Numpy库

Numpy库入门 

一维数据：由对等关系的有序或无序数据构成，采用线性方式组织。

二维数据由多个一维数据构成，是一维数据的组合形式。（表格）

多维数据由一维或二维数据在新维度上扩展形成。

Numpy:开源的Python科学计算基础库,是SciPy、Pandas等数据处理或科学计算库的基础. Numpy的引用：import numpy as np 

NumPy的数组对象：ndarray（在程序中的别名是array）.

np.array( )输出( )里的数据，若( )里由多个数据需要先组织起来，输出成[ ]形式的数组，元素之间由空格分隔。

np.array()与列表类型不同！，列表中元素间用逗号分隔，np.array()数组中元素用空格分隔，但以列表形式组织。

import numpy as np
a = np.array((1.0,2.0,3.0),dtype=int)
print(a.dtype)   #int32
print(a)         #[1 2 3]
b = np.array([[1,2,3],[4,5,6]])
print(b)
print(b.ndim)    #2      #输出维度(秩)，如1或2或3……  
print(b.shape)   #(2,3)  #输出数组形状，(m,n)m行n列
print(b.size)    #6      #输出元素个数
 
[[1 2 3]
 [4 5 6]]

numpy是表达N维数组的最基础库。把n维数组看成简单的数据对象，可直接进行操作和运算，所以要求数据类型相同，也助于节省运算和存储空间。而列表是逐个读取数据，故列表的数据类型可以不同。

ndarray的属性

！不是方法，直接.属性，不用在后面加（）

 

 ndarray的元素类型

 

comples64：复数类型，实部和虚部都是32位浮点数；complex128：复数类型，实部和虚部都是64位浮点数。

numpy为啥要支持这么多种数据类型？python仅支持整数、浮点数和复数3种类型；科学计算涉及数据多，对存储和性能由较高要求；元素类型的精细定义，利于存储空间及性能优化，助于程序员评估程序规模。在创建ndarray数组时可设定数据类型。

ndarray数组的创建

np.ones_like(a):根据数组a的形状生成一个全为1的数组；np.zeros_like(a):根据数组a的形状生成一个全为0的数组；np.full_like(a,val):根据数组a的形状生成一个数组，每个元素值都是val；在科学计算中一般获得的是浮点数（如温度值、声音值）

ndarray数组的变换

维度变换：

.reshape(shape)：不改变数组元素，返回一个shape形状的数组，原数组不变；.resize(shape)：与前者一致，但修改原数组.swapaxes(ax1,ax2)：将数组n个维度中两个维度进行调换；.flatten( )：数组降维，返回折叠后的一维数组，原数组不变。

import numpy as np 
a = np.ones((3,4)).reshape(-1,6)  #reshape中的-1是指：不知道多少行，但有6列
print(a)
#[[1. 1. 1. 1. 1. 1.]
# [1. 1. 1. 1. 1. 1.]]
'
运行
运行

数据类型变换 .astype( )  向列表的转换  .tolist( )

ndarray数组的操作

索引：获取数组中特定位置元素的过程；切片：获取数组元素子集的过程[ , ]，如果是二维数据，切片中会有两个数。

ndarray数组的运算(一元/二元函数)

对数组的运算就是对数组中每一个元素进行运算

 Numpy的一元函数（对一个数组运算的函数）

 

Numpy的二元函数（ 对两个数组进行运算的函数）

+ - * / **：两个数组各元素进行对应运算；np.maximum(x,y)、np.minimum(x,y)元素级最大值、最小值计算

np.mod(x,y):元素级的模运算；np.copysign(x,y):将y中各元素值的符号赋值给x对应元素；< > >= != == 算数比较，产生布尔型数组

 

Numpy数据存储与函数

数据CSV文件存取（一维/二维）

%d：整数；%1f：一位小数的浮点数类型；

 

np.savetxt('a.csv',a)，没有delimiter参数和fmt参数。 np.savetxt('b.csv',a,fmt='%.1f')，没有delimiter参数。

 np.savetxt('c.csv',a,fmt='%d',delimiter=' ')，delimiter参数为空格；np.savetxt('d.csv',a,fmt='%d',delimiter=',')delimiter参数为,

np.loadtxt('a.csv') ；data = np.loadtxt('a.csv',delimiter=',')；data = np.loadtxt('a.csv',delimiter=',',dtype=int)

np.loadtxt默认输出德类型为float，即使没有dtype=float

这种程序无法简单用.loadtxt读取，因为时字符串形式（一个格子里有两个元素），可以csv中先分列 。

CSV文件的局限性：只能有效存储一维和二维数组，np.savetxt()和np.loadtxt()只能有效存储一维和二维数组。

多维数据的存取 a.tofile( )\np.fromfile( )

二进制空间比文本文件占用空间更小，由于看不到内容，只能作为数据备份的方式。

b---二进制；d---十进制；o---八进制；x---十六进制

注意： 该方法读取时需要知道文件的数组维度和元素类型。a.tofile( )和np.fromfile( )需配合使用，可通过元组文件来存储额外信息。

NumPy的便捷文件存储 np.save( )\np.savez( )\np.load( )

存储/打开文件是以.npy为扩展名的。 需要用IDE打开

 numpy的随机数函数子库random子库。np.random.rand(数组形状)/randn()/randint()/seed()

 

shuffle/permutation：行的随机上下跳动。choice(a,(,),p=)：从一个数组中随机抽取,生成特定形状的新数组，抽取数据可有概率。

 

NumPy的统计函数  np.*

 axis=0 ： 表示纵轴，进行操作的方向为从上到下；axis=1 ： 表示横轴，进行操作的方向为从左到右。

NumPy的梯度函数 np.gradient( )

梯度反映元素的变化率，在图像、声音批量数据处理时，梯度助于发现图像或声音的边缘

np.gradient(f)：计算数组f中元素的梯度，当f为多维时，返回每个维度梯度。梯度：连续值之间的变化率（即斜率）。XY坐标轴连续三个X坐标对应的Y轴值：a,b,c,其中b的梯度是(c-a)/2

Numpy、PIL中的图像的手绘效果

图像的数组表示

图像一般都会采用一种模式——RGB色彩模式，即每个像素点的颜色由红（R）、绿（G）、蓝（B）组成。

RGB三个颜色通道的变化和叠加得到各种颜色，R取值范围0-255，G取值范围0-255，B取值范围0-255。包括了视力所能感知的所有颜色。图像是一个三维数组，维度分别是高度、宽度和像素RGB值。

PIL库（Python处理图像的功能库，第三方库）图像是一个由像素组成的二维矩阵，每个元素是一个RGB值。

图像的简单变换 

图像可表示为一个数组，而数组是可以运算的，经过运算后的数组可以改变图像的形状。

.astype( )：数组类型的转变，先对原始数据进行拷贝。详见Numpy库入门

图像的手绘效果

手绘效果的特征：黑白灰色；边界线条较重；相同或相近色彩趋于白色；略有光源效果。在图像灰度化的基础上，由立体效果和明暗效果叠加而成，灰度代表图像的明暗变化，梯度值表示灰度的变化率。通过调整像素的梯度值来间接改变图片的明暗程度。立体效果通过添加虚拟深度值来实现。

from PIL import Image
import numpy as np
 
a = np.asarray(Image.open('C:/Users/木头目/Desktop/picture.png').convert('L')).astype('float')
 
depth = 10                            #预设深度值为10，取值范围0-100
grad = np.gradient(a)
grad_x,grad_y=grad                    #提取x和y方向的梯度值
grad_x = grad_x * depth/100
grad_y = grad_y*depth/100             #根据深度调整x和y方向的梯度值（对深度值进行归一化）
A = np.sqrt(grad_x**2 + grad_y**2 + 1)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1/A
 
vec_el = np.pi/2.2                     #光源的俯视角度，弧度制
vec_az = np.pi/4                       #光源的方位角度，弧度制
dx = np.cos(vec_el)*np.cos(vec_az)     #np.cos(vec_el)为单位光线在地平面上的投影长度
dy = np.cos(vec_el)*np.sin(vec_az)
dz = np.sin(vec_el)                    #dx,dy,dz是光源对x/y/z三方向的影像程度
 
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)   #光源归一化
b = b.clip(0,255)
 
im = Image.fromarray(b.astype('uint8'))    #重构图像
im.save('C:/Users/木头目/Desktop/picture8.png')