Python学习之旅——numpy库基础使用总结（超详细）

目录

介绍基础用法矩阵创建基础创建 numpy与list的转换特殊矩阵 矩阵元素数据类型修改矩阵切片矩阵运算矩阵解包 常用内置函数np.asarray函数np.ascontiguousarray函数np.copy函数np.hstack和np.vstack函数np.logical_and函数np.min和np.max函数np.reshape函数np.stack函数np.tile函数np.where函数

介绍

基础用法

矩阵创建

numpy矩阵的类型为numpy.ndarray， 没有指定数据类型，默认是float64类型

基础创建

a = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]]) b = np.arange(4)

列表与numpy矩阵的转换：

x = [675.99524, 166.36523, 691.63257, 193.72832] y = np.asarray(x) print(x, type(x)) print(y, type(y), y.shape)

numpy与list的转换

np.arange(largest_recall, 1, 0.01).tolist()

特殊矩阵

全零矩阵：

## 创建(2,)维的全0向量 d = np.zeros(2) print(d, d.shape) d = np.zeros((2,1)) print(d, d.shape) d = np.zeros((3,4)) print(d, d.shape) # 下面两个构造方法等价 d = np.zeros((10, 3, 3), dtype=np.uint8) d = np.zeros([10, 3, 3], dtype=np.uint8)

注意不同矩阵的维度区别。

全1矩阵：

b = np.ones((1,2))

常数矩阵：

c = np.full((2,2), 7) # Create a constant array print(c) # Prints "[[ 7. 7.] # [ 7. 7.]]"

单位矩阵：

d = np.eye(2) # Create a 2x2 identity matrix print(d) # Prints "[[ 1. 0.] # [ 0. 1.]]"

随机矩阵：

# 创建指定维度的随机矩阵 x = np.random.rand(4,3) x = np.random.random([4,3]) x = np.random.random([4,3,2]) y = np.random.randint(0,10,(4,3)) # [0,10)区间, shape为(4,3)的随机矩阵 x1 = np.random.uniform(-1,1) # 指定区间均匀分布随机数

矩阵元素数据类型修改

没有指定数值类型时，numpy矩阵有默认数值类型：

x = np.array([1, 2, 3]) # dtype('int64') x = np.array([1.0, 2, 3]) dtype('float64')

修改数值类型方法：

x = x.astype(float) x = x.astype(bool) x = np.array(x, dtype=float)

矩阵切片

一个矩阵的切片是对相同矩阵元素数据的不同观察角度，共享相同的数据，修改切片后矩阵会影响原矩阵。

a = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]]) print(a) # prints "array([[ 1, 2, 3], # [ 4, 5, 6], # [ 7, 8, 9], # [10, 11, 12]])" # Create an array of indices b = np.array([0, 2, 0, 1]) print(a[np.arange(4), b]) # Prints "[ 1 6 7 11]"

索引切片会降维，但是列表索引或范围索引不会降维：

overlap_0_7 = np.array([[0.7, 0.5, 0.5, 0.7, 0.5, 0.7, 0.7, 0.7], [0.7, 0.5, 0.5, 0.7, 0.5, 0.7, 0.7, 0.7], [0.7, 0.5, 0.5, 0.7, 0.5, 0.7, 0.7, 0.7]]) overlap_0_5 = np.array([[0.7, 0.5, 0.5, 0.7, 0.5, 0.5, 0.5, 0.5], [0.5, 0.25, 0.25, 0.5, 0.25, 0.5, 0.5, 0.5], [0.5, 0.25, 0.25, 0.5, 0.25, 0.5, 0.5, 0.5]]) min_overlaps = np.stack([overlap_0_7, overlap_0_5], axis=0) # [2, 3, 8] print(min_overlaps, min_overlaps.shape) print(len(min_overlaps)) current_classes = [0] min_overlaps = min_overlaps[:, :, current_classes] # [2, 3, 1] print(min_overlaps, min_overlaps.shape)

矩阵运算

矩阵解包

d = np.zeros(2) print(d, d.shape) x, y = d print("x, y: ", x, y)

常用内置函数

np.asarray函数

np.ascontiguousarray函数

np.copy函数

np.hstack和np.vstack函数

np.logical_and函数

np.min和np.max函数

求解指定维度上最小或最大值，返回值直接就是得到的最小最大值，会进行降维。

x = np.random.randint(0, 10, (3, 8)) print(x, x.shape) y = np.max(x, 1) print(y)

结果：

[[3 0 3 9 6 9 9 6] [8 0 3 1 4 7 6 8] [5 7 2 8 4 0 5 8]] (3, 8) [9 8 8]

np.reshape函数

https://stackoverflow.com/questions/39549331/reshape-numpy-n-vector-to-n-1-vector?rq=1

np.stack函数

overlap_0_7 = np.array([[0.7, 0.5, 0.5, 0.7, 0.5, 0.7, 0.7, 0.7], [0.7, 0.5, 0.5, 0.7, 0.5, 0.7, 0.7, 0.7], [0.7, 0.5, 0.5, 0.7, 0.5, 0.7, 0.7, 0.7]]) overlap_0_5 = np.array([[0.7, 0.5, 0.5, 0.7, 0.5, 0.5, 0.5, 0.5], [0.5, 0.25, 0.25, 0.5, 0.25, 0.5, 0.5, 0.5], [0.5, 0.25, 0.25, 0.5, 0.25, 0.5, 0.5, 0.5]]) min_overlaps = np.stack([overlap_0_7, overlap_0_5], axis=0) # [2, 3, 8]

np.tile函数

np.where函数