numpy基本用法介绍

numpy基本用法介绍

Numpy的介绍

NumPy 是 Python 语言的一个第三方库，其支持大量高维度数组与矩阵运算。
是一个开源的python科学计算库，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 也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，
NumPy 就成了必不可少的工具之一。
Numpy还包括了许多数学函数，线代、随机数生成等
Numpy可以取代一些数学软件
Python + Numpy == Matlab
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。

构造器如下：
numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)

ndarray(N-dimensional array)

ndarray是整个numpy的基础，是N-demensional array的缩写，是一种由同质元素组成的多维数组。每个ndarray只要一种dtype类型。

#导入numpy 
import numpy as np
1
2

a=[1,2,3,4,5,6,7,8,9]
print(a)
1
2

输出

[1, 2, 3, 4, 5, 6, 7, 8, 9]
1

a*2
1

输出

[1, 2, 3, 4, 5, 6, 7, 8, 9, 1, 2, 3, 4, 5, 6, 7, 8, 9]
1

print(type(a))
1

输出
<class ‘list’>

#把普通的python中的list转换成ndarray
A=np.array(a)
1
2

print(A)
1

输出

[1 2 3 4 5 6 7 8 9]
1

A
1

输出

array([1, 2, 3, 4, 5, 6, 7, 8, 9])
1

print(type(A))
1

输出
<class ‘numpy.ndarray’>

A*2
1

输出

array([ 2,  4,  6,  8, 10, 12, 14, 16, 18])
1

#直接创建一维数组
b=np.array([1,2,3,4,5])
1
2

print(b)
1

输出

[1 2 3 4 5]
1

print(type(b))
1

输出

<class 'numpy.ndarray'>
1

b*6
1

array([ 6, 12, 18, 24, 30])
1

#创建多维数组
c=np.array([[1,2,3],[4,5,6]])
1
2

print(c)
1

输出

[[1 2 3]
 [4 5 6]]
1
2

print(type(c))

 - List item

1
2
3
4

输出

<class 'numpy.ndarray'>
1

c*2
1

输出

array([[ 2,  4,  6],
       [ 8, 10, 12]])
1
2

cc=[[1,2,3],[4,5,6]]
1

cc*2
1

输出

[[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]
1

print(c.ndim)#几维
1

输出

2
1

print(c.shape)#几行几列
1

输出

(2, 3)
1

print(c.size)#包含元素
1

输出

6
1

print(c.dtype)#类型
1

输出

int32
1

d=np.array([[[1,2,3],[4,5,6],[7,8,9]]])
print(d)
print(d.ndim)
1
2
3

输出

[[[1 2 3]
  [4 5 6]
  [7 8 9]]]
3
1
2
3
4

print(d.shape)
1

输出

(1, 3, 3)
1

print(d.size)
1

输出

9
1

dd=np.array([[[1,2,3],[4,5,6],[7,8,9]],[[1,2,3],[4,5,6],[7,8,9]]])
1

print(dd.shape)
1

输出

(2, 3, 3)
1

print(dd.size)
1

输出

18
1

#指定维度来创建多维数组
e=np.array([1,2,3,4,5,6],ndmin=3)
1
2

e.dtype
1

输出

dtype('int32')
1

type(e)
1

输出

numpy.ndarray
1

print(e)
1

输出

[[[1 2 3 4 5 6]]]
1

print(e.shape)
1

输出

(1, 1, 6)
1

#指定维度和数值类型来创建多维数组
f = np.array([1,2,3,4,5,6],ndmin=3,dtype=np.complex)
1
2

print(f)
1

输出

[[[1.+0.j 2.+0.j 3.+0.j 4.+0.j 5.+0.j 6.+0.j]]]
1

f.data
1

输出

<memory at 0x000002643059E6D8>
1

f.flat
1

输出

<numpy.flatiter at 0x26478a91010>
1

print(f.itemsize)
1

输出

16
1

a=np.empty([3,2],dtype=np.int32)
a
1
2

输出

array([[618914272,       565],
       [        0,         0],
       [        1,         0]])
1
2
3

print(a.shape)
1

输出

(3, 2)
1

# numpy.eye  函数返回对角线为1，其余为0的数组
d=np.eye(5)
1
2

print(d)
1

输出

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]
1
2
3
4
5

#array与asarray区别 传入参数是list等一般数组类型是，两者没有区别；当传入参数是ndarray类型时，前者会拷贝原数据，开辟新的内存在储存它，就是新建了一个ndarray对象。而asarray与原参数共享一个内存
x=[1,2,3,4,5,6]
a=np.asarray(x)
1
2
3

print(type(x))
print(type(a))
1
2

输出

<class 'list'>
<class 'numpy.ndarray'>
1
2

print(x)
print(a)
1
2

输出

[1, 2, 3, 4, 5, 6]
[1 2 3 4 5 6]
1
2

arange函数类似于python的range函数，通过指定开始值、终值和步长来创建一维数组，注意数组不包括终值

linspace函数通过指定开始值、终值和元素个数来创建一维数组可以通过endpoint关键字指定是否包括终值，缺省设置是包括终值

x=np.arange(10)
print(type(x))
print(x)
1
2
3

输出

<class 'numpy.ndarray'>
[0 1 2 3 4 5 6 7 8 9]
1
2

x=np.arange(10,dtype=np.float32)
print(x)
1
2

输出

[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
1

x=np.linspace(10,20,5)
print(x)
1
2

输出

[10.  12.5 15.  17.5 20. ]
1

#retstep=True 返回步长值
np.linspace(10,20,5,retstep=True)
1
2

输出

(array([10. , 12.5, 15. , 17.5, 20. ]), 2.5)
1

np.linspace(0, 1, 10)
1

输出

array([0.        , 0.11111111, 0.22222222, 0.33333333, 0.44444444,
       0.55555556, 0.66666667, 0.77777778, 0.88888889, 1.        ])
1
2

np.linspace(0,1,10,endpoint=False)
1

输出

array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
1

np.linspace(0.1,1.1,10,endpoint=False)
1

输出

array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ])
1

logspace函数和linspace类似，不过它创建等比数列

np.logspace(0,2,20)
1

输出

array([  1.        ,   1.27427499,   1.62377674,   2.06913808,
         2.6366509 ,   3.35981829,   4.2813324 ,   5.45559478,
         6.95192796,   8.8586679 ,  11.28837892,  14.38449888,
        18.32980711,  23.35721469,  29.76351442,  37.92690191,
        48.32930239,  61.58482111,  78.47599704, 100.        ])
1
2
3
4
5

np.linspace(0,2,20)
1

输出

array([0.        , 0.10526316, 0.21052632, 0.31578947, 0.42105263,
       0.52631579, 0.63157895, 0.73684211, 0.84210526, 0.94736842,
       1.05263158, 1.15789474, 1.26315789, 1.36842105, 1.47368421,
       1.57894737, 1.68421053, 1.78947368, 1.89473684, 2.        ])
1
2
3
4

a=np.arange(10)
a
1
2

输出

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
1

a[5]
1

输出

5
1

a[3:5]
1

输出

array([3, 4])
1

a[:5]
1

输出

array([0, 1, 2, 3, 4])
1

a[:-1]
1

输出

array([0, 1, 2, 3, 4, 5, 6, 7, 8])
1

a[2:4]=100,101
1

a
1

输出

array([  0,   1, 100, 101,   4,   5,   6,   7,   8,   9])
1

print(a[1:-1:2])
1

输出

[  1 101   5   7]
1

b=a[3:7]
1

b
1

输出

array([101,   4,   5,   6])
1

b[2]=-10
1

b
1

输出

array([101,   4, -10,   6])
1

a=np.array([-45,-66,2,25,99,-33])
1

b=a
1

b is a
1

输出

True
1

id(a)
id(b)
1
2

输出

2048392233008
1

a==b
1

输出

array([ True,  True,  True,  True,  True,  True])
1

a[0]=6
1

a
1

输出

array([  6, -66,   2,  25,  99, -33])
1

b
1

输出

array([  6, -66,   2,  25,  99, -33])
1

b[0]=2
1

a
1

输出

array([  2, -66,   2,  25,  99, -33])
1

b
1

输出

array([  2, -66,   2,  25,  99, -33])
1

e=np.array([-45,-66,2,25,99,-33])
1

浅拷贝

定义：浅拷贝是对另外一个变量的内存地址的拷贝，这两个变量指向同一个内存地址的变量值。

注：仅仅拷贝的是目标变量的所在地址，目标变量的所在地址不发生任何变化。

公用一个值；
这两个变量的内存地址一样；
对其中一个变量的值改变，另外一个变量的值也会改变；

深拷贝

定义：一个变量对另外一个变量的值拷贝。

注：拷贝的是目标变量的值，是真实的拷贝，新的变量产生了新的内存地址。

变量的内存地址不同；
变量各有自己的值，且互不影响；
对其任意一个变量的值的改变不会影响其余变量的值

View 视图

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。
slice，array.view(dtype)可以产生view，但array.astype(dtype)产生的不是view

f=e.view()#浅拷贝
1

id(e)
1

输出

2048392236448
1

id(f)
1

输出

2048392355888
1

f.shape=(2,3)
1

f
1

输出

array([[-45, -66,   2],
       [ 25,  99, -33]])
1
2

e[0]=0
1

e
1

输出

array([  0, -66,   2,  25,  99, -33])
1

f
1

输出

array([[  0, -66,   2],
       [ 25,  99, -33]])
1
2

f[1,1]=88
1

f
1

输出

array([[  0, -66,   2],
       [ 25,  88, -33]])
1
2

e
1

输出

array([  0, -66,   2,  25,  88, -33])
1

g=np.copy(e)#深拷贝
1

g
1

输出

array([  0, -66,   2,  25,  88, -33])
1

e[0]=8
1

e
1

输出

array([  8, -66,   2,  25,  88, -33])
1

g
1

输出

array([  0, -66,   2,  25,  88, -33])
1

id(e)
1

输出

2048392236448
1

id(g)
1

输出

2048392358848
1

x=np.arange(5,0,-1)
1

x
1

输出

array([5, 4, 3, 2, 1])
1

x[np.array([True,False,True,False,False])]
1

输出

array([5, 3])
1

#布尔数组中下标为0,2的元素为True，因此获取X中下标为0,2的元素
x[np.array([True,False,True,True,False])]=-1,-2,-3
x
1
2
3

输出

array([-1,  4, -2, -3,  1])
1

#产生一个长度为10，元素值为0-1的随机数的数组
x=np.random.rand(10)
x
1
2
3

输出

array([0.19587602, 0.05381538, 0.58195263, 0.53318967, 0.38403005,
       0.56208597, 0.60598911, 0.96842994, 0.70864445, 0.59090746])
1
2

x[x>0.5]
1

输出

array([0.58195263, 0.53318967, 0.56208597, 0.60598911, 0.96842994,
       0.70864445, 0.59090746])
1
2

1