Python Numpy库的超详细介绍

谁借莪１个温暖的怀抱￠ 2024-03-31 16:01 91阅读 0赞

Numpy库是Python中的一个科学计算库,本文主要介绍了ndarray的基本操作、 ndarray运算等各种Numpy库的超详细教程,需要的朋友可以参考下

### 1、Numpy概述 ###

#### 1.1 概念 ####

> Python本身含有列表和数组，但对于大数据来说，这些结构是有很多不足的。由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。对于数值运算来说这种 结构比较浪费内存和CPU资源。至于数组对象，它可以直接保存 数值，和C语言的一维数组比较类似。但是由于它不支持多维，在上面的函数也不多，因此也不适合做数值运算。Numpy提供了两种基本的对象：ndarray(N-dimensional Array Object)和 ufunc(Universal Function Object)。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。

#### 1.2 功能 ####

*  创建n维数组(矩阵)
 *  对数组进行函数运算，使用函数计算十分快速，节省了大量的时间，且不需要编写循环，十分方便
 *  数值积分、线性代数运算、傅里叶变换
 *  ndarray快速节省空间的多维数组，提供数组化的算术运算和高级的 广播功能。

#### 1.3 对象 ####

*  NumPy中的核心对象是ndarray
 *  ndarray可以看成数组，存放**同类元素**
 *  NumPy里面所有的函数都是围绕ndarray展开的
    
    ![7dd33eac24ae9f18ea9ab0873617cef2.png][]
    
      
    ndarray 内部由以下内容组成：  
    • 一个指向数据(内存或内存映射文件中的一块数据)的指针。  
    • 数据类型或 dtype，描述在数组中的固定大小值的格子。  
    • 一个表示数组形状(shape)的元组，表示各维度大小的元组。形状为(row×col)

#### 1.4 数据类型 ####

> numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和C语言的数据类型对应上主要包括int8、int16、int32、int64、uint8、uint16、uint32、uint64、float16、float32、float64

#### 1.5 数组属性 ####

<table> 
 <tbody> 
 <tr> 
 <th>属性</th> 
 <th>说明</th> 
 </tr> 
 <tr> 
 <td>ndarray.ndim</td> 
 <td>秩，即轴的数量或维度的数量</td> 
 </tr> 
 <tr> 
 <td>ndarray.shape</td> 
 <td>数组的维度(n×m)，对于矩阵，n 行 m 列</td> 
 </tr> 
 <tr> 
 <td>ndarray.size</td> 
 <td>数组元素的总个数，相当于 .shape 中 n*m 的值</td> 
 </tr> 
 <tr> 
 <td>ndarray.dtype</td> 
 <td>ndarray 对象的元素类型</td> 
 </tr> 
 <tr> 
 <td>ndarray.itemsize</td> 
 <td>ndarray 对象中每个元素的大小，以字节为单位</td> 
 </tr> 
 <tr> 
 <td>ndarray.flags</td> 
 <td>ndarray 对象的内存信息</td> 
 </tr> 
 <tr> 
 <td>ndarray.real</td> 
 <td>ndarray元素的实部</td> 
 </tr> 
 <tr> 
 <td>ndarray.imag</td> 
 <td>ndarray元素的虚部</td> 
 </tr> 
 <tr> 
 <td>ndarray.data</td> 
 <td>包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。</td> 
 </tr> 
 </tbody> 
</table>

### 2、Numpy数组操作 ###

#### 2.1 Numpy创建 ####

#### 2.1.1 利用列表生成数组 ####

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>import</code> <code>numpy as np</code> <code>lst </code><code>=</code> <code>[</code><code>1</code><code>, </code><code>2</code><code>, </code><code>3</code><code>, </code><code>4</code><code>]</code> <code>nd1 </code><code>=</code> <code>np.array(lst)</code> <code>print</code><code>(nd1, </code><code>type</code><code>(nd1))</code> <code>#[1 2 3 4] &lt;class 'numpy.ndarray'&gt;</code> </td> 
 </tr> 
 </tbody> 
</table>

#### 2.1.2 利用random模块生成数组 ####

下面是random模块的一些常用函数  
::: hljs-center

![0badf6384a42ba869c9fc3824cbd9c0a.png][]

使用如下：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 </td> 
 <td> <code>import</code> <code>numpy as np</code> <code>#0到1标准正态分布</code> <code>arr1 </code><code>=</code> <code>np.random.randn(</code><code>3</code><code>, </code><code>3</code><code>)</code> <code>#0到1均匀分布</code> <code>arr2 </code><code>=</code> <code>np.random.rand(</code><code>3</code><code>, </code><code>3</code><code>)</code> <code>#均匀分布的随机数（浮点数），前两个参数表示随机数的范围，第三个表示生成随机数的个数</code> <code>arr3 </code><code>=</code> <code>np.random.uniform(</code><code>0</code><code>, </code><code>10</code><code>, </code><code>2</code><code>)</code> <code>#均匀分布的随机数（整数），前两个参数表示随机数的范围，第三个表示生成随机数的个数</code> <code>arr4 </code><code>=</code> <code>np.random.randint(</code><code>0</code><code>, </code><code>10</code><code>, </code><code>3</code><code>)</code> <code>print</code><code>(f</code><code>'arr1 : {arr1}\narr2 : {arr2}\narr3 : {arr3}\narr4 : {arr4}'</code><code>)</code> <code>out : </code> <code># arr1 : [[-0.31637952 -0.08258995&nbsp; 1.43866984]</code> <code>#&nbsp; [-0.11216775&nbsp; 0.43881134&nbsp; 0.11745847]</code> <code>#&nbsp; [-1.1770306&nbsp; -0.97657465&nbsp; 2.2368878 ]]</code> <code># arr2 : [[0.16350611 0.4467384&nbsp; 0.9465067 ]</code> <code>#&nbsp; [0.1882318&nbsp; 0.40261184 0.93577701]</code> <code>#&nbsp; [0.56243911 0.69179631 0.83407725]]</code> <code># arr3 : [4.41402883 6.03259052]</code> <code># arr4 : [9 7 7]</code> </td> 
 </tr> 
 </tbody> 
</table>

如果想使每次生成的数据相同，可以指定一个随机种子

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 </td> 
 <td> <code>import</code> <code>numpy as np</code> <code>np.random.seed(</code><code>123</code><code>)</code> <code>arr </code><code>=</code> <code>np.random.rand(</code><code>2</code><code>, </code><code>3</code><code>)</code><code>#[[0.69646919 0.28613933 0.22685145] [0.55131477 0.71946897 0.42310646]]</code> <code>#打乱数组</code> <code>np.random.shuffle(arr)</code><code>#[[0.55131477 0.71946897 0.42310646] [0.69646919 0.28613933 0.22685145]]</code> </td> 
 </tr> 
 </tbody> 
</table>

#### 2.1.3 创建特定形状数组 ####

主要有如下几种：

![8a0ea6d2d05865c316eed4625f017c2b.png][]

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 </td> 
 <td> <code>import</code> <code>numpy as np</code> <code>#未初始化的数组</code> <code>arr1 </code><code>=</code> <code>np.empty((</code><code>2</code><code>,</code><code>3</code><code>))</code> <code>#数组元素以 0 来填充</code> <code>arr2 </code><code>=</code> <code>np.zeros((</code><code>2</code><code>, </code><code>3</code><code>))</code> <code>#数组元素以 1 来填充</code> <code>arr3 </code><code>=</code> <code>np.ones((</code><code>2</code><code>, </code><code>3</code><code>))</code> <code>#数组以指定的数来进行填充，这里举例3</code> <code>arr4 </code><code>=</code> <code>np.full((</code><code>2</code><code>, </code><code>3</code><code>), </code><code>3</code><code>)</code> <code>#生成单位，对角线上元素为 1，其他为0</code> <code>arr5 </code><code>=</code> <code>np.eye(</code><code>2</code><code>)</code> <code>#二维矩阵输出矩阵对角线的元素，一维矩阵形成一个以一维数组为对角线元素的矩阵</code> <code>arr6 </code><code>=</code> <code>np.diag(np.array([[</code><code>1</code><code>, </code><code>2</code><code>, </code><code>3</code><code>], [</code><code>4</code><code>, </code><code>5</code><code>, </code><code>6</code><code>], [</code><code>7</code><code>, </code><code>8</code><code>, </code><code>9</code><code>]]))</code> </td> 
 </tr> 
 </tbody> 
</table>

在创建给定长度的等差数列时，要注意的是np.linspace形成的数组一定包括范围的首位两个元素，则步长为(end - start) / (length - 1)。而np.arange是自己指定的步长(默认为1)也就意味着形成的数组不一定包括末尾数

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>arr7 </code><code>=</code> <code>np.linspace(</code><code>0</code><code>, </code><code>1</code><code>, </code><code>4</code><code>) </code><code>#out : array([0.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; , 0.33333333, 0.66666667, 1.&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; ])</code> <code>arr8 </code><code>=</code> <code>np.arange(</code><code>0</code><code>, </code><code>9</code><code>, </code><code>2</code><code>) </code><code>#out : array([0, 2, 4, 6, 8])</code> </td> 
 </tr> 
 </tbody> 
</table>

#### 2.2 索引和切片 ####

Numpy可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样，设置start, stop 及 step 参数。

#### 2.2.1 元素表示 ####

Numpy数组的下标表示与list是一样的，对于矩阵来说，要注意中括号里要用逗号将行和列的表示进行分隔。基本的表示方法如下图，左边为表达式，右边为表达式获取的元 素。注意，不同的边界，表示不同的表达式。

![be7a5192bf20a17fbd1814189e6f20d6.png][]

例子：  
a = np.array(\[\[1, 2, 3, 4\], \[5, 6, 7, 8\]\])  
a\[0\] : 指的是第一行  
a\[1, 2\] 或者 a\[1\]\[2\] : 全下标定位单个元素，在a中表示7这个元素

#### 2.2.2 切片表示 ####

若a = np.arange(10)，b = a\[2 : 7 : 2\]则表示从索引 2 开始到索引 7 停止，间隔为 2，即b为\[2, 4, 6\]。此外也可以通过切片操作来对元素进行修改，如：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>a </code><code>=</code> <code>np.array([[</code><code>1</code><code>, </code><code>2</code><code>, </code><code>3</code><code>], [</code><code>4</code><code>, </code><code>5</code><code>, </code><code>6</code><code>], [</code><code>7</code><code>, </code><code>8</code><code>, </code><code>9</code><code>]])</code> <code>a[</code><code>0</code> <code>, </code><code>1</code> <code>: </code><code>3</code><code>] </code><code>=</code> <code>100</code><code>, </code><code>101</code><code>#a[0 , 1 : 3]表示第一行的第二列和第二列即[2, 3]</code> <code>a </code><code>#out : array([[&nbsp; 1, 100, 101], [&nbsp; 4,&nbsp;&nbsp; 5,&nbsp;&nbsp; 6], [&nbsp; 7,&nbsp;&nbsp; 8,&nbsp;&nbsp; 9]])</code> </td> 
 </tr> 
 </tbody> 
</table>

#### 2.2.3 多维数组的切片 ####

NumPy的多维数组和一维数组类似。多维数组有多个轴。从内到外分别是第0轴，第1轴，第2轴......切片后的数据与切片前的数据共享原数组的储存空间

![ac887d4c1edb4ca1b622015cbc25d105.png][]

当然，切片操作是针对我们想要获取的数据是连续的，如果我们想要获取离散数据就不能使用切片的方法，再者就是我们不能一个一个来进行提取，Numpy有一种很方便的方法可以获得离散数据。即下面

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 </td> 
 <td> <code>x </code><code>=</code> <code>np.array([[ </code><code>0</code><code>, </code><code>1</code><code>, </code><code>2</code><code>],[ </code><code>3</code><code>, </code><code>4</code><code>, </code><code>5</code><code>],[ </code><code>6</code><code>, </code><code>7</code><code>, </code><code>8</code><code>],[ </code><code>9</code><code>, </code><code>10</code><code>, </code><code>11</code><code>]]) </code> <code>rows </code><code>=</code> <code>np.array( [ [</code><code>0</code><code>,</code><code>0</code><code>],[</code><code>3</code><code>,</code><code>3</code><code>] ] ) </code><code>#表示第1、4行</code> <code>cols </code><code>=</code> <code>np.array( [ [</code><code>0</code><code>,</code><code>2</code><code>],[</code><code>0</code><code>,</code><code>2</code><code>] ] ) </code><code>#表示第1、3列</code> <code>y </code><code>=</code> <code>x[rows,cols]</code> <code>y </code><code># out : array([[ 0,&nbsp; 2], [ 9, 11]])</code> </td> 
 </tr> 
 </tbody> 
</table>

#### 2.2.4 布尔索引 ####

顾名思义，通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>x </code><code>=</code> <code>np.array([[ </code><code>0</code><code>, </code><code>1</code><code>, </code><code>2</code><code>],[ </code><code>3</code><code>, </code><code>4</code><code>, </code><code>5</code><code>],[ </code><code>6</code><code>, </code><code>7</code><code>, </code><code>8</code><code>],[ </code><code>9</code><code>, </code><code>10</code><code>, </code><code>11</code><code>]]) </code> <code>print</code><code>(x[x &gt; </code><code>5</code><code>]) </code><code># out : [ 6&nbsp; 7&nbsp; 8&nbsp; 9 10 11]</code> <code>b </code><code>=</code> <code>x &gt; </code><code>5</code> <code>b </code><code># 打印布尔运算的结果</code> </td> 
 </tr> 
 </tbody> 
</table>

![5e28c74fcd633d12f973737e369cfead.png][]

#### 2.2.5 元素查找定位 ####

Numpy库中提供了where函数来查找满足条件元素的索引，表示如下：

*  np.where(condition, x, y): 满足条件(condition)，输出x，不满足输出y
 *  np.where(condition): 输出满足条件 (即非0) 元素的坐标

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>a </code><code>=</code> <code>np.array([</code><code>2</code><code>,</code><code>4</code><code>,</code><code>6</code><code>,</code><code>8</code><code>,</code><code>10</code><code>,</code><code>3</code><code>]).reshape(</code><code>2</code><code>,</code><code>3</code><code>) </code> <code>c </code><code>=</code> <code>np.where(a &gt; </code><code>5</code><code>) </code><code># 返回索引 out : (array([0, 1, 1], dtype=int64), array([2, 0, 1], dtype=int64))</code> <code>a[c] </code><code># 获得元素</code> </td> 
 </tr> 
 </tbody> 
</table>

#### 2.2.6 元素删除 ####

np.delete(arr, obj, axis=None)

*  第一个参数：要处理的矩阵，
 *  第二个参数，处理的位置，下标
 *  第三个参数，0表示按照行删除，1表示按照列删除，默认为0
 *  返回值为删除后的剩余元素构成的矩阵

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>arr </code><code>=</code> <code>np.array([[</code><code>1</code><code>, </code><code>2</code><code>, </code><code>3</code><code>, </code><code>4</code><code>], [</code><code>5</code><code>, </code><code>6</code><code>, </code><code>7</code><code>, </code><code>8</code><code>], [</code><code>9</code><code>, </code><code>10</code><code>, </code><code>11</code><code>, </code><code>12</code><code>]])</code> <code>np.delete(arr, [</code><code>1</code><code>], </code><code>0</code><code>) </code><code># 表示删除第二行</code> </td> 
 </tr> 
 </tbody> 
</table>

####  ####

转自：[https://www.weidianyuedu.com][https_www.weidianyuedu.com]

[7dd33eac24ae9f18ea9ab0873617cef2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/5e9d95040c0e462cb78c6da22f18ce76.png
[0badf6384a42ba869c9fc3824cbd9c0a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/d11014e9228a4353ba23bdd4defc5d9c.png
[8a0ea6d2d05865c316eed4625f017c2b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/00849f81c5584780a2676dd3d2feb26c.png
[be7a5192bf20a17fbd1814189e6f20d6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/f9382d3c49284f1dad4f0ff5f5862f71.png
[ac887d4c1edb4ca1b622015cbc25d105.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/bdaa6a4b57ff457f922aaad0ae6f98c7.png
[5e28c74fcd633d12f973737e369cfead.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/31/c3269cad17ab4e2aa5fce2e00956c8c7.png
[https_www.weidianyuedu.com]: https://www.weidianyuedu.com