Python 真火来学习一下,先来看一个库 NumPy。NumPy是Python语言的一个扩充程序库。支持高级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。

1. 读取文件

numpy.genfromtxt() 用于读取 txt 文件,其中传入的参数依次为:

  1. 需要读取的 txt 文件位置,此处文件与程序位于同一目录下
  2. 分割的标记
  3. 转换类型,如果文件中既有文本类型也有数字类型,就先转成文本类型

help(numpy.genfromtxt)用于查看帮助文档:

如果不想看 API 可以启动一个程序用 help 查看指令的详细用法





 


 


 


 


 


 

Python

 




1


2


3


4


5


6




import numpy


 


world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)


print(type(world_alcohol))


print(world_alcohol)


print(help(numpy.genfromtxt))



 

2. 构造 ndarray

numpy.array()构造 ndarray

numpy.array()中传入数组参数,可以是一维的也可以是二维三维的。numpy 会将其转变成 ndarray 的结构。





 


 


 


 


 

Python

 




1


2




vector = numpy.array([1,2,3,4])


matrix = numpy.array([[1,2,3],[4,5,6]])



传入的参数必须是同一结构,不是同一结构将发生转换。





 


 


 


 


 

Python

 




1


2


3




vector = numpy.array([1,2,3,4])


 


array([1, 2, 3, 4])



均为 int 类型





 


 


 


 


 

Python

 




1


2


3




vector = numpy.array([1,2,3,4.0])


 


array([ 1.,  2.,  3.,  4.])



转为浮点数类型





 


 


 


 


 

Python

 




1


2


3




vector = numpy.array([1,2,'3',4])


 


array(['1', '2', '3', '4'],dtype='<U21')



转为字符类型

利用 .shape 查看结构

能够了解 array 的结构,debug 时通过查看结构能够更好地了解程序运行的过程。





 


 


 


 


 

Python

 




1


2


3


4




print(vector.shape)


print(matrix.shape)


(4,)


(2, 3)



 

利用 dtype 查看类型

 





 


 


 


 


 

Python

 




1


2


3


4




vector = numpy.array([1,2,3,4])


vector.dtype


 


dtype('int64')



 

ndim 查看维度

一维





 


 


 


 


 

Python

 




1


2


3


4




vector = numpy.array([1,2,3,4])


vector.ndim


 


1



二维





 


 


 


 


 

Python

 




1


2


3


4


5


6




matrix = numpy.array([[1,2,3],


                      [4,5,6],


                     [7,8,9]])


matrix.ndim


 


2



 

size 查看元素数量

 





 


 


 


 


 

Python

 




1


2




matrix.size


9



 

3. 获取与计算

numpy 能使用切片获取数据

 





 


 


 


 


 

Python

 




1


2


3




matrix = numpy.array([[1,2,3],


                      [4,5,6],


                     [7,8,9]])



 

根据条件获取

numpy 能够依次比较 vector 和元素之间是否相同





 


 


 


 


 

Python

 




1


2


3


4




vector = numpy.array([5, 10, 15, 20])


vector == 10


 


array([False,  True, False, False], dtype=bool)



根据返回值获取元素





 


 


 


 


 

Python

 




1


2


3


4


5


6


7




vector = numpy.array([5, 10, 15, 20])


equal_to_ten = (vector == 10)


print(equal_to_ten)


print(vector[equal_to_ten])


 


[False  True False False]


[10]



进行运算之后获取





 


 


 


 


 

Python

 




1


2




vector = numpy.array([5, 10, 15, 20])


equal_to_ten_and_five = (vector == 10) & (vector == 5)



 





 


 


 


 


 

Python

 




1


2




vector = numpy.array([5, 10, 15, 20])


equal_to_ten_or_five = (vector == 10) | (vector == 5)



 

类型转换

将整体类型进行转换





 


 


 


 


 

Python

 




1


2


3


4


5


6


7




vector = numpy.array([5, 10, 15, 20])


print(vector.dtype)


vector = vector.astype(str)


print(vector.dtype)


 


int64


<U21



 

求和

sum() 能够对 ndarray 进行各种求和操作,比如分别按行按列进行求和





 


 


 


 


 

Python

 




1


2


3


4


5


6


7


8


9


10




matrix = numpy.array([[1,2,3],


                      [4,5,6],


                     [7,8,9]])


print(matrix.sum())


print(matrix.sum(1))


print(matrix.sum(0))


 


45


[ 6 15 24]


[12 15 18]



sum(1) 是 sum(axis=1)) 的缩写,1表示按照 x轴方向求和,0表示按照y轴方向求和

4. 常用函数

reshape

生成从 0-14 的 15 个数字,使用 reshape(3,5) 将其构造成一个三行五列的 array。





 


 


 


 


 

Python

 




1


2


3


4


5


6


7




import numpy as np


arr = np.arange(15).reshape(3, 5)


arr


 


array([[ 0,  1,  2,  3,  4],


       [ 5,  6,  7,  8,  9],


       [10, 11, 12, 13, 14]])



 

zeros

生成指定结构的默认为 0. 的 array





 


 


 


 


 

Python

 




1


2


3


4


5




np.zeros ((3,4))


 


array([[ 0.,  0.,  0.,  0.],


       [ 0.,  0.,  0.,  0.],


       [ 0.,  0.,  0.,  0.]])



 

ones

生成一个三维的 array,通过 dtype 指定类型





 


 


 


 


 

Python

 




1


2


3


4


5


6


7


8


9




np.ones( (2,3,4), dtype=np.int32 )


 


array([[[1, 1, 1, 1],


        [1, 1, 1, 1],


        [1, 1, 1, 1]],


 


       [[1, 1, 1, 1],


        [1, 1, 1, 1],


        [1, 1, 1, 1]]])



 

range

指定范围和数值间的间隔生成 array,注意范围包左不包右





 


 


 


 


 

Python

 




1


2


3




np.arange(0,10,2)


 


array([0, 2, 4, 6, 8])



 

random 随机数

生成指定结构的随机数,可以用于生成随机权重





 


 


 


 


 

Python

 




1


2


3


4




np.random.random((2,3))


 


array([[ 0.86166627,  0.37756207,  0.94265883],


       [ 0.9768257 ,  0.96915312,  0.33495431]])



 

5. ndarray 运算

元素之间依次相减相减





 


 


 


 


 

Python

 




1


2


3


4


5




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


b = np.array(4)


 


a - b


array([ 6, 16, 26, 36])



乘方





 


 


 


 


 

Python

 




1


2




a**2


array([ 100,  400,  900, 1600])



开根号





 


 


 


 


 

Python

 




1


2


3


4




np.sqrt(B)


 


array([[ 1.41421356,  0.        ],


       [ 1.73205081,  2.        ]])



e 求方





 


 


 


 


 

Python

 




1


2


3


4




np.exp(B)


 


array([[  7.3890561 ,   1.        ],


       [ 20.08553692,  54.59815003]])



向下取整





 


 


 


 


 

Python

 




1


2


3


4


5




a = np.floor(10*np.random.random((2,2)))


a


 


array([[ 0.,  0.],


       [ 3.,  6.]])



行列变换





 


 


 


 


 

Python

 




1


2


3


4




a.T


 


array([[ 0.,  3.],


       [ 0.,  6.]])



变换结构





 


 


 


 


 

Python

 




1


2


3


4




a.resize(1,4)


a


 


array([[ 0.,  0.,  3.,  6.]])



 

6. 矩阵运算

矩阵之间的运算





 


 


 


 


 

Python

 




1


2


3


4




A = np.array( [[1,1],


               [0,1]] )


B = np.array( [[2,0],


               [3,4]] )



对应位置一次相乘





 


 


 


 


 

Python

 




1


2


3


4




A*B


 


array([[2, 0],


       [0, 4]])



矩阵乘法





 


 


 


 


 

Python

 




1


2


3


4


5




print (A.dot(B))


print(np.dot(A,B))


 


[[5 4]


[3 4]]



横向相加





 


 


 


 


 

Python

 




1


2


3


4


5


6


7


8


9


10


11


12


13




a = np.floor(10*np.random.random((2,2)))


b = np.floor(10*np.random.random((2,2)))


 


print(a)


print(b)


print(np.hstack((a,b)))


 


[[ 2.  3.]


[ 9.  3.]]


[[ 8.  1.]


[ 0.  0.]]


[[ 2.  3.  8.  1.]


[ 9.  3.  0.  0.]]



纵向相加





 


 


 


 


 

Python

 




1


2


3


4


5


6




print(np.vstack((a,b)))


 


[[ 2.  3.]


[ 9.  3.]


[ 8.  1.]


[ 0.  0.]]



矩阵分割





 


 


 


 


 

Python

 




1


2


3


4




#横向分割


print( np.hsplit(a,3))


#纵向风格


print(np.vsplit(a,3))



 

7. 复制的区别

地址复制

通过 b = a 复制 a 的值,b 与 a 指向同一地址,改变 b 同时也改变 a。





 


 


 


 


 

Python

 




1


2


3


4


5


6


7


8


9


10


11


12


13


14


15




a = np.arange(12)


b = a


print(a is b)


 


print(a.shape)


print(b.shape)


b.shape = (3,4)


print(a.shape)


print(b.shape)


 


True


(12,)


(12,)


(3, 4)


(3, 4)



 

复制值

通过 a.view() 仅复制值,当对 c 值进行改变会改变 a 的对应的值,而改变 c 的 shape 不改变 a 的 shape





 


 


 


 


 

Python

 




1


2


3


4


5


6


7


8


9


10


11


12


13


14




a = np.arange(12)


c = a.view()


print(c is a)


 


c.shape = 2,6


c[0,0] = 9999


 


print(a)


print(c)


 


False


[9999    1    2    3    4    5    6    7    8    9   10   11]


[[9999    1    2    3    4    5]


[   6    7    8    9   10   11]]



 

完整拷贝

a.copy() 进行的完整的拷贝,产生一份完全相同的独立的复制





 


 


 


 


 

Python

 




1


2


3


4


5


6


7


8


9


10


11


12


13


14




a = np.arange(12)


c = a.copy()


print(c is a)


 


c.shape = 2,6


c[0,0] = 9999


 


print(a)


print(c)


 


False


[ 0  1  2  3  4  5  6  7  8  9 10 11]


[[9999    1    2    3    4    5]


[   6    7    8    9   10   11]]