size
返回数据量
arr.size
array.max
返回最大值
# 按维度（列）最大值
arr.max(axis=0)
# 按维度（行）最大值
arr.max(axis=1)
array.min
返回最小值
# 按维度（列）最小值
arr.min(axis=0)
# 按维度（行）最小值
arr.min(axis=1)
np.median
返回中位数
np.median(arr)
np.quantile
返回分位数
# 分位数，按列取1/4数
np.quantile(arr, q=0.25, axis=0)
# 分位数，按行取 3/4，同时保持维度
np.quantile(arr, q=0.75, axis=1, keepdims=True)
np.average
计算平均值
# 平均值
np.average(arr)
# 按维度平均（列）
np.average(arr, axis=0)
np.sum/np.cumsum
求和
np.sum(arr, axis=1)
# 按列累计求和
np.cumsum(arr, axis=0)
# 按行累计求和
np.cumsum(arr, axis=1)
np.std/np.var
计算标准差和方差
# 按列求标准差
np.std(arr, axis=0)
# 按行求方差
np.var(arr, axis=1)
形状转换
arr.ravel()
将一个array展平
# 将多维array展平
arr.ravel()
np.expand_dims
扩展维度
# 扩展 1 个维度，需要（必须）指定维度
# 其实就是多嵌套了一下
np.expand_dims(arr, 1)
np.squeeze
去除维度
# 如果指定了维度，那就只会去除该维度，指定的维度必须为 1
# 如果不指定，就去除所有为1的维度
np.squeeze(expanded, axis=1).shape
arr.reshape
改变形状
# reshape 成另一个形状
arr.reshape(2, 2, 3)
arr.T
矩阵转置
arr
'''
array([[ 9, 77, 65],
[44, 43, 86],
[ 9, 70, 20],
[10, 53, 97]])
'''
arr.T
"""
array([[ 9, 44, 9, 10],
[77, 43, 70, 53],
[65, 86, 20, 97]])
"""
np.concatenate
拼接
arr1 = rng.random((2, 3))
arr2 = rng.random((2, 3))
arr1, arr2
"""
arr1, arr2
(array([[0.77395605, 0.43887844, 0.85859792],
[0.69736803, 0.09417735, 0.97562235]]),
array([[0.7611397 , 0.78606431, 0.12811363],
[0.45038594, 0.37079802, 0.92676499]]))
"""
# 默认沿axis=0（列）连接
np.concatenate((arr1, arr2))
"""
array([[0.77395605, 0.43887844, 0.85859792],
[0.69736803, 0.09417735, 0.97562235],
[0.7611397 , 0.78606431, 0.12811363],
[0.45038594, 0.37079802, 0.92676499]])
"""
# 沿 axis=1（行）连接
np.concatenate((arr1, arr2), axis=1)
"""
array([[0.77395605, 0.43887844, 0.85859792, 0.7611397 , 0.78606431,
0.12811363],
[0.69736803, 0.09417735, 0.97562235, 0.45038594, 0.37079802,
0.92676499]])
"""
np.stack
堆叠
# 堆叠，默认根据 axis=0 进行
np.stack((arr1, arr2))
"""
array([[[0.77395605, 0.43887844, 0.85859792],
[0.69736803, 0.09417735, 0.97562235]],
[[0.7611397 , 0.78606431, 0.12811363],
[0.45038594, 0.37079802, 0.92676499]]])
"""
np.repeat
重复
arr
"""
array([[0, 7, 6, 4],
[4, 8, 0, 6],
[2, 0, 5, 9]])
"""
# 在 axis=0（沿着列）上重复 2 次
np.repeat(arr, 2, axis=0)
"""
array([[0, 7, 6, 4],
[0, 7, 6, 4],
[4, 8, 0, 6],
[4, 8, 0, 6],
[2, 0, 5, 9],
[2, 0, 5, 9]])
"""
# 在 axis=1（沿着行）上重复 3 次
np.repeat(arr, 3, axis=1)
"""
array([[0, 0, 0, 7, 7, 7, 6, 6, 6, 4, 4, 4],
[4, 4, 4, 8, 8, 8, 0, 0, 0, 6, 6, 6],
[2, 2, 2, 0, 0, 0, 5, 5, 5, 9, 9, 9]])
"""
np.split
拆分
arr
"""
array([[ 9, 77, 65, 44],
[43, 86, 9, 70],
[20, 10, 53, 97],
[73, 76, 72, 78],
[51, 13, 84, 45],
[50, 37, 19, 92]])
"""
# 默认切分列（axis=0），切成 3 份
np.split(arr, 3)
"""
[array([[ 9, 77, 65, 44],
[43, 86, 9, 70]]),
array([[20, 10, 53, 97],
[73, 76, 72, 78]]),
array([[51, 13, 84, 45],
[50, 37, 19, 92]])]
"""
# （axis=1）切分行
np.split(arr, 2, axis=1)
[array([[ 9, 77],
[43, 86],
[20, 10],
[73, 76],
[51, 13],
[50, 37]]),
array([[65, 44],
[ 9, 70],
[53, 97],
[72, 78],
[84, 45],
[19, 92]])]
筛选提取
np.where
返回各维度符合条件的index
arr
"""
array([[ 9, 77, 65, 44],
[43, 86, 9, 70],
[20, 10, 53, 97]])
"""
# 返回满足条件的索引，因为是两个维度，所以会返回两组结果
np.where(arr > 50)
"""
(array([0, 0, 1, 1, 2, 2]), array([1, 2, 1, 3, 2, 3]))
"""
# 不满足条件的赋值，将 <=50 的替换为 -1
np.where(arr > 50, arr, -1)
"""
array([[-1, 77, 65, -1],
[-1, 86, -1, 70],
[-1, -1, 53, 97]])
"""
np.extract
在array中提取指定条件的值
# 提取指定条件的值
np.extract(arr > 50, arr)
"""
array([77, 65, 86, 70, 53, 97])
"""
np.unique
提取唯一值
np.unique(arr)
"""
array([ 9, 10, 20, 43, 44, 53, 65, 70, 77, 86, 97])
"""
np.argmax
提取最大值下标
# 按列（axis=0）最大值的 Index
np.argmax(arr, axis=0)
np.argmin
提取最小值下标
# 按行（axis=1）最小值的 Index
np.argmin(arr, axis=1)
矩阵运算
基本运算
# +-*/ 四则运算，就跟两个数字计算一样
arr * 2
# 平方运算
arr ** 2
# 开方
np.sqrt(arr)
# log
np.log(arr)
# mod <=> x % 3
np.mod(arr, 3)
np.minimum
# 超过5的都换成5
np.minimum(arr, 5)
np.maximum
# 低于5的都换成5
np.maximum(arr, 5)
np.round
# 四舍五入
np.round(np.sqrt(arr), 2)
np.floor
# 向下取整
np.floor(np.sqrt(arr))
np.ceil
# 向上取整
np以上是关于Pythonnumpy常用API整理汇总的主要内容，如果未能解决你的问题，请参考以下文章