numpy学习记录
程序员文章站
2022-05-23 08:21:58
背 景
断断续续看了一些不错的 numpy 学习资料，发现他们大都是对官网学习文档的摘抄。放空心态，啃官网文档，做个快乐的小学生。
摘 要
NumPy 模块主要提供：
一个可包含任意同...
背 景
断断续续看了一些不错的 numpy 学习资料，发现他们大都是对官网学习文档的摘抄。放空心态，啃官网文档，做个快乐的小学生。
摘 要
NumPy 模块主要提供：
一个可包含任意同质元素【arbitrary homogeneous items】的数组对象【array object】 基于 数组 的 各种高性能数学操作线性代数、傅里叶变换、随机数生成器
这个数组对象的主要属性：
ndarray.ndim、ndarray.shape、ndarray.size、ndarray.dtype、ndarray.itemsize及ndarray.data，具体含义直接看案例：
>>> a = np.arange(15).reshape(3,5)
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> type(a)
numpy.ndarray
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int32'
>>> a.itemsize #元素占用空间大小
4
>>> a.size
15
>>> a = np.array(['tst',[1,2],10.29])
异常：ValueError: setting an array element with a sequence
（体验一下 数组元素的 'homogeneous' 性）
>>> a.data
创 建
import numpy as np
>>> a = np.array([[2,3,4],[3,5,7]])
array([[2, 3, 4],
[3, 5, 7]])
>>> b = np.array([[1,2],[3,4]],dtype=complex) #创建时指定元素类型
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
>>> c = np.zeros((3,4)) #元素类型默认为 float
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> d = np.arange(10,30,5)# 步长为 5
array([10, 15, 20, 25])
>>> e = np.linspace(0,2,9) # 0~2之间生成 9 个元素
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> f = np.sin(e)
array([ 0. , 0.24740396, 0.47942554, 0.68163876, 0.84147098,
0.94898462, 0.99749499, 0.98398595, 0.90929743])
基本操作
array的操作都是基于 元素粒度的。
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> a-b # 相减
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> a<35
array([ True, True, False, False], dtype=bool)
>>> a.dot(b) # 相乘
260
>>> c = np.ones((2,3),dtype=int)
array([[1, 1, 1],
[1, 1, 1]])
>>> d = np.random.random((2,3))
array([[ 0.2405914 , 0.92889199, 0.53239625],
[ 0.95156094, 0.03129976, 0.19768109]])
>>> d+=c # 相加
>>> d
array([[ 1.2405914 , 1.92889199, 1.53239625],
[ 1.95156094, 1.03129976, 1.19768109]])
>>>e = np.random.random((2,3))
>>> np.sqrt(e) # 开方
array([[ 0.62054761, 0.51564375, 0.78904659],
[ 0.56813652, 0.67124161, 0.91439529]])
>>> a = np.arange(20).reshape(4,5)
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> np.apply_along_axis(func1d=np.sum,axis=1,arr=a) # 对 a 进行行级别求和
array([10, 35, 60, 85])
检索与遍历
单维度检索
单维度检索与python中的列表操作类似
>>> = np.arange(10)**3
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729], dtype=int32)
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64], dtype=int32)
>>> 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]])
>>> b[2,3]
23
>>> b[0:5,1]
array([ 1, 11, 21, 31, 41])
>>> b[:,1]
array([ 1, 11, 21, 31, 41])
>>> b[1:3,:]
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
>>> b[-1]
array([40, 41, 42, 43])
>>> for row in b: # 行级别的遍历；元素级别的遍历用 b.flat;
print(row,':')
[0 1 2 3] :
[10 11 12 13] :
[20 21 22 23] :
[30 31 32 33] :
[40 41 42 43] :
多维度检索
这个功能真心强大，特别是 boolean 数组类型的检索。
>>> a = np.arange(12)**2
>>> i = np.array([1,1,3,8,5])
>>> print(i,a)
[1 1 3 8 5] [ 0 1 4 9 16 25 36 49 64 81 100 121]
>>> a[i] # 获取某几个元素
array([ 1, 1, 9, 64, 25])
>>> a = np.arange(12).reshape(3,4)
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> i = np.array([[0,1],[1,2]])
>>> j = np.array([[2,1],[3,3]])
>>> a[i,j] # 第一个元素 ：第 0 行 2列，第二个元素：第 1 行 1 列
array([[ 2, 5],
[ 7, 11]])
>>> a = np.arange(20).reshape(4,5)
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> a[:,[1,2]] #获取矩阵的某几行与几列
array([[ 1, 2],
[ 6, 7],
[11, 12],
[16, 17]])
>>> a[[0,2],:]
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14]])
a[np.ix_([0,2],[2,3])] # 使用 np.ix_ 获取第0行、2行与第2、3列交叉的元素。
array([[ 2, 3],
[12, 13]])
通过boolean数组检索
>>> a = np.arange(12).reshape(3,4)
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b = a>4
>>> b
array([[False, False, False, False],
[False, True, True, True],
[ True, True, True, True]], dtype=bool)
>>> a[b]
array([ 5, 6, 7, 8, 9, 10, 11])
>>> a[b]=0
>>> a
array([[0, 1, 2, 3],
[4, 0, 0, 0],
[0, 0, 0, 0]])
a = np.arange(12).reshape(3,4)
a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
b1 = np.array([False,True,True])
b2 = np.array([True,False,True,False])
a[b1,:]
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
a[:,b2]
array([[ 0, 2],
[ 4, 6],
[ 8, 10]])
变 型
自变
>>> a = np.floor(10*np.random.random((3,4)))
>>> a
array([[ 1., 5., 0., 8.],
[ 5., 1., 4., 8.],
[ 2., 9., 3., 6.]])
>>> a.ravel()
array([ 1., 5., 0., 8., 5., 1., 4., 8., 2., 9., 3., 6.])
>>> a.reshape(6,2)
array([[ 1., 5.],
[ 0., 8.],
[ 5., 1.],
[ 4., 8.],
[ 2., 9.],
[ 3., 6.]])
>>> a.T
array([[ 1., 5., 2.],
[ 5., 1., 9.],
[ 0., 4., 3.],
[ 8., 8., 6.]])
>>> a.resize((2,6))
array([[ 1., 5., 0., 8., 5., 1.],
[ 4., 8., 2., 9., 3., 6.]])
协变
两个 array 通过 np.vstack,np.hstack 等方式，组合成新的 array 。
>>> a = np.floor(10*np.random.random((2,2)))
array([[ 5., 3.],
[ 0., 4.]])
>>> b = np.floor(10*np.random.random((2,2)))
array([[ 2., 5.],
[ 7., 3.]])
>>> np.vstack((a,b))
array([[ 5., 3.],
[ 0., 4.],
[ 2., 5.],
[ 7., 3.]])
>>> np.column_stack((a,b))
array([[ 5., 3., 2., 5.],
[ 0., 4., 7., 3.]])
数组切分
a = np.floor(10*np.random.random((2,12)))
array([[ 3., 9., 2., 5., 2., 7., 3., 7., 9., 1., 9., 6.],
[ 8., 9., 1., 4., 7., 1., 0., 7., 4., 7., 5., 4.]])
[array([[ 3., 9., 2., 5.],
[ 8., 9., 1., 4.]]), array([[ 2., 7., 3., 7.],
[ 7., 1., 0., 7.]]), array([[ 9., 1., 9., 6.],
[ 4., 7., 5., 4.]])]
复 制
a = np.arange(12) b = a #no copy c = a.view() #shallow copy d = a.copy() #deep copy
常用的几个分布
>>> np.random.seed(123) # 让结果可再现
>>> r1 = np.random.binomial(n=10,p=0.2,size=10) # 二项分布
array([3, 1, 1, 2, 3, 2, 5, 3, 2, 2])
>>> r2 = np.random.binomial(n=10,p=0.2,size=(2,3))
array([[1, 3, 2],
[0, 2, 3]])
>>> r3 = np.random.normal(loc=2,scale=3,size=(3,5))#均值2标准差为3的正态分布
array([[ 0.66805412, 0.69694617, 8.61779025, 8.56035827, 5.01216169],
[ 3.1585592 , 4.21210573, 6.47219608, -0.80750161, 5.52748713],
[-1.761642 , 0.08674549, 4.72131559, -2.2860421 , 1.57979384]])
上一篇： linux系统中查看线程数的方法讲解
下一篇： pysparkDataFrame转RDD