App下載

python中關(guān)于numpy庫(kù)的介紹

猿友 2020-08-08 16:46:03 瀏覽數(shù) (5894)
反饋

1.Numpy是什么？

NumPy（Numerical Python的縮寫(xiě)）是一個(gè)開(kāi)源的Python科學(xué)計(jì)算庫(kù)。使用NumPy，就可以很自然地使用數(shù)組和矩陣。 NumPy包含很多實(shí)用的數(shù)學(xué)函數(shù)，涵蓋線(xiàn)性代數(shù)運(yùn)算、傅里葉變換和隨機(jī)數(shù)生成等功能。

這個(gè)庫(kù)的前身是1995年就開(kāi)始開(kāi)發(fā)的一個(gè)用于數(shù)組運(yùn)算的庫(kù)。經(jīng)過(guò)了長(zhǎng)時(shí)間的發(fā)展，基本上成了絕大部分Python科學(xué)計(jì)算的基礎(chǔ)包，當(dāng)然也包括所有提供Python接口的深度學(xué)習(xí)框架。

2.為什么使用Numpy？

a)便捷：

對(duì)于同樣的數(shù)值計(jì)算任務(wù)，使用NumPy要比直接編寫(xiě)Python代碼便捷得多。這是因?yàn)?code>NumPy能夠直接對(duì)數(shù)組和矩陣進(jìn)行操作，可以省略很多循環(huán)語(yǔ)句，其眾多的數(shù)學(xué)函數(shù)也會(huì)讓編寫(xiě)代碼的工作輕松許多。

b)性能：

NumPy中數(shù)組的存儲(chǔ)效率和輸入輸出性能均遠(yuǎn)遠(yuǎn)優(yōu)于Python中等價(jià)的基本數(shù)據(jù)結(jié)構(gòu)（如嵌套的list容器）。其能夠提升的性能是與數(shù)組中元素的數(shù)目成比例的。對(duì)于大型數(shù)組的運(yùn)算，使用NumPy的確很有優(yōu)勢(shì)。對(duì)于TB級(jí)的大文件，NumPy使用內(nèi)存映射文件來(lái)處理，以達(dá)到最優(yōu)的數(shù)據(jù)讀寫(xiě)性能。

c)高效：

NumPy的大部分代碼都是用C語(yǔ)言寫(xiě)成的，這使得NumPy比純Python代碼高效得多。

當(dāng)然，NumPy也有其不足之處，由于NumPy使用內(nèi)存映射文件以達(dá)到最優(yōu)的數(shù)據(jù)讀寫(xiě)性能，而內(nèi)存的大小限制了其對(duì)TB級(jí)大文件的處理；此外，NumPy數(shù)組的通用性不及Python提供的list容器。因此，在科學(xué)計(jì)算之外的領(lǐng)域，NumPy的優(yōu)勢(shì)也就不那么明顯。

（推薦教程：python教程）

3.Numpy的安裝：

  1. 官網(wǎng)安裝：http://www.numpy.org/。
  2. pip 安裝：pip install numpy。
  3. LFD安裝：針對(duì)windows用戶(hù)http://www.lfd.uci.edu/~gohlke/pythonlibs/。
  4. Anaconda安裝（推薦）：Anaconda里面集成了很多關(guān)于python科學(xué)計(jì)算的第三方庫(kù)，主要是安裝方便。下載地址：https://www.anaconda.com/download/。

4.numpy 基礎(chǔ)：

NumPy的主要對(duì)象是同種元素的多維數(shù)組。這是一個(gè)所有的元素都是一種類(lèi)型。在NumPy中維度(dimensions)叫做軸(axes)，軸的個(gè)數(shù)叫做秩(rank)。NumPy的數(shù)組類(lèi)被稱(chēng)作 ndarray（矩陣也叫數(shù)組 。通常被稱(chēng)作數(shù)組。

常用的ndarray對(duì)象屬性有：

  • ndarray.ndim(數(shù)組軸的個(gè)數(shù),軸的個(gè)數(shù)被稱(chēng)作秩)，
  • ndarray.shape(數(shù)組的維度。這是一個(gè)指示數(shù)組在每個(gè)維度上大小的整數(shù)元組。例如一個(gè)n行m列的矩陣，它的shape屬性將是(2,3),這個(gè)元組的長(zhǎng)度顯然是秩，即維度或者ndim屬性)，
  • ndarray.size（數(shù)組元素的總個(gè)數(shù)，等于shape屬性中元組元素的乘積），
  • ndarray.dtype（一個(gè)用來(lái)描述數(shù)組中元素類(lèi)型的對(duì)象，可以通過(guò)創(chuàng)造或指定dtype使用標(biāo)準(zhǔn)Python類(lèi)型。另外NumPy提供它自己的數(shù)據(jù)類(lèi)型）。

Numpy的數(shù)據(jù)類(lèi)型：

import numpy as np
a = np.dtype(np.int_)     #  np.int64, np.float32 …
print(a)

Numpy內(nèi)置的特征碼：

int8, int16, int32,int64 可以由字符串’i1’, ‘i2’,’i4’, ‘i8’代替，其余的以此類(lèi)推。

import numpy as np
a = np.dtype(‘i8’)    # ’f8’, ‘i4’’c16’,’a30’(30個(gè)字符的字
# 符串), ‘>i4’…
print (a)

可以指明數(shù)據(jù)類(lèi)型在內(nèi)存中的字節(jié)序，’>’表示按大端的方式存儲(chǔ)，’<’表示按小端的方式存儲(chǔ)，’=’表示數(shù)據(jù)按硬件默認(rèn)方式存儲(chǔ)。大端或小端存儲(chǔ)只影響數(shù)據(jù)在底層內(nèi)存中存儲(chǔ)時(shí)字節(jié)的存儲(chǔ)順序，在我們實(shí)際使用python進(jìn)行科學(xué)計(jì)算時(shí)，一般不需要考慮該存儲(chǔ)順序。

（推薦微課：python3基礎(chǔ)微課）

5.創(chuàng)建數(shù)組并查看其屬性：

(1) 用np.array從python列表和元組創(chuàng)建數(shù)組：

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

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

(2) 用np.arange().reshape()創(chuàng)建數(shù)組：

import numpy as np
a = np.arange(10).reshape(2, 5) # 創(chuàng)建2行5列的二維數(shù)組，
# 也可以創(chuàng)建三維數(shù)組，
# a = np.arange(12).reshape(2,3,2)
print(a)

判斷下列三維數(shù)組的shape:

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

6.基本運(yùn)算：

import numpy as np
a = np.random.random(6)
b = np.random.rand(6)
c = np.random.randn(6)
print(a-b)                    # print(a+b),print(a*c) …
# 二維數(shù)組運(yùn)算
d = np.random.random((2,3))
e = np.random.randn(2, 3)
f = np.random.rand(2,3)
print(d-e)                    # print(d+f),print(e*f) …
print(np.dot(a,b))          #復(fù)習(xí)矩陣乘法
print(a.dot(b))
# Numpy 隨機(jī)數(shù)模塊np.random.random, np.random.randn, np.random.rand的比較
（1）rand 生成均勻分布的偽隨機(jī)數(shù)。分布在（0~1）之間
（2）randn 生成標(biāo)準(zhǔn)正態(tài)分布的偽隨機(jī)數(shù)（均值為0，方差為1）。

import numpy as np
a = np.ones((2,3)) 
b = np.zeros((2,3))
a*=3
b+=a

7.常用函數(shù)：

import numpy as np 
a = np.arange(10)
np.where()

8.索引，切片和迭代：

import numpy as np
 a = arange(10)**3
a[2]
a[2:5]
a[:6:2] = -1000
a[ : :-1]
for i in a:
    print i**(1/3.)


# 多維數(shù)組的索引
b = np.arange(20).reshape(5,4)
b[2,3]
b[0:5, 1]
b[ : ,1]
b[1:3, : ]
#當(dāng)少于軸數(shù)的索引被提供時(shí)，確失的索引被認(rèn)為是整個(gè)切片
b[-1]    #相當(dāng)于b[-1,:]
# b[i] 中括號(hào)中的表達(dá)式被當(dāng)作 i 和一系列 : ，來(lái)代表剩下的軸。NumPy也允許你使用“點(diǎn)”像 b[i,...] 。
#點(diǎn) (…)代表許多產(chǎn)生一個(gè)完整的索引元組必要的分號(hào)。如果x是
#秩為5的數(shù)組(即它有5個(gè)軸)，那么:x[1,2,…] 等同于 x[1,2,:,:,:],x[…,3] 等同于 x[:,:,:,:,3]，x[4,…,5,:] 等同 x[4,:,:,5,:].


三維數(shù)組的索引：
c = np.arange(12).reshape(2,3,2)
c[1]
c[2,1]    # 等價(jià)于c[2][1]
c[2,1,1]  # 等價(jià)于c[2][1][1]


# 通過(guò)數(shù)組索引
d = np.arange(10)**2
e = np.array ([3, 5, 6])
d[e] = ?


#練習(xí)， 用同樣的方法在二維數(shù)組中操作。
# 通過(guò)布爾數(shù)組索引
f = np.arange(12).reshape(3, 4)
g = f>4
print(g)
f [g]

迭代多維數(shù)組是就第一個(gè)軸而言的：

h = np.arange(12).reshape(3,4)
for i in h:
   print(i)

如果想對(duì)每個(gè)數(shù)組中元素進(jìn)行運(yùn)算，我們可以使用flat屬性，該屬性是數(shù)組元素的一個(gè)迭代器:

for i in h.flat:
print(i)

補(bǔ)充：flatten()的用法： np.flatten()返回一個(gè)折疊成一維的數(shù)組。但是該函數(shù)只能適用于numpy對(duì)象，即array或者mat，普通的list列表是不行的。

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

 
a.flatten()
b = np.mat([[1,2,3], [4, 5, 6]])
b.flatten()
c = [[1,2,3], [4, 5, 6]]
c.flatten() ?

想要list達(dá)到同樣的效果可以使用列表表達(dá)式：

[y for x in a for y in x]

9. 形狀操作：

ravel(),vstack(),hstack(),column_stack,row_stack, stack, split, hsplit, vsplit

import numpy as np


#增加維度
a = np.arange(5)
a[:, np.newaxis]
a[np.newaxis, :]
np.tile([1,2], 2)


#合并
a = np.arange(10).reshape(2,5)
print(a.ravel())
print(a.resize(5,2))
b = np.arange(6).reshape(2,3)
c = np.ones((2,3))
d = np.hstack((b,c))              # hstack：horizontal stack 左右合并
e = np.vstack((b,c))              # vstack: vertical stack 上下合并          
f = np.column_stack((b,c))
g = np.row_stack((b,c))
h = np.stack((b, c), axis=1)      # 按行合并
i = np.stack((b,c), axis=0)       # 按列合并
j = np.concatenate ((b, c, c, b), axis=0)   #多個(gè)合并

 
#分割
k = np.hsplit(i, 2)
l = np.vsplit(i, 2)
m = np.split(i, 2, axis=0)
n = np.split(i, 2,axis=1)

 
o = np.array_split(np.arange(10),3)   #不等量分割

10.深拷貝：

import numpy as np
a = np.arange (4)
b = a
c = a
d = b
a[0]=10  a = ? b = ? c= ? d = ?
b = a.copy()
a [0] = 9
b = ?

11.廣播 Broadcasting

廣播是一種強(qiáng)有力的機(jī)制，它讓Numpy可以讓不同大小的矩陣在一起進(jìn)行數(shù)學(xué)計(jì)算。我們常常會(huì)有一個(gè)小的矩陣和一個(gè)大的矩陣，然后我們會(huì)需要用小的矩陣對(duì)大的矩陣做一些計(jì)算。

把一個(gè)向量加到矩陣的每一行：

    import numpy as np
    a = np.array ([[1,2,3], [4,5,6], [7,8,9]])
    b = np.array ([10,10,10])
    c = np.tile(b, (4,1))
    d = a + c
    #用廣播機(jī)制：
    c = a + b

對(duì)兩個(gè)數(shù)組使用廣播機(jī)制要遵守下列規(guī)則：

  1. 如果數(shù)組的秩不同，使用1來(lái)將秩較小的數(shù)組進(jìn)行擴(kuò)展，直到兩個(gè)數(shù)組的尺寸的長(zhǎng)度都一樣。
  2. 如果兩個(gè)數(shù)組在某個(gè)維度上的長(zhǎng)度是一樣的，或者其中一個(gè)數(shù)組在該維度上長(zhǎng)度為1，那么我們就說(shuō)這兩個(gè)數(shù)組在該維度上是相容的。
  3. 如果兩個(gè)數(shù)組在所有維度上都是相容的，他們就能使用廣播。
  4. 如果兩個(gè)輸入數(shù)組的尺寸不同，那么注意其中較大的那個(gè)尺寸。因?yàn)閺V播之后，兩個(gè)數(shù)組的尺寸將和那個(gè)較大的尺寸一樣。
  5. 在任何一個(gè)維度上，如果一個(gè)數(shù)組的長(zhǎng)度為1，另一個(gè)數(shù)組長(zhǎng)度大于1，那么在該維度上，就好像是對(duì)第一個(gè)數(shù)組進(jìn)行了復(fù)制。

以上就是關(guān)于python中numpy庫(kù)的相關(guān)知識(shí)了，希望對(duì)大家有所幫助。

HTML

0 人點(diǎn)贊