在Python中有类似数组功能的数据结构,比如list
,但在数据量大时,list
的运行速度便不尽如意,Numpy(Numerical Python)提供了真正的数组功能,以及对数据进行快速处理的函数,Numpy中内置函数处理数据的速度是C语言级别的。Numpy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。Numpy中的ndarray
类提供了python对多维数组对象的支持,并具备对矢量进行运算的能力,运算更为快速且节省空间。
ndarray
是N维数组对象(矩阵),其中所有的元素都必须是相同类型。ndarray
主要包含以下几个属性:
ndarray.ndim
:表示数组对象或矩阵的维度;
ndarray.shape
:表示每个维度上的数组的大小;
ndarray.size
:表示数组中元素的总数,等同于ndarray.shape中两个元素的乘积;
ndarray.dtype
:表示数组中元素的类型;
ndarray.itemsize
:表示数组中每个元素的字节大小,比如数据类型为float64的数组,其元素的字节大小为64/8=8。
比如:
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
2 创建Numpy数组
array方法
>>> import numpy as np
>>> a = np.array([2,3,4])#创建一维数组
>>> b = np.array([(1.5,2,3), (4,5,6)])#创建二维数组
>>> c = np.array( [ [1,2], [3,4] ], dtype=float64 )#创建指定数据类型的数组
如果想创建指定shape的数组,并使用占位符来初始化数组,可以用以下方法:
>>> np.zeros( (3,4) )#创建3行4列矩阵,用0初始化矩阵中所有的元素
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) #创建三维矩阵,维度分别为2,3,4,且用1来初始化矩阵中所有的元素
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]]], dtype=int16)
>>> np.empty( (2,3) ) #创建2行3列空矩阵,矩阵中元素初始值随机,取决于内存状态,默认情况下,创建的数组的dtype为float64。
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
对应的zeros、ones、empty
还有zeros_like、ones_like、empty_like
,它们以另一个数组为参数,根据其形状和dtype创建数组。
arange方法,与Python内置的range相似:
>>> numpy.arange(6)
array([0,1,2,3,4,5,])
>>> np.arange( 10, 30, 5 )
array([10, 15, 20, 25])
3 数组基本数学操作
加、减、乘、点乘
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False])
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A*B #矩阵相乘
array([[2, 0],
[0, 4]])
>>> A.dot(B) #矩阵点乘
array([[5, 4],
[3, 4]])
>>> np.dot(A, B) #矩阵点乘
array([[5, 4],
[3, 4]])
叠加、叠乘
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b #浮点型不能转换成整型
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'
取最大、最小、求和
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.6852195003967595
对于多维矩阵,只在其中指定轴进行操作,使用axis
参数
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0) #对二维矩阵的列轴进行求和
array([12, 15, 18, 21])
>>> b.min(axis=1) #求二维矩阵的每个横轴最小值
array([0, 4, 8])
通用函数(ufunc),对ndarray
中的数据执行元素级运算,比如sin、cos、exp
等:
>>> B = np.arange(3)
>>> B
array([0, 1, 2])
>>> np.exp(B)
array([ 1. , 2.71828183, 7.3890561 ])
>>> np.sqrt(B)
array([ 0. , 1. , 1.41421356])
>>> C = np.array([2., -1., 4.])
>>> np.add(B, C)
array([ 2., 0., 6.])
4 数组的索引、切片和遍历
和Python的list
数据结构类似,Numpy的一维数组也可以进行索引、切片以及遍历。
>>> a = np.arange(10)**3
>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000 #从0-6的元素中,每隔2个将元素值重新赋值为-1000
>>> a
array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])
>>> for i in a:
... print(i + 1)
-999
2
-999
28
-999
126
217
344
513
730
二维数组的索引、切片:
>>> def f(x,y):
... return 10*x+y
...
>>> b = np.fromfunction(f,(5,4),dtype=int) #函数式创建数组,fromfunction第一个参数为函数f,第二个参数为数组的shape,shape第一个参数为函数f第一个参数的取值范围,第二个参数为函数f第二个参数的取值范围,dtype表示数组元素类型。
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3] #不是数组b中的第2行第三列的元素,而是索引为[2,3]的元素
23
>>> b[0:5, 1] #取出从第0行到第5行的第2个元素组成数组
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1] #等同于前一句
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ] #取出第2行与第3行的所有元素组成数组
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
>>> for row in b: #遍历得到b数组的每一行元素
... print(row)
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]
>>> for element in b.flat: #遍历得到b数组的每一个元素
... print(element)
...
0
1
2
3
10
11
12
13
20
21
22
23
30
31
32
33
40
41
42
43
多维数组的索引、切片:
>>> c = np.array( [[[ 0, 1, 2],
... [ 10, 12, 13]],
... [[100,101,102],
... [110,112,113]]])
>>> c.shape
(2, 2, 3)
>>> c[1,…] #等同于 c[1,:,:] or c[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[...,2] #等同于 c[:,:,2]
array([[ 2, 13],
[102, 113]])
参考文献
Numpy API文档:https://docs.scipy.org/doc/
共同学习,写下你的评论
评论加载中...
作者其他优质文章