numpy在深度学习或者数据分析中都是很常用的一个工具库，今天我结合自己的工作内容以及学习到的一个API的用法，来说下numpy的用法

数组（ndarray）与列表（List）

数组与列表类似，是具有相同类型的多个元素构成的整体。
局限：

  • 数组元素要求是相同类型，而列表的元素可以是不同类型。

优势：

  • 数组可以与标量进行运算，数组之间也可以进行矢量化运算。【对应位置的元素进行运算，无需进行循环操作。这样就可以充分利用现代处理器SIMD Single Instruction,Multiple Data的方式进行并行计算】。
  • 数组在运算时，具有广播能力。【可根据需要进行元素的扩展，完成运算。】
  • 数组底层使用C程序编写，运算速度快。
  • 数组底层使用C中数组的存储方式（紧凑存储），节省内存空间。

应用对比

  • 将两个等长的列表（数组）分别进行数学运算（例如，+, -等）。
  • 将一个列表（数组）中的所有元素进行相同的改变。
  • 对步骤2进行计时，衡量时间消耗。（练习）
  • 创建相同大小的列表（数组），衡量内存消耗。（练习）

Numpy

NumPy（Numerical Python的简称），是科学计算基础的一个库，提供了大量关于科学计算的相关功能，例如，线性变换，数据统计，随机数生成等。其提供的最核心的类型为多维数组类型（ndarray）。

使用方式

可以使用如下的方式来安装numpy库：
pip install numpy 根据惯例，使用numpy库的导入方式为：
import numpy as np 在导入之后，我们可以通过：
np.__version__ 来查看Numpyu库的版本信息。

导入numpy

import numpy as np

数组的创建

Numpy提供了很多方式（函数）来创建数组对象，常用的方式如下：

  • array 声明一个基本的数组 如：x = np.array([1,2]),y = np.array([[2,4],[4,5]])
  • arange 指定start ，end，step
import numpy as np
   c = np.arange(3,89,0.1)
  • ones / ones_like 按照参数形状初始化numpy 初始化全为1
  • zeros / zeros_like 初始化全为0
  • empty / empty_like 指定大小的空矩阵
# 创建全为1的数组。
x = np.ones((5, 3))
# 创建与参数指定数组形状一致的数组，数组的值全为1。
y = np.ones_like(x)

# 创建全为0的数组。
x = np.zeros((2, 3))
# 创建与参数形状完全相同的数组，数组的值都为0。
y = np.zeros_like(x)
# print(y)

# 返回指定的形状的数组，数组的值是尚未初始化的值。（值多少是不确定的。）
x = np.empty((3, 8))
# 创建与参数形状完全相同的数组，数组的值是尚未初始化的值。
x = np.empty_like(x)
  • full / full_like 这个函数用于数据填充，格式是args0 ，内容是args1如
x = np.full((2, 3), 100)
# np.ones((2, 3))
# 创建与参数形状完全相同的数组，数组的值使用第二个参数进行填充。
y = np.full_like(x, 200)
y
  • eye / identity 对角单位方阵，对角线为1
  • linspace 等差数组
  • logspace 等比数组
np.linspace(1, 10, endpoint=False)
创建等比数列。(指数或对数上是一个等差数列，真实值就是一个等比数列。)
前两个参数表示指数，base表示底数（默认是10）。endpoint表示是否包含终止点（默认包含）。
np.logspace(1, 10, 10, base=2)
array([   2.,    4.,    8.,   16.,   32.,   64.,  128.,  256.,  512.,1024.])

数组和numpy的速度对比,那个更快？

这个是毫无疑问的一般对于多维数组和矩阵来说矩阵操作更快一些，numpy提供的是矢量操作，多个值可以同时完成同一件事，而数据一般完成这种手段需要手动完成多个线程编写，或者单线程遍历，相对慢一些

相关属性与操作

数组对象具有如下常用属性：

  • ndim
  • shape
  • dtype
  • size
  • itemsize

数据类型

  • 在创建数组时，也可以使用dtype来显式指定数组中元素的类型（通过numpy提供的类型进行指定）。
  • 如果没有指定，则会根据元素类型进行推断。
  • 如果元素的类型不同，则会选择一种兼容的类型。

类型转换

我们可以通过数组对象的astype函数来进行类型转换。

是否可以直接修改dtype属性进行类型转换？

改变形状

我们可以通过数组对象的reshape方法（或者np的reshape函数）来改变数组的形状。

说明：

  • 改变数组形状时，如果维度不小于2，可以将某一个维度设置为-1。
  • numpy中存在很多方法，既可以使用np来访问，也可以通过数组对象来访问。

索引与切片

在Python中，序列类型支持索引与切片操作，在numpy库中，ndarray数组也支持类似的操作。不过，二者之间既有相同点，也有不同点。

相似点

数组对象也支持索引与切片操作，语法与Python中序列类型的索引与切片相似。
当数组是多维数组时，可以使用array[高维, 低维]的方式按维度进行索引或切片。

不同点

数组的切片返回的是原数组数据的视图（回忆：Python中呢？）。如果需要复制底层的数组元素，可以使用数组对象的copy方法。
注意：视图是共享底层的数组元素，但视图并不是赋值。

思考：通过切片，我们可以选取多个元素，但是，如果我们要选取的低维数组（或元素）是不连续的，该怎样做？

通过整数数组进行索引

当要选取的元素不连续时，可以提供一个索引数组来选择（或修改）对应索引位置的元素。

说明：

  • 通过整数数组索引，返回的是原数组的拷贝，而不是视图。
  • 可以提供多个一维数组索引，此时会将每个数组的对应位置元素作为索引，返回对应的元素。

通过布尔数组进行索引

我们可以提供一个布尔类型的数组（A），然后通过该数组（A）来对另外一个数组（B）进行索引（元素选取）。索引的原则为：如果为True，则选取对应位置的元素，否则不选取。

通过布尔类型的数组进行索引是常见且实用的操作，我们通常用来进行元素选择（或过滤）操作。例如：

  • 选择一个公司中所有年龄大于15的年龄。
  • 选择两个数组中对应位置相同的元素。
  • 将所有大于100的值设置为100。

说明：

  • 用于索引的布尔数组通常通过现有数组计算得出。
  • 可以通过~对条件进行取反操作（不能使用not）。
  • 当存在多个条件时，可以使用&，|符号（不能使用and与or）,同时，每个条件需要使用()进行括起。

篇幅问题，下一篇会继续分享常见函数的用法！