Numpy的基本用法整理
本篇内容主要讲解“Numpy的基本用法整理”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Numpy的基本用法整理”吧!
创新互联2013年开创至今，先为镇海等服务建站，镇海等地企业，进行企业商务咨询服务。为镇海企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
前言
Numpy是一个开源的Python科学计算库，它是python科学计算库的基础库，许多其他著名的科学计算库如Pandas，Scikit-learn等都要用到Numpy库的一些功能。
本文主要内容如下：
Numpy数组对象
创建ndarray数组
Numpy的数值类型
ndarray数组的属性
ndarray数组的切片和索引
处理数组形状
数组的类型转换
numpy常用统计函数
数组的广播
1 Numpy数组对象
Numpy中的多维数组称为ndarray，这是Numpy中最常见的数组对象。ndarray对象通常包含两个部分：
ndarray数据本身
描述数据的元数据
Numpy数组的优势
Numpy数组通常是由相同种类的元素组成的，即数组中的数据项的类型一致。这样有一个好处，由于知道数组元素的类型相同，所以能快速确定存储数据所需空间的大小。
Numpy数组能够运用向量化运算来处理整个数组，速度较快；而Python的列表则通常需要借助循环语句遍历列表，运行效率相对来说要差。
Numpy使用了优化过的C API，运算速度较快
关于向量化和标量化运算，对比下面的参考例子就可以看出差异
使用python的list进行循环遍历运算
1. def pySum():
2. a = list(range(10000))
3. b = list(range(10000))
4. c = []
5. for iin range(len(a)):
6. c.append(a[i]**2 + b[i]**2)
7.
8. return c
1. %timeit pySum()
1. 10 loops, best of3:49.4 ms per loop
使用numpy进行向量化运算
1. import numpyas np
2. def npSum():
3. a = np.arange(10000)
4. b = np.arange(10000)
5. c = a**2 + b**2
6. return c
1. %timeit npSum()
1. The slowest run took262.56 times longer than the fastest.This could mean that an intermediate resultis being cached.
2. 1000 loops, best of3:128 ?s per loop
从上面的运行结果可以看出，numpy的向量化运算的效率要远远高于python的循环遍历运算（效率相差好几百倍）。 （1ms=1000?s）
2创建ndarray数组
首先需要导入numpy库，在导入numpy库时通常使用“np”作为简写，这也是Numpy官方倡导的写法。
当然，你也可以选择其他简写的方式或者直接写numpy，但还是建议用“np”，这样你的程序能和大都数人的程序保持一致。
1. import numpyas np
创建ndarray数组的方式有很多种，这里介绍我使用的较多的几种：
Method 1:基于list或tuple
1. #一维数组
2.
3. #基于list
4. arr1 = np.array([1,2,3,4])
5. print(arr1)
6.
7. #基于tuple
8. arr_tuple = np.array((1,2,3,4))
9. print(arr_tuple)
10.
11. #二维数组 (2*3)
12. arr2 = np.array([[1,2,4], [3,4,5]])
13. arr2
1. [1234]
2. [1234]
3. array([[1,2,4],
4. [3,4,5]])
请注意：
一维数组用print输出的时候为 [1 2 3 4]，跟python的列表是有些差异的，没有“,”
在创建二维数组时，在每个子list外面还有一个"[]"，形式为“[[list1], [list2]]”
Method 2:基于np.arange
1. #一维数组
2. arr1 = np.arange(5)
3. print(arr1)
4.
5. #二维数组
6. arr2 = np.array([np.arange(3), np.arange(3)])
7. arr2
1. [01234]
2. array([[0,1,2],
3. [0,1,2]])
Method 3:基于arange以及reshape创建多维数组
1. #创建三维数组
2. arr = np.arange(24).reshape(2,3,4)
3. arr
1. array([[[0, 1, 2, 3],
2. [4, 5, 6, 7],
3. [8, 9,10,11]],
4.
5. [[12,13,14,15],
6. [16,17,18,19],
7. [20,21,22,23]]])
请注意：arange的长度与ndarray的维度的乘积要相等，即 24 = 2X3X4
用numpy.random创建数组的方法，可以参考下面的文章
为什么你用不好Numpy的random函数？
其他创建ndarray的方法，各位小伙伴们自己可以研究下。
3 Numpy的数值类型
Numpy的数值类型如下：
每一种数据类型都有相应的数据转换函数，参考示例如下：
1. np.int8(12.334)
1. 12
1. np.float64(12)
1. 12.0
1. np.float(True)
1. 1.0
1. bool(1)
1. True
在创建ndarray数组时，可以指定数值类型：
1. a = np.arange(5, dtype=float)
2. a
1. array([0., 1., 2., 3., 4.])
请注意，复数不能转换成为整数类型或者浮点数，比如下面的代码会运行出错
1. # float(42 + 1j)
4 ndarray数组的属性
dtype属性，ndarray数组的数据类型，数据类型的种类，前面已描述。
1. np.arange(4, dtype=float)
1. array([0., 1., 2., 3.])
1. # 'D'表示复数类型
2. np.arange(4, dtype='D')
1. array([0.+0.j, 1.+0.j, 2.+0.j, 3.+0.j])
1. np.array([1.22,3.45,6.779], dtype='int8')
1. array([1,3,6], dtype=int8)
ndim属性，数组维度的数量
1. a = np.array([[1,2,3], [7,8,9]])
2. a.ndim
1. 2
shape属性，数组对象的尺度，对于矩阵，即n行m列,shape是一个元组（tuple）
1. a.shape
1. (2,3)
size属性用来保存元素的数量，相当于shape中nXm的值
1. a.size
1. 6
itemsize属性返回数组中各个元素所占用的字节数大小。
1. a.itemsize
1. 4
nbytes属性，如果想知道整个数组所需的字节数量，可以使用nbytes属性。其值等于数组的size属性值乘以itemsize属性值。
1. a.nbytes
1. 24
1. a.size*a.itemsize
1. 24
T属性，数组转置
1. b = np.arange(24).reshape(4,6)
2. b
1. array([[0, 1, 2, 3, 4, 5],
2. [6, 7, 8, 9,10,11],
3. [12,13,14,15,16,17],
4. [18,19,20,21,22,23]])
1. b.T
1. array([[0, 6,12,18],
2. [1, 7,13,19],
3. [2, 8,14,20],
4. [3, 9,15,21],
5. [4,10,16,22],
6. [5,11,17,23]])
复数的实部和虚部属性，real和imag属性
1. d = np.array([1.2+2j,2+3j])
2. d
1. array([1.2+2.j, 2.0+3.j])
real属性返回数组的实部
1. d.real
1. array([1.2, 2. ])
imag属性返回数组的虚部
1. d.imag
1. array([2., 3.])
flat属性，返回一个numpy.flatiter对象，即可迭代的对象。
1. e = np.arange(6).reshape(2,3)
2. e
1. array([[0,1,2],
2. [3,4,5]])
1. f = e.flat
2. f
1.
1. for itemin f:
2. print(item)
1. 0
2. 1
3. 2
4. 3
5. 4
6. 5
可通过位置进行索引，如下：
1. f[2]
1. 2
1. f[[1,4]]
1. array([1,4])
也可以进行赋值
1. e.flat=7
2. e
1. array([[7,7,7],
2. [7,7,7]])
当前标题：Numpy的基本用法整理
分享地址：http://mswzjz.cn/article/ipepod.html