其它课程中的python---3、numpy总结(非常全)

骑猪看日落 2022-01-06 23:09 189阅读 0赞

# 其它课程中的python---3、numpy总结(非常全) #

## 一、总结 ##

### 一句话总结： ###

##### 学习方式应该是：听课+总结；-->找总结博客+再总结 #####

##### 需要始终记住：凭借，继承，复用 #####

### 1、numpy的主要功能有哪些？ ###

##### 数组的转置，拼接，计算，切片，索引，组合 #####

##### 线性代数的各种操作：线代本身就是对数组（矩阵）的各种操作 #####

### 2、numpy数组对象主要的属性？ ###

##### .shape ：各维度的尺度 （2，5） #####

##### .size ：元素的个数 10 #####

##### .dtype ：元素的类型 dtype(‘int32’) #####

##### .itemsize ：每个元素的大小，以字节为单位 每个元素占4个字节 #####

.ndim ：维度  
.shape ：各维度的尺度 （2，5）  
.size ：元素的个数 10  
.dtype ：元素的类型 dtype(‘int32’)  
.itemsize ：每个元素的大小，以字节为单位 每个元素占4个字节

### 3、numpy如何创建数组？ ###

##### arange()方法：np.arange(n) ; 元素从0到n-1的ndarray类型 不指定的话是一维 #####

##### reshape()：np.arange(20).reshape(4,5)：如果想改变维度 #####

### 4、numpy数组创建中的几个特例？ ###

##### np.ones(shape): 生成全1 #####

##### np.full(shape, val): 生成全为val #####

##### np.ones\_like(a) : 按数组a的形状生成全1的数组 #####

##### np.linspace（1,10,4）： 根据起止数据等间距地生成数组 （1,5,9）不包含10 #####

np.ones(shape): 生成全1
    np.zeros((shape)， ddtype = np.int32) ： 生成int32型的全0
    np.full(shape, val): 生成全为val
    np.eye(n) : 生成单位矩阵
    
    np.ones_like(a) : 按数组a的形状生成全1的数组
    np.zeros_like(a): 同理
    np.full_like (a, val) : 同理
    
    np.linspace（1,10,4）： 根据起止数据等间距地生成数组 （1,5,9）不包含10
    np.linspace（1,10,4, endpoint = False）：endpoint 表示10是否作为生成的元素
    np.concatenate():

### 5、numpy如何改变数组的维度？ ###

##### .reshape(shape) : 不改变当前数组，依shape生成 #####

##### .resize(shape) : 改变当前数组，依shape生成 #####

##### .swapaxes(ax1, ax2) : 将两个维度调换 #####

.reshape(shape) : 不改变当前数组，依shape生成
    .resize(shape) : 改变当前数组，依shape生成
    .swapaxes(ax1, ax2) : 将两个维度调换
    .flatten() : 对数组进行降维，返回折叠后的一位数组

### 6、numpy如何变换数组（数据）的类型？ ###

##### 数据类型的转换 ：a.astype(new\_type) : eg, a.astype (np.float) #####

##### 数组向列表的转换： a.tolist() #####

### 7、numpy如何进行一维数组的切片？ ###

##### a = np.array (\[9, 8, 7, 6, 5, \]) #####

##### a\[1:4:2\] –> array(\[8, 6\]) ： a\[起始编号：终止编号（不含）： 步长\] #####

### 8、numpy如何进行多维数组索引？ ###

##### a = np.arange(24).reshape((2, 3, 4)) #####

##### a\[1, 2, 3\] 表示 3个维度上的编号， 各个维度的编号用逗号分隔 #####

### 9、numpy如何进行多维数组的切片？ ###

##### a \[：，：，：：2 \] 缺省时，表示从第0个元素开始，到最后一个元素 #####

### 10、numpy常用数组的运算有哪些？ ###

##### np.abs(a) np.fabs(a) : 取各元素的绝对值 #####

##### np.sqrt(a) : 计算各元素的平方根 #####

##### np.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回 #####

np.abs(a) np.fabs(a) : 取各元素的绝对值
    np.sqrt(a) : 计算各元素的平方根
    np.square(a): 计算各元素的平方
    np.log(a) np.log10(a) np.log2(a) : 计算各元素的自然对数、10、2为底的对数
    np.ceil(a) np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）
    np.rint(a) : 各元素 四舍五入
    np.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回
    np.exp(a) : 计算各元素的指数值
    np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）
    .
    np.maximum(a, b) np.fmax() : 比较（或者计算）元素级的最大值
    np.minimum(a, b) np.fmin() : 取最小值
    np.mod(a, b) : 元素级的模运算
    np.copysign(a, b) : 将b中各元素的符号赋值给数组a的对应元素

### 11、numpy随机数函数常用的有哪些？ ###

##### rand(d0, d1, …,dn) : 各元素是\[0, 1）的浮点数，服从均匀分布 #####

##### randn(d0, d1, …,dn)：标准正态分布 #####

##### shuffle(a) : 根据数组a的第一轴进行随机排列，改变数组a #####

##### choice(a\[, size, replace, p\]) : 从一维数组a中以概率p抽取元素， 形成size形状新数组，replace表示是否可以重用元素，默认为False。 #####

rand(d0, d1, …,dn) : 各元素是[0, 1）的浮点数，服从均匀分布
    randn(d0, d1, …,dn)：标准正态分布
    randint(low， high,（ shape）): 依shape创建随机整数或整数数组，范围是[ low, high）
    seed(s) ： 随机数种子
    
    shuffle(a) : 根据数组a的第一轴进行随机排列，改变数组a
    permutation(a) : 根据数组a的第一轴进行随机排列， 但是不改变原数组，将生成新数组
    choice(a[, size, replace, p]) : 从一维数组a中以概率p抽取元素， 形成size形状新数组，replace表示是否可以重用元素，默认为False。 
    
    replace = False时，选取过的元素将不会再选取
    
    uniform(low, high, size) : 产生均匀分布的数组，起始值为low，high为结束值，size为形状
    normal(loc, scale, size) : 产生正态分布的数组， loc为均值，scale为标准差，size为形状
    poisson(lam, size) : 产生泊松分布的数组， lam随机事件发生概率，size为形状
    eg: a = np.random.uniform(0, 10, (3, 4)) a = np.random.normal(10, 5, (3, 4))

### 12、numpy的的常用统计函数有哪些？ ###

##### average(a, axis =None, weights=None) : 依给定轴axis计算数组a相关元素的加权平均值 #####

##### sum(a, axis = None) : 依给定轴axis计算数组a相关元素之和，axis为整数或者元组 #####

##### mean(a, axis = None) : 同理，计算平均值 #####

sum(a, axis = None) : 依给定轴axis计算数组a相关元素之和，axis为整数或者元组
    mean(a, axis = None) : 同理，计算平均值
    average(a, axis =None, weights=None) : 依给定轴axis计算数组a相关元素的加权平均值
    std（a, axis = None） ：同理，计算标准差
    var（a, axis = None）: 计算方差
    eg： np.mean(a, axis =1) ： 对数组a的第二维度的数据进行求平均
    a = np.arange(15).reshape(3, 5)
    np.average(a, axis =0, weights =[10, 5, 1]) : 对a第一各维度加权求平均，weights中为权重，注意要和a的第一维匹配
    
    min(a) max(a) : 计算数组a的最小值和最大值
    argmin(a) argmax(a) : 计算数组a的最小、最大值的下标（注：是一维的下标）
    unravel_index(index, shape) : 根据shape将一维下标index转成多维下标
    ptp(a) : 计算数组a最大值和最小值的差
    median(a) : 计算数组a中元素的中位数（中值）
    eg：a = [[15, 14, 13],
    [12, 11, 10] ]
    np.argmax(a) –> 0
    np.unravel_index( np.argmax(a), a.shape) –> (0,0)

### 13、numpy的常用梯度函数有哪些？ ###

##### np.gradient(a) ： 计算数组a中元素的梯度，f为多维时，返回每个维度的梯度 #####

##### 离散梯度： xy坐标轴连续三个x轴坐标对应的y轴值：a, b, c 其中b的梯度是（c-a）/2，而c的梯度是： (c-b)/1 #####

## 二、numpy总结(比较全) ##

转自或参考：numpy总结(比较全)  
https://blog.csdn.net/zcylee/article/details/80777743

本博文摘抄自中国慕课大学上的课程《Python数据分析与展示》（略有修改）

Numpy是科学计算库,是一个强大的N维数组对象ndarray，是广播功能函数。其整合C/C++.fortran代码的工具 ，更是Scipy、Pandas等的基础  **这个颜色代表输出 红色是我后加的**

.ndim ：维度  
.shape ：各维度的尺度 （2，5）   
.size ：元素的个数 10   
.dtype ：元素的类型 dtype(‘int32’)   
.itemsize ：每个元素的大小，以字节为单位 每个元素占4个字节   
ndarray数组的创建

np.arange(n) ; 元素从0到n-1的ndarray类型 不指定的话是一维

如果想改变维度 np.arange(20).reshape(4,5)

np.ones(shape): 生成全1  
np.zeros((shape)， ddtype = np.int32) ： 生成int32型的全0  
np.full(shape, val): 生成全为val  
np.eye(n) : 生成单位矩阵

np.ones\_like(a) : 按数组a的形状生成全1的数组  
np.zeros\_like(a): 同理  
np.full\_like (a, val) : 同理

np.linspace（1,10,4）： 根据起止数据等间距地生成数组 （1,5,9）不包含10  
np.linspace（1,10,4, endpoint = False）：endpoint 表示10是否作为生成的元素  
np.concatenate():

*  数组的维度变换

.reshape(shape) : 不改变当前数组，依shape生成  
.resize(shape) : 改变当前数组，依shape生成  
.swapaxes(ax1, ax2) : 将两个维度调换  
.flatten() : 对数组进行降维，返回折叠后的一位数组

*  数组的类型变换

数据类型的转换 ：a.astype(new\_type) : eg, a.astype (np.float)  
数组向列表的转换： a.tolist()  
数组的索引和切片

*  一维数组切片

a = np.array (\[9, 8, 7, 6, 5, \])  
a\[1:4:2\] –> array(\[8, 6\]) ： a\[起始编号：终止编号（不含）： 步长\]

*  多维数组索引

a = np.arange(24).reshape((2, 3, 4))  
a\[1, 2, 3\] 表示 3个维度上的编号， 各个维度的编号用逗号分隔

*  多维数组切片

a \[：，：，：：2 \] 缺省时，表示从第0个元素开始，到最后一个元素  
数组的运算  
np.abs(a) np.fabs(a) : 取各元素的绝对值  
np.sqrt(a) : 计算各元素的平方根  
np.square(a): 计算各元素的平方  
np.log(a) np.log10(a) np.log2(a) : 计算各元素的自然对数、10、2为底的对数  
np.ceil(a) np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）  
np.rint(a) : 各元素 四舍五入  
np.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回  
np.exp(a) : 计算各元素的指数值  
np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）  
.  
np.maximum(a, b) np.fmax() : 比较（或者计算）元素级的最大值  
np.minimum(a, b) np.fmin() : 取最小值  
np.mod(a, b) : 元素级的模运算  
np.copysign(a, b) : 将b中各元素的符号赋值给数组a的对应元素

*  数据的CSV文件存取

CSV (Comma-Separated Value,逗号分隔值) 只能存储一维和二维数组

np.savetxt(frame, array, fmt=’% .18e’, delimiter = None): frame是文件、字符串等，可以是.gz .bz2的压缩文件； array 表示存入的数组； fmt 表示元素的格式 eg： %d % .2f % .18e ; delimiter： 分割字符串，默认是空格  
eg： np.savetxt(‘a.csv’, a, fmt=%d, delimiter = ‘,’ )

np.loadtxt(frame, dtype=np.float, delimiter = None, unpack = False) : frame是文件、字符串等，可以是.gz .bz2的压缩文件； dtype：数据类型，读取的数据以此类型存储； delimiter: 分割字符串，默认是空格; unpack: 如果为True， 读入属性将分别写入不同变量。  
多维数据的存取  
a.tofile(frame, sep=’’, format=’%s’ ) : frame: 文件、字符串； sep: 数据分割字符串，如果是空串，写入文件为二进制 ； format:： 写入数据的格式  
eg: a = np.arange(100).reshape(5, 10, 2)  
a.tofile(“b.dat”, sep=”,”, format=’%d’)

np.fromfile(frame, dtype = float, count=-1, sep=’’)： frame： 文件、字符串 ； dtype： 读取的数据以此类型存储； count：读入元素个数， -1表示读入整个文件； sep: 数据分割字符串，如果是空串，写入文件为二进制

PS: a.tofile() 和np.fromfile（）要配合使用，要知道数据的类型和维度。

np.save(frame, array) : frame: 文件名，以.npy为扩展名，压缩扩展名为.npz ； array为数组变量  
np.load(fname) : frame: 文件名，以.npy为扩展名，压缩扩展名为

np.save() 和np.load() 使用时，不用自己考虑数据类型和维度。

*  numpy随机数函数

numpy 的random子库

rand(d0, d1, …,dn) : 各元素是\[0, 1）的浮点数，服从均匀分布  
randn(d0, d1, …,dn)：标准正态分布  
randint(low， high,（ shape）): 依shape创建随机整数或整数数组，范围是\[ low, high）  
seed(s) ： 随机数种子

shuffle(a) : 根据数组a的第一轴进行随机排列，改变数组a  
permutation(a) : 根据数组a的第一轴进行随机排列， 但是不改变原数组，将生成新数组  
choice(a\[, size, replace, p\]) : 从一维数组a中以概率p抽取元素， 形成size形状新数组，replace表示是否可以重用元素，默认为False。  
eg： ![1062123-20170502143017523-963784019.png][]  
replace = False时，选取过的元素将不会再选取

uniform(low, high, size) : 产生均匀分布的数组，起始值为low，high为结束值，size为形状  
normal(loc, scale, size) : 产生正态分布的数组， loc为均值，scale为标准差，size为形状  
poisson(lam, size) : 产生泊松分布的数组， lam随机事件发生概率，size为形状  
eg: a = np.random.uniform(0, 10, (3, 4)) a = np.random.normal(10, 5, (3, 4))

*  numpy的统计函数

min(a) max(a) : 计算数组a的最小值和最大值  
argmin(a) argmax(a) : 计算数组a的最小、最大值的下标（注：是一维的下标）  
unravel\_index(index, shape) : 根据shape将一维下标index转成多维下标  
ptp(a) : 计算数组a最大值和最小值的差  
median(a) : 计算数组a中元素的中位数（中值）  
eg：a = \[\[15, 14, 13\],  
\[12, 11, 10\] \]  
np.argmax(a) –> 0  
np.unravel\_index( np.argmax(a), a.shape) –> (0,0)

*  numpy的梯度函数

np.gradient(a) ： 计算数组a中元素的梯度，f为多维时，返回每个维度的梯度  
离散梯度： xy坐标轴连续三个x轴坐标对应的y轴值：a, b, c 其中b的梯度是（c-a）/2  
而c的梯度是： (c-b)/1

当为二维数组时，np.gradient(a) 得出两个数组，第一个数组对应最外层维度的梯度，第二个数组对应第二层维度的梯度。  
![1062123-20170502143029617-752766482.png][]

*  图像的表示和变换

PIL， python image library 库  
from PIL import Image  
Image是PIL库中代表一个图像的类（对象）

im = np.array(Image.open(“.jpg”))

im = Image.fromarray(b.astype(‘uint8’)) \# 生成  
im.save(“路径.jpg”) \# 保存

im = np.array(Image.open(“.jpg”).convert(‘L’)) \# convert(‘L’)表示转为灰度图

转载于:https://www.cnblogs.com/Renyi-Fan/p/10987501.html

[1062123-20170502143017523-963784019.png]: /images/20211227/48e7c4de500b4ab8be47cc9a35ec2b0c.png
[1062123-20170502143029617-752766482.png]: /images/20211227/5a852533bbf749b38381126c2afee563.png