python中的nc python中的numpy

python—numpy详解

---

文章目录

• python---numpy详解
• 关于numpy
• Numpy的ndarray：一种多维数组对象

• 新建一个ndarray数组
• ndarray的数据类型
• Numpy数组的运算
• 基本的索引和切片
• 数组属性

• 通用函数

• 一元函数
• 二元函数
• 关于numpy.random

• 利用数组进行数据处理

• 数学统计方法

• 关于数组的不同复制的对比

关于numpy

NumPy（Numerical Python的简称）是Python数值计算最重要的基础包。⼤多数提供科学计算的包都
是⽤NumPy的数组作为构建基础。

Numpy的ndarray：一种多维数组对象

NumPy最重要的⼀个特点就是其N维数组对象（即ndarray），该对象是⼀个快速⽽灵活的⼤数据集容
器。你可以利⽤这种数组对整块数据执⾏⼀些数学运算，其语法跟标量元素之间的运算⼀样。

可以直接对这种数组进行数学运算：
看看一个简单的例子：
这里创建了一个数组对象（这里用了array函数，它接受一切序列型的对象），分别对数组对象整体加1，整体乘2，一个数组对象加一个数组对象：

import numpy as np
data = np.array([[1,2,3],[4,5,6],[7,8,9]])
data1 = data + 1
data2 = data * 2
data3 = data + data
print(data)
print('='*30)
print(data1)
print('='*30)
print(data2)
print('='*30)
print(data3)

结果为（这里我用jupyter编写的代码）：

新建一个ndarray数组

1. array:接受接受一切序列型的对象（前面例子说明了）
2. zeros:创建指定长度或形状全0数组

import numpy as np
data = np.zeros(10)
data2 = np.zeros((3,6))
print(data)
print(data2)

结果：

3.ones创建指定长度或形状全1数组。（使用方法和zeros类似）

4.empty返回都是一些未初始化的垃圾值（无意义的值）

5. arange:是Python内置函数range的数组版

6.eye:创建一个正方的$N\times N$单位矩阵

如下所示：

ndarray的数据类型

大致的数据类型是浮点数、复数、整数、布尔值、字符串，还是普通的Python对象。

dtype:dtype（数据类型）是⼀个特殊的对象，它含有ndarray将⼀块内存解释为特定数据类型所需的信息

例：这里指定创建数组对象的类型也可以查看数组对象的类型

astype 将一个数组从一个dtype转化为另一个dtype

data = np.array([1,2,3])
print(data.dtype)
new_data = data.astype(np.float64)
print(new_data.dtype)

结果（从一个int32转化为float64):

Numpy数组的运算

前面我们已经看过两个数组可以相加
其实Numpy数组，它可以使你不⽤编写循环即可对数据执⾏批量运算。NumPy⽤户称其为⽮量化
（vectorization）。⼤⼩相等的数组之间的任何算术运算都会将运算应⽤到元素级

• 两个数组相乘
• 两个数组相减
• 数组与与其他标量运算符
  
• ⼤⼩相同的数组之间的⽐较会⽣成布尔值数组：

基本的索引和切片

索引 ：

这里展示的是一维数组和二维数组的索引

切片：。切片跟列表最重要的区别在于，数组切⽚是原始数组的视图。这意味着数据

不会被复制，视图上的任何修改都会直接反映到源数组上。

当对切片的部分进行赋值，可见将源数组也改变了

我们再来看个例子：

这里变动sub_data中的值， 原始数组中的值也发生了改变。

对多维数组的切片（这里以二维数组为例）:

这里我们取了data的第一行

这里我同样对列也取了第一行，最后返回一个二维数组，不过它的元素只有5.

布尔型索引

这里创建了一个长度是4位的Unicode数据, 这里数组的比较运算也是矢量化的，所以结果产生一个布尔型数组，如图：

这个布尔型数组可以用来数组索引

注意：布尔型数组的⻓度必须跟被索引的轴⻓度⼀致。

** 花式索引 **：花式索引（Fancy indexing）是⼀个NumPy术语，它指的是利⽤整数数组进⾏索引

数组属性

nidm:查看数组的维度

import numpy as np
data = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(data.ndim)
#2 结果

shape: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

例如：

这里，我先打印了data.shape它返回一个元组(3，4）表示这个数组的维度，下面我又通过shape改变了这个数组的维度

T:用于矩阵的转置

比如将一个$3\times 5$转置成一个$5\times 3$的矩阵

itemsize：这一数组属性返回数组中每个元素的字节单位长度。

通用函数

这里说的函数都是比较基础的

一元函数

arrange：前面例子已经说明多次了,这里就不在说明了😄

sqrt 和 exp：计算各元素开根号和计算各元素以$e$为底的指数

sqare:计算各元素的平方

log ：计算各以底数为$e$，类似log10,log2 $\cdots$

三角函数 : cos,sin $\cdots$

二元函数

dot:计算内积

add:将数组中对应的元素相加

subtract: 从第一个数组中减去第二个数组中的元素

multiply:数组元素相乘

divide、floor_divide: 除法或向下圆整除法（丢弃余数）

power: 对第一个数组中的元素$A$，根据第二个数组中的相应元素$B$，计算$A^B$

maximum.fmax:元素级的最大值计算。

fmax将忽略NaN

minimum、fmin: 元素级的最小值计算。fmin将忽略NaN

mod:元素级的求模计算（除法的余数）

copysign:将第二个数组中的值的符号复制给第一个数组中的值

关于numpy.random

1. numpy.random.rand（a1,a2,$\cdots$,an）：生成一个[0,1)之间的随机浮点数或N维浮点数组
   例子：
2. numpy.random.randn（a1,a2,$\cdots$,an）：生成一个浮点数或N维浮点数组，范围：正态分布的随机样本数
3. numpy.random.randint（low, high, size）：在指定范围返回随机的整数，size用来确定维度
4. numpy.random.choice(a)：从序列中获取元素，若a只是一个整数，则从range(a)中选择

利用数组进行数据处理

NumPy数组使你可以将许多种数据处理任务表述为简洁的数组表达式（否则需要编写循环）。⽤数组
表达式代替循环的做法，通常被称为⽮量化。

np.meshgrid函数：

接受两个⼀维数组，并产⽣两个⼆维矩阵

效果：

numpy.where函数

三元表达式x if condition else y的⽮量化版本。

看例子，若cond中元素为真, 那么就选择arr1的元素

数学统计方法

sum ：对数组中全部或某轴向的元素求和。零长度的数组的sum为0

mean：算术平均数。零长度的数组的mean为NaN

std、var：分别为标准差和方差，自由度可调（默认为n）

min、max：最大值和最小值

argmin、argmax：分别为最大和最小元素的索引

sort():就地排序,可以接受轴的编号

关于数组的不同复制的对比

先看一个例子：

这里让b=a，其实在内存解析上把a的指向地址赋给b，就是b也指向和a指向相同的地址，b发生改变, a当然也要改变

view() : view相当于传引用，view和原始数据共享一份数据，修改一个会影响另一个。

这里a和b的指向地址不同，但是它们指向的数组用的是同样的值。b指向数组中的值改变，a中也改变

copy()： copy(）和view()就不一样了，a,b两者就不会相互影响了