欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

NumPy 学习笔记(一)

程序员文章站 2022-10-05 23:34:50
NumPy: 1、NumPy 是一个功能强大的第三方库(需要自己安装),主要用于对多维数组执行计算; 它提供了大量的库函数和操作,可以帮助程序员更轻松地进行数值计算 2、可以和另外两个第三方库 SciPy 和 Matplotlib 一起使用从而在一定程度上替换对 Matlab 的使用 3、主要应用: ......

numpy:

  1、numpy 是一个功能强大的第三方库(需要自己安装),主要用于对多维数组执行计算;

     它提供了大量的库函数和操作,可以帮助程序员更轻松地进行数值计算

  2、可以和另外两个第三方库 scipy 和 matplotlib 一起使用从而在一定程度上替换对 matlab 的使用 

  3、主要应用:

    ①数学运算:numpy 对于执行各种数学运算非常有用,如数值积分、微分、内插、外推以及矩阵的内积、外积、特征向量等。

    ②图像处理和计算机图形学:计算机中的图像表示为多维数字数组。numpy 成为同样情况下最自然的选择。

        实际上,numpy 提供了一些优秀的库函数来快速处理图像。例如,镜像图像、按特定角度旋转图像等

    ③机器学习模型:在编写机器学习算法时,需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等

 

numpy 数组:

  1、numpy 提供最重要的数据结构是一个称为 ndarray 的 n 维数组类型。 它描述相同类型的元素集合,numpy 数组是通常的 python 数组的扩展

     ndarray 配备了大量的函数和运算符,可以帮助我们快速编写各种类型计算的高性能代码每个元素在内存中使用相同大小的块

  2、numpy 数组的创建方法:

    ①从其他 python 数据类型(如:列表、元组等)转换过来

    ②numpy 原生数组的创建(通过 arange、ones、zeros 等创建)

    ③使用特殊库函数(例如,random)创建

    ④从磁盘读取数组,无论是标准格式还是自定义格式

    通过使用字符串或缓冲区从原始字节创建数组

import numpy as np

lst = [1, 2, 3]
arr = np.array(lst)
# 输出 type:  <class 'numpy.ndarray'>
#      arr:  [1 2 3]
print("type: ", type(arr), "\narr: ", arr)

# numpy.arange(star, end, step) 返回 [star, end) 隔 step-1 的各个元素
# 输出 [1 3 5 7 9]
arr = np.arange(1, 10, 2)
print("arr", arr, sep=" = ")

# numpy.random.randn(size) 创建一个长度为 size 的服从标准正态分布的随机数组
arr = np.random.randn(5)
print("arr: ", arr)
# numpy.random.random(size) 创建一个范围为 [0, 1),长度为 size 的服从均匀分布的随机数组
arr = np.random.random(5)
print("arr: ", arr)

# numpy.linspace(star, end, size) 创建一个长度为 size,范围为 [star, end] 的数组
# 输出 [0.  2.5  5.  7.5  10.]
arr = np.linspace(0, 10, 5)
print("arr: ", arr)

# numpy.zeros(shape) 创建一个用 0 填充,形状为 shape 的数组
a = np.zeros((2, 2))
print("a", a, sep=" = ")

b = np.ones((2, 2))
print("b", b, sep=" = ")

c = np.full((2, 2), 7)  # 创建一个 2*2 矩阵,并填充 7
print("c", c, sep=" = ")

d = np.eye(3)  # 创建一个 3*3 的单位矩阵
print("d", d, sep=" = ")

注:np.array(object, dtype = none, copy = true, order = none, subok = false, ndmin = 0) 里,

  object 表示任何暴露数组接口方法的对象都会返回一个数组或任何(嵌套)序列;

  dtype 为数组的数据类型,可选;copy 可选,默认为true,表示对象是否被复制;order 里 c(按行)、f(按列)或a(任意,默认);

  subok 默认情况下,返回的数组被强制为基类数组。 如果为true,则返回子类;ndmin 指定返回数组的最小维数

 

import numpy as np

# 本来是一个一维数组,但通过 ndmin=2 使得数组最小维度为2维
# 输出 arr: [[1 2 3 4]] 注意为 2 维数组
arr = np.array([1, 2, 3, 4], ndmin=2)
print("arr", arr, sep=": ")
# 输出 arr: [[1 2] [3 4]],因为其维度大于最小维度
arr = np.array([[1, 2], [3, 4]], ndmin=1)
print("arr", arr, sep=": ")

# 指定数据类型为复数
arr = np.array([1, 2, 3], dtype=complex)
# 输出 arr: [1.+0.j  2.+0.j  3.+0.j]
print("arr", arr, sep=": ")

 

  3、数组属性:

    ①shape:返回数组形状,如 (2, 3) 表示 2 行 3 列的 2 维数组

    ②ndim:返回数组维度

    ③size:返回数组里元素个数

    ④itemsize:返回数组中每个元素的字节单位长度

     ⑤t:转置矩阵,但不会改变原矩阵

    ⑥flags:返回对象的内存信息

    ⑦real:返回元素的实部

    ⑧imag:返回元素的虚部

    ⑨data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性

import numpy as np

# shape 这一数组属性返回一个包含数组维度的元组,它也可以用于调整数组大小
arr = np.array([[1, 2, 3], [4, 5, 6]])
arr_t = arr[:, 2]
# 输出列号为 2 的所有元素,即 [3, 6]
print("arr_t[][2]: ", arr_t)
# 输出数组形状,这里为 (2, 3)
print("the arr's shape: ", arr.shape)
arr.shape = (3, 2)      # 修改形状为 3 行 2 列,注意形状和元素个数
print("the new arr: ", arr)
# 也可以通过 reshape() 函数来调整大小,但不会改变原数组
temp = arr.reshape(2, 3)
print(temp)     # 2 维数组,且数组里有 3 个元素

# ndim 属性返回数组维度
arr = np.arange(24)     # 创建 [0...23] 的数组
print(arr.ndim)     # 输出 1
arr.shape = (2, 4, 3)   # 修改为 3 维数组
print("arr's ndim: ", arr.ndim)     # 输出 3

# itemsize 这一数组属性返回数组中每个元素的字节单位长度
arr = np.array([1, 2, 3, 4, 5])
print("size: ", arr.size)
print("itemsize: ", arr.itemsize)     # 输出 4(整数默认为 4 字节)

# dtype 返回数组元素类型
print("dtype: ", arr.dtype)     # 输出 dtype: int32(即 4 字节)
arr.dtype = np.int8     # 修改整数类型
print("itemsize: ", arr.itemsize)     # 输出 1

arr = np.array([[1, 2, 3], [4, 5, 6]])
# 调用矩阵的 t 属性,可以转置这个矩阵,但不会改变原矩阵
print("translate arr: ", arr.t)
print("arr: ", arr)

# 输出元素的实虚部
arr = np.array([1+2j, 2+3j, 3+4j])
print("arr's real: ", arr.real)     # 输出 [1. 2. 3.]
print("arr's imag: ", arr.imag)     # 输出 [2. 3. 4.]

# 输出对象的内存信息
print(arr.flags)

 

    4、数组的简单运算:

      大部分数学运算均只对在相应元素进行,如运算四则运算加减乘除,并且运算支持广播

      (即不同形状的数组如果符合某种条件则可以进行运算)!

      若要进行矩阵乘法则需要函数 dot() 或运算符 @

import numpy as np

arr_one = np.array([[1.0, 2.0], [3.0, 4.0]])
arr_two = np.array([[5.0, 6.0], [7.0, 8.0]])
# 四则运算时对应元素进行运算
sum = arr_one + arr_two
dif = arr_one - arr_two
mul = arr_one * arr_two
quo = arr_one / arr_two
matrix_product = arr_one.dot(arr_two)       # 矩阵乘法
print(("sum: ", sum), ("dif: ", dif), ("mul: ", mul), ("quo: ", quo), sep="\n")
print("matrix_product: ", matrix_product)
# 大小比较也是通过对应元素进行的
print("arr_one < arr_two = ", arr_one < arr_two)
print("arr_one ** 2", arr_one ** 2, sep=" = ")
# @ 可以用于矩阵乘法
print("matrix_product: ", arr_one @ arr_two)