数字信号处理python的源码 python数字信号处理库

NumPy - 安装方法 基本介绍

NumPy 是一个 Python 包， 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库，Numpy 是 python 用于数据技术最通用的第三方库，其核心优势在于它提供了用于复杂数据对象处理的N维数组的对象类型，以及各类相关的函数和方法。

主要用途：

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提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。

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。

数学任务：NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于Python的MATLAB的快速替代。

NumPy 前身

Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Numeric 包中来创建 NumPy 包。 这个开源项目有很多贡献者。

Numpy 核心对象类型是 Ndarray(N-dimension-array)，即多维数组。使用 np.array 函数进行创建，根据该函数的规则，传入的参数必须是一个序列（list / tuple 等）。

NumPy 与 Matlab 比较

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。 这种组合广泛用于替代 MatLab，是一个流行的技术计算平台。 但是，Python 作为 MatLab 的替代方案，现在被视为一种更加现代和完整的编程语言。

安装方法：

python -m pip install  numpy scipy matplotlib ipython jupyter pandas sympy nose -i https://pypi.douban.com/simple/

建议使用用户安装，将–user标志发送给pip。 pip为本地用户安装软件包，并且不写入系统目录。

NumPy - Ndarray 对象

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。ndarray 中的每个元素在内存中使用相同大小的块。 ndarray 中的每个元素是数据类型对象的对象（称为 dtype）。

从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。

从任何暴露数组接口的对象，或从返回数组的任何方法创建一个 ndarray 对象：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

上面的构造器接受以下参数：

ndarray 对象由计算机内存中的一维连续区域组成，带有将每个元素映射到内存块中某个位置的索引方案。 内存块以按行（C 风格）或按列（FORTRAN 或 MatLab 风格）的方式保存元素。

NumPy - 数据类型

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

NumPy 数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。

序号	数据类型及描述
1.	bool_ 存储为一个字节的布尔值（真或假）
2.	int_ 默认整数，相当于 C 的long，通常为int32或int64
3.	intc 相当于 C 的int，通常为int32或int64
4.	intp 用于索引的整数，相当于 C 的size_t，通常为int32或int64
5.	int8 字节（-128 ~ 127）
6.	int16 16 位整数（-32768 ~ 32767）
7.	int32 32 位整数（-2147483648 ~ 2147483647）
8.	int64 64 位整数（-9223372036854775808 ~ 9223372036854775807）
9.	uint8 8 位无符号整数（0 ~ 255）
10.	uint16 16 位无符号整数（0 ~ 65535）
11.	uint32 32 位无符号整数（0 ~ 4294967295）
12.	uint64 64 位无符号整数（0 ~ 18446744073709551615）
13.	float_ float64的简写
14.	float16 半精度浮点：符号位，5 位指数，10 位尾数
15.	float32 单精度浮点：符号位，8 位指数，23 位尾数
16.	float64 双精度浮点：符号位，11 位指数，52 位尾数
17.	complex_ complex128的简写
18.	complex64 复数，由两个 32 位浮点表示（实部和虚部）
19.	complex128 复数，由两个 64 位浮点表示（实部和虚部）

NumPy - 数组属性

ndarray.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。

import numpy as np 
a = np.array([[1,2,3],[4,5,6]])  
print a.shape # (2, 3)

使用 ndarray.shape 调整数组大小：

import numpy as np 
 
a = np.array([[1,2,3],[4,5,6]]) 
a.shape =  (3,2)  
print a.shape # (3,2)

NumPy 也提供了 reshape 函数来调整数组大小：

import numpy as np 
a = np.array([[1,2,3],[4,5,6]]) 
b = a.reshape(3,2)  
print b.shape # (3,2)

ndarray.ndim：这一数组属性返回数组的维数。

import numpy as np 
a = np.arange(24) # 等间隔数字的数组  
print a # [0 1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16 17 18 19 20 21 22 23]
print a.ndim # 1

numpy.itemsize：这一数组属性返回数组中每个元素的字节单位长度。

数组的 dtype 为 int8（一个字节）

import numpy as np
x = np.array([1, 2, 3, 4, 5], dtype=np.int8)
print(x.itemsize) # 1

数组的 dtype 为 float32（4个字节）

import numpy as np
x = np.array([1, 2, 3, 4, 5], dtype=np.float32)
print(x.itemsize) # 4

numpy.flags：ndarray 对象拥有以下属性。这个函数返回了它们的当前值。

import numpy as np

x = np.array([1, 2, 3, 4, 5])
print(x.flags)

"""
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False
"""

NumPy - 数组创建例程

新的 ndarray 对象可以通过任何下列数组创建例程或使用低级 ndarray 构造函数构造。

numpy.empty：它创建指定形状和 dtype 的未初始化数组。 它使用以下构造函数：

numpy.empty(shape, dtype = float, order = 'C')

构造器接受下列参数：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order 'C’为按行的 C 风格数组，'F’为按列的 Fortran 风格数组

import numpy as np

x = np.empty([3, 2], dtype=int)
print(x)
"""
[[         0          0]
 [         0 1071644672]
 [         0 1072693248]]
"""

numpy.zeros：返回特定大小，以 0 填充的新数组。

numpy.zeros(shape, dtype = float, order = 'C')

比如：含有 5 个 0 的数组，默认类型为 float

import numpy as np

x = np.zeros(5)
print(x)

numpy.ones：返回特定大小，以 1 填充的新数组。

numpy.ones(shape, dtype = None, order = 'C')

NumPy - 现有数据创建数组

numpy.asarray：此函数类似于 numpy.array，除了它有较少的参数。 这个例程对于将 Python 序列转换为 ndarray 非常有用。

构造器接受下列参数：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order 'C’为按行的 C 风格数组，'F’为按列的 Fortran 风格数组

下面的例子展示了如何使用 asarray 函数：

import numpy as np

x = [1, 2, 3]
a = np.asarray(x)
print(a)

numpy.frombuffer：此函数将缓冲区解释为一维数组。 暴露缓冲区接口的任何对象都用作参数来返回ndarray。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

构造器接受下列参数：

下面的例子展示了 frombuffer 函数的用法：

import numpy as np 
s =  'Hello World' 
a = np.frombuffer(s, dtype =  'S1')  
print(a)

# ['H'  'e'  'l'  'l'  'o'  ' '  'W'  'o'  'r'  'l'  'd']

numpy.fromiter：此函数从任何可迭代对象构建一个ndarray对象，返回一个新的一维数组。

numpy.fromiter(iterable, dtype, count = -1)

构造器接受下列参数：

以下示例展示了如何使用内置的 range() 函数返回列表对象。 此列表的迭代器用于形成 ndarray 对象：

import numpy as np

list = range(5)
it = iter(list)
# 使用迭代器创建 ndarray
x = np.fromiter(it, dtype=float)
print(x)