掌握Python的常用模块numpy_python numpy模块

NumPy 简介

什么是 NumPy？

NumPy 是用于处理数组的 python 库。

它还拥有在线性代数、傅立叶变换和矩阵领域中工作的函数。

NumPy 由 Travis Oliphant 于 2005 年创建。它是一个开源项目，您可以自由使用它。

NumPy 指的是数值 Python（Numerical Python）。

为何使用 NumPy？

在 Python 中，我们有满足数组功能的列表，但是处理起来很慢。

NumPy 旨在提供一个比传统 Python 列表快 50 倍的数组对象。

NumPy 中的数组对象称为 ndarray，它提供了许多支持函数，使得利用 ndarray 非常容易。

数组在数据科学中非常常用，因为速度和资源非常重要。

数据科学：计算机科学的一个分支，研究如何存储、使用和分析数据以从中获取信息。

为什么 NumPy 比列表快？

与列表不同，NumPy 数组存储在内存中的一个连续位置，因此进程可以非常有效地访问和操纵它们。

这种行为在计算机科学中称为引用的局部性。

这是 NumPy 比列表更快的主要原因。它还经过了优化，可与最新的 CPU 体系结构一同使用。

NumPy 用哪种语言编写？

NumPy 是一个 Python 库，部分用 Python 编写，但是大多数需要快速计算的部分都是用 C 或 C ++ 编写的。

安装 NumPy

如果您已经在系统上安装了 Python 和 PIP，那么安装 NumPy 非常容易。

请使用这条命令安装它：

C:\Users\Your Name>pip install numpy

导入 NumPy

安装 NumPy 后，通过添加 import 关键字将其导入您的应用程序：

import numpy

现在，Numpy 已导入并可以使用。

实例

import numpy 
 
arr = numpy.array([1, 2, 3, 4, 5]) 
 
print(arr)

NumPy as np

NumPy 通常以 np 别名导入。

别名：在 Python 中，别名是用于引用同一事物的替代名称。

请在导入时使用 as 关键字创建别名：

import numpy as np

现在，可以将 NumPy 包称为 np 而不是 numpy。

实例

import numpy as np 
 
arr = np.array([1, 2, 3, 4, 5]) 
 
print(arr)

检查 NumPy 版本

版本字符串存储在 __version__ 属性中。

实例

import numpy as np
 
print(np.__version__)

创建 NumPy ndarray 对象

NumPy 用于处理数组。 NumPy 中的数组对象称为 ndarray。

我们可以使用 array() 函数创建一个 NumPy ndarray 对象。

实例

import numpy as np 
 
arr = np.array([1, 2, 3, 4, 5])
 
print(arr)
 
print(type(arr))

type(): 这个内置的 Python 函数告诉我们传递给它的对象的类型。像上面的代码一样，它表明 arr 是 numpy.ndarray 类型。

要创建 ndarray，我们可以将列表、元组或任何类似数组的对象传递给 array() 方法，然后它将被转换为 ndarray：

实例

使用元组创建 NumPy 数组：

import numpy as np 
 
arr = np.array((1, 2, 3, 4, 5))
 
print(arr)

数组中的维

数组中的维是数组深度（嵌套数组）的一个级别。

嵌套数组：指的是将数组作为元素的数组。

0-D 数组

0-D 数组，或标量（Scalars），是数组中的元素。数组中的每个值都是一个 0-D 数组。

实例

用值 61 创建 0-D 数组：

import numpy as np
 
arr = np.array(61)
 
print(arr)

1-D 数组

其元素为 0-D 数组的数组，称为一维或 1-D 数组。

这是最常见和基础的数组。

实例

创建包含值 1、2、3、4、5、6 的 1-D 数组：

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

2-D 数组

其元素为 1-D 数组的数组，称为 2-D 数组。

它们通常用于表示矩阵或二阶张量。

NumPy 有一个专门用于矩阵运算的完整子模块 numpy.mat。

实例

创建包含值 1、2、3 和 4、5、6 两个数组的 2-D 数组：

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

检查维数？

NumPy 数组提供了 ndim 属性，该属性返回一个整数，该整数会告诉我们数组有多少维。

实例

检查数组有多少维：

import numpy as np
 
a = np.array(42)
b = np.array([1, 2, 3, 4, 5])
c = np.array([[1, 2, 3], [4, 5, 6]])
d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
 
print(a.ndim) 
print(b.ndim) 
print(c.ndim) 
print(d.ndim)

NumPy 数组索引

访问数组元素

数组索引等同于访问数组元素。

您可以通过引用其索引号来访问数组元素。

NumPy 数组中的索引以 0 开头，这意味着第一个元素的索引为 0，第二个元素的索引为 1，以此类推。

实例

从以下数组中获取第一个元素：

import numpy as np
 
arr = np.array([1, 2, 3, 4])
 
print(arr[0])

实例

从以下数组中获取第二个元素：

import numpy as np
 
arr = np.array([1, 2, 3, 4])
 
print(arr[1])

实例

从以下数组中获取第三和第四个元素并将其相加：

import numpy as np
 
arr = np.array([1, 2, 3, 4])
 
print(arr[2] + arr[3])

NumPy 数据类型

Python 中的数据类型

默认情况下，Python 拥有以下数据类型：

• strings - 用于表示文本数据，文本用引号引起来。例如 "ABCD"。
• integer - 用于表示整数。例如 -1, -2, -3。
• float - 用于表示实数。例如 1.2, 42.42。
• boolean - 用于表示 True 或 False。
• complex - 用于表示复平面中的数字。例如 1.0 + 2.0j，1.5 + 2.5j。

NumPy 中的数据类型

NumPy 有一些额外的数据类型，并通过一个字符引用数据类型，例如 i 代表整数，u 代表无符号整数等。

以下是 NumPy 中所有数据类型的列表以及用于表示它们的字符。

• i - 整数
• b - 布尔
• u - 无符号整数
• f - 浮点
• c - 复合浮点数
• m - timedelta
• M - datetime
• O - 对象
• S - 字符串
• U - unicode 字符串
• V - 固定的其他类型的内存块 ( void )

检查数组的数据类型

NumPy 数组对象有一个名为 dtype 的属性，该属性返回数组的数据类型：

实例

获取数组对象的数据类型：

import numpy as np
 
arr = np.array([1, 2, 3, 4])
 
print(arr.dtype)

实例

获取包含字符串的数组的数据类型：

import numpy as np
 
arr = np.array(['apple', 'banana', 'cherry'])
 
print(arr.dtype)

 

用已定义的数据类型创建数组

我们使用 array() 函数来创建数组，该函数可以使用可选参数：dtype，它允许我们定义数组元素的预期数据类型：

实例

用数据类型字符串创建数组：

import numpy as np
 
arr = np.array([1, 2, 3, 4], dtype='S')
 
print(arr)
print(arr.dtype)

对于 i、u、f、S 和 U，我们也可以定义大小。

实例

创建数据类型为 4 字节整数的数组：

import numpy as np
 
arr = np.array([1, 2, 3, 4], dtype='i4')
 
print(arr)
print(arr.dtype)

转换已有数组的数据类型

更改现有数组的数据类型的最佳方法，是使用 astype() 方法复制该数组。

astype() 函数创建数组的副本，并允许您将数据类型指定为参数。

数据类型可以使用字符串指定，例如 'f' 表示浮点数，'i' 表示整数等。或者您也可以直接使用数据类型，例如 float 表示浮点数，int 表示整数。

实例

通过使用 'i' 作为参数值，将数据类型从浮点数更改为整数：

import numpy as np
 
arr = np.array([1.1, 2.1, 3.1])
 
newarr = arr.astype('i')
 
print(newarr)
print(newarr.dtype)

NumPy 数组迭代

数组迭代

迭代意味着逐一遍历元素。

当我们在 numpy 中处理多维数组时，可以使用 python 的基本 for 循环来完成此操作。

如果我们对 1-D 数组进行迭代，它将逐一遍历每个元素。

实例

迭代以下一维数组的元素：

import numpy as np
 
arr = np.array([1, 2, 3])
 
for x in arr:
  print(x)

使用 nditer() 迭代数组

函数 nditer() 是一个辅助函数，从非常基本的迭代到非常高级的迭代都可以使用。它解决了我们在迭代中面临的一些基本问题，让我们通过例子进行介绍。

迭代每个标量元素

在基本的 for 循环中，迭代遍历数组的每个标量，我们需要使用 n 个 for 循环，对于具有高维数的数组可能很难编写。

实例

遍历以下 3-D 数组：

import numpy as np
 
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
 
for x in np.nditer(arr):
  print(x)

迭代不同数据类型的数组

我们可以使用 op_dtypes 参数，并传递期望的数据类型，以在迭代时更改元素的数据类型。

NumPy 不会就地更改元素的数据类型（元素位于数组中），因此它需要一些其他空间来执行此操作，该额外空间称为 buffer，为了在 nditer() 中启用它，我们传参 flags=['buffered']。

实例

以字符串形式遍历数组：

import numpy as np
 
arr = np.array([1, 2, 3])
 
for x in np.nditer(arr, flags=['buffered'], op_dtypes=['S']):
  print(x)

NumPy 数组连接

连接 NumPy 数组

连接意味着将两个或多个数组的内容放在单个数组中。

在 SQL 中，我们基于键来连接表，而在 NumPy 中，我们按轴连接数组。

我们传递了一系列要与轴一起连接到 concatenate() 函数的数组。如果未显式传递轴，则将其视为 0。

实例

连接两个数组：

import numpy as np
 
arr1 = np.array([1, 2, 3])
 
arr2 = np.array([4, 5, 6])
 
arr = np.concatenate((arr1, arr2))
 
print(arr)

实例

沿着行 (axis=1) 连接两个 2-D 数组：

import numpy as np
 
arr1 = np.array([[1, 2], [3, 4]])
 
arr2 = np.array([[5, 6], [7, 8]])
 
arr = np.concatenate((arr1, arr2), axis=1)
 
print(arr)

使用堆栈函数连接数组

堆栈与级联相同，唯一的不同是堆栈是沿着新轴完成的。

我们可以沿着第二个轴连接两个一维数组，这将导致它们彼此重叠，即，堆叠（stacking）。

我们传递了一系列要与轴一起连接到 concatenate() 方法的数组。如果未显式传递轴，则将其视为 0。

实例

import numpy as np
 
arr1 = np.array([1, 2, 3])
 
arr2 = np.array([4, 5, 6])
 
arr = np.stack((arr1, arr2), axis=1)
 
print(arr)

沿行堆叠

NumPy 提供了一个辅助函数：hstack() 沿行堆叠。

实例

import numpy as np
 
arr1 = np.array([1, 2, 3])
 
arr2 = np.array([4, 5, 6])
 
arr = np.hstack((arr1, arr2))
 
print(arr)

沿列堆叠

NumPy 提供了一个辅助函数：vstack() 沿列堆叠。

实例

import numpy as np
 
arr1 = np.array([1, 2, 3])
 
arr2 = np.array([4, 5, 6])
 
arr = np.vstack((arr1, arr2))
 
print(arr)

沿高度堆叠（深度）

NumPy 提供了一个辅助函数：dstack() 沿高度堆叠，该高度与深度相同。

实例

import numpy as np
 
arr1 = np.array([1, 2, 3])
 
arr2 = np.array([4, 5, 6])
 
arr = np.dstack((arr1, arr2))
 
print(arr)

NumPy 数组拆分

拆分 NumPy 数组

拆分是连接的反向操作。

连接（Joining）是将多个数组合并为一个，拆分（Spliting）将一个数组拆分为多个。

我们使用 array_split() 分割数组，将要分割的数组和分割数传递给它。

实例

将数组分为 3 部分：

import numpy as np
 
arr = np.array([1, 2, 3, 4, 5, 6])
 
newarr = np.array_split(arr, 3)
 
print(newarr)

注释：返回值是一个包含三个数组的数组。

如果数组中的元素少于要求的数量，它将从末尾进行相应调整。

实例

将数组分为 4 部分：

import numpy as np
 
arr = np.array([1, 2, 3, 4, 5, 6])
 
newarr = np.array_split(arr, 4)
 
print(newarr)

提示：我们也有 split() 方法可用，但是当源数组中的元素较少用于拆分时，它将不会调整元素，如上例那样，array_split() 正常工作，但 split() 会失败。

拆分为数组

array_split() 方法的返回值是一个包含每个分割的数组。

如果将一个数组拆分为 3 个数组，则可以像使用任何数组元素一样从结果中访问它们：

实例

访问拆分的数组：

import numpy as np
 
arr = np.array([1, 2, 3, 4, 5, 6])
 
newarr = np.array_split(arr, 3)
 
print(newarr[0])
print(newarr[1])
print(newarr[2])

NumPy 数组排序

数组排序

排序是指将元素按有序顺序排列。

有序序列是拥有与元素相对应的顺序的任何序列，例如数字或字母、升序或降序。

NumPy ndarray 对象有一个名为 sort() 的函数，该函数将对指定的数组进行排序。

实例

对数组进行排序：

import numpy as np
 
arr = np.array([3, 2, 0, 1])
 
print(np.sort(arr))

注释：此方法返回数组的副本，而原始数组保持不变。

您还可以对字符串数组或任何其他数据类型进行排序：

实例

对数组以字母顺序进行排序：

import numpy as np
 
arr = np.array(['banana', 'cherry', 'apple'])
 
print(np.sort(arr))

实例

对布尔数组进行排序：

import numpy as np
 
arr = np.array([True, False, True])
 
print(np.sort(arr))
'
运行
运行

NumPy 数组过滤

数组过滤

从现有数组中取出一些元素并从中创建新数组称为过滤（filtering）。

在 NumPy 中，我们使用布尔索引列表来过滤数组。

布尔索引列表是与数组中的索引相对应的布尔值列表。

如果索引处的值为 True，则该元素包含在过滤后的数组中；如果索引处的值为 False，则该元素将从过滤后的数组中排除。

实例

用索引 0 和 2、4 上的元素创建一个数组：

import numpy as np
 
arr = np.array([61, 62, 63, 64, 65])
 
x = [True, False, True, False, True]
 
newarr = arr[x]
 
print(newarr)

上例将返回 [61, 63, 65]，为什么？

因为新过滤器仅包含过滤器数组有值 True 的值，所以在这种情况下，索引为 0 和 2、4。

创建过滤器数组

在上例中，我们对 True 和 False 值进行了硬编码，但通常的用途是根据条件创建过滤器数组。

实例

创建一个仅返回大于 62 的值的过滤器数组：

import numpy as np
 
arr = np.array([61, 62, 63, 64, 65])
 
# 创建一个空列表
filter_arr = []
 
# 遍历 arr 中的每个元素
for element in arr:
  # 如果元素大于 62，则将值设置为 True，否则为 False：
  if element > 62:
    filter_arr.append(True)
  else:
    filter_arr.append(False)
 
newarr = arr[filter_arr]
 
print(filter_arr)
print(newarr)

实例

创建一个过滤器数组，该数组仅返回原始数组中的偶数元素：

import numpy as np
 
arr = np.array([1, 2, 3, 4, 5, 6, 7])
 
# 创建一个空列表
filter_arr = []
 
# 遍历 arr 中的每个元素
for element in arr:
  # 如果元素可以被 2 整除，则将值设置为 True，否则设置为 False
  if element % 2 == 0:
    filter_arr.append(True)
  else:
    filter_arr.append(False)
 
newarr = arr[filter_arr]
 
print(filter_arr)
print(newarr)

直接从数组创建过滤器

上例是 NumPy 中非常常见的任务，NumPy 提供了解决该问题的好方法。

我们可以在条件中直接替换数组而不是 iterable 变量，它会如我们期望地那样工作。

实例

创建一个仅返回大于 62 的值的过滤器数组：

import numpy as np
 
arr = np.array([61, 62, 63, 64, 65])
 
filter_arr = arr > 62
 
newarr = arr[filter_arr]
 
print(filter_arr)
print(newarr)

实例

创建一个过滤器数组，该数组仅返回原始数组中的偶数元素：

import numpy as np
 
arr = np.array([1, 2, 3, 4, 5, 6, 7])
 
filter_arr = arr % 2 == 0
 
newarr = arr[filter_arr]
 
print(filter_arr)
print(newarr)