Python中的Numpy入门教程

我会带着你远行 2022-08-22 12:24 238阅读 0赞

这篇文章主要介绍了Python中的Numpy入门教程，着重讲解了矩阵中的数组操作,需要的朋友可以参考下

**1、Numpy是什么**

很简单，Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。如果接触过matlab、scilab，那么numpy很好入手。 在以下的代码示例中，总是先导入了numpy：

复制代码代码如下:

>>> import numpy as np  
>>> print np.version.version  
1.6.2

**2、多维数组**

多维数组的类型是：numpy.ndarray。

**使用numpy.array方法**

以list或tuple变量为参数产生一维数组：

复制代码代码如下:

>>> print np.array(\[1,2,3,4\])  
\[1 2 3 4\]  
>>> print np.array((1.2,2,3,4))  
\[ 1.2  2.   3.   4. \]  
>>> print type(np.array((1.2,2,3,4)))  
<type 'numpy.ndarray'>

以list或tuple变量为元素产生二维数组：

复制代码代码如下:

>>> print np.array(\[\[1,2\],\[3,4\]\])  
\[\[1 2\]  
 \[3 4\]\]

生成数组的时候，可以指定数据类型，例如numpy.int32, numpy.int16, and numpy.float64等：

复制代码代码如下:

>>> print np.array((1.2,2,3,4), dtype=np.int32)  
\[1 2 3 4\]

**使用numpy.arange方法**

复制代码代码如下:

>>> print np.arange(15)  
\[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14\]  
>>> print type(np.arange(15))  
<type 'numpy.ndarray'>  
>>> print np.arange(15).reshape(3,5)  
\[\[ 0  1  2  3  4\]  
 \[ 5  6  7  8  9\]  
 \[10 11 12 13 14\]\]  
>>> print type(np.arange(15).reshape(3,5))  
<type 'numpy.ndarray'>

**使用numpy.linspace方法**

例如，在从1到3中产生9个数：

复制代码代码如下:

>>> print np.linspace(1,3,9)  
\[ 1.    1.25  1.5   1.75  2.    2.25  2.5   2.75  3.  \]

**使用numpy.zeros，numpy.ones，numpy.eye等方法可以构造特定的矩阵**

例如：

复制代码代码如下:

>>> print np.zeros((3,4))  
\[\[ 0.  0.  0.  0.\]  
 \[ 0.  0.  0.  0.\]  
 \[ 0.  0.  0.  0.\]\]  
>>> print np.ones((3,4))  
\[\[ 1.  1.  1.  1.\]  
 \[ 1.  1.  1.  1.\]  
 \[ 1.  1.  1.  1.\]\]  
>>> print np.eye(3)  
\[\[ 1.  0.  0.\]  
 \[ 0.  1.  0.\]  
 \[ 0.  0.  1.\]\]

创建一个三维数组：

复制代码代码如下:

>>> print np.zeros((2,2,2))  
\[\[\[ 0.  0.\]  
  \[ 0.  0.\]\]

\[\[ 0.  0.\]  
  \[ 0.  0.\]\]\]

**获取数组的属性：**

复制代码代码如下:

>>> a = np.zeros((2,2,2))  
>>> print a.ndim   \#数组的维数  
3  
>>> print a.shape  \#数组每一维的大小  
(2, 2, 2)  
>>> print a.size   \#数组的元素数  
8  
>>> print a.dtype  \#元素类型  
float64  
>>> print a.itemsize  \#每个元素所占的字节数  
8

**数组索引，切片，赋值**

示例：

复制代码代码如下:

>>> a = np.array( \[\[2,3,4\],\[5,6,7\]\] )  
>>> print a  
\[\[2 3 4\]  
 \[5 6 7\]\]  
>>> print a\[1,2\]  
7  
>>> print a\[1,:\]  
\[5 6 7\]  
>>> print a\[1,1:2\]  
\[6\]  
>>> a\[1,:\] = \[8,9,10\]  
>>> print a  
\[\[ 2  3  4\]  
 \[ 8  9 10\]\]

**使用for操作元素**

复制代码代码如下:

>>> for x in np.linspace(1,3,3):  
...     print x  
...  
1.0  
2.0  
3.0

**基本的数组运算**

先构造数组a、b：

复制代码代码如下:

>>> a = np.ones((2,2))  
>>> b = np.eye(2)  
>>> print a  
\[\[ 1.  1.\]  
 \[ 1.  1.\]\]  
>>> print b  
\[\[ 1.  0.\]  
 \[ 0.  1.\]\]

数组的加减乘除：

复制代码代码如下:

>>> print a > 2  
\[\[False False\]  
 \[False False\]\]  
>>> print a+b  
\[\[ 2.  1.\]  
 \[ 1.  2.\]\]  
>>> print a-b  
\[\[ 0.  1.\]  
 \[ 1.  0.\]\]  
>>> print b\*2  
\[\[ 2.  0.\]  
 \[ 0.  2.\]\]  
>>> print (a\*2)\*(b\*2)  
\[\[ 4.  0.\]  
 \[ 0.  4.\]\]  
>>> print b/(a\*2)  
\[\[ 0.5  0. \]  
 \[ 0.   0.5\]\]  
>>> print (a\*2)\*\*4  
\[\[ 16.  16.\]  
 \[ 16.  16.\]\]

使用数组对象自带的方法：

复制代码代码如下:

>>> a.sum()  
4.0  
>>> a.sum(axis=0)   \#计算每一列（二维数组中类似于矩阵的列）的和  
array(\[ 2.,  2.\])  
>>> a.min()  
1.0  
>>> a.max()  
1.0

使用numpy下的方法：

复制代码代码如下:

>>> np.sin(a)  
array(\[\[ 0.84147098,  0.84147098\],  
       \[ 0.84147098,  0.84147098\]\])  
>>> np.max(a)  
1.0  
>>> np.floor(a)  
array(\[\[ 1.,  1.\],  
       \[ 1.,  1.\]\])  
>>> np.exp(a)  
array(\[\[ 2.71828183,  2.71828183\],  
       \[ 2.71828183,  2.71828183\]\])  
>>> np.dot(a,a)   \#\#矩阵乘法  
array(\[\[ 2.,  2.\],  
       \[ 2.,  2.\]\])

**合并数组**

使用numpy下的vstack和hstack函数：

复制代码代码如下:

>>> a = np.ones((2,2))  
>>> b = np.eye(2)  
>>> print np.vstack((a,b))  
\[\[ 1.  1.\]  
 \[ 1.  1.\]  
 \[ 1.  0.\]  
 \[ 0.  1.\]\]  
>>> print np.hstack((a,b))  
\[\[ 1.  1.  1.  0.\]  
 \[ 1.  1.  0.  1.\]\]

看一下这两个函数有没有涉及到浅拷贝这种问题：

复制代码代码如下:

>>> c = np.hstack((a,b))  
>>> print c  
\[\[ 1.  1.  1.  0.\]  
 \[ 1.  1.  0.  1.\]\]  
>>> a\[1,1\] = 5  
>>> b\[1,1\] = 5  
>>> print c  
\[\[ 1.  1.  1.  0.\]  
 \[ 1.  1.  0.  1.\]\]

可以看到，a、b中元素的改变并未影响c。

**深拷贝数组**

数组对象自带了浅拷贝和深拷贝的方法，但是一般用深拷贝多一些：

复制代码代码如下:

>>> a = np.ones((2,2))  
>>> b = a  
>>> b is a  
True  
>>> c = a.copy()  \#深拷贝  
>>> c is a  
False

**基本的矩阵运算**

转置：

复制代码代码如下:

>>> a = np.array(\[\[1,0\],\[2,3\]\])  
>>> print a  
\[\[1 0\]  
 \[2 3\]\]  
>>> print a.transpose()  
\[\[1 2\]  
 \[0 3\]\]

迹：

复制代码代码如下:

>>> print np.trace(a)  
4