NumPy库的介绍与使用教程(一）

       “实践是检验真理的唯一标准”。对我个人来讲，学习任何一门python语言的库最好的方法就是实践。所以我希望当你在读我这篇文章的时候能够拿出你的电脑，一边阅读一边实践。

NumPy库简介

       NumPy(Numerical Python)是 Python 语言的一个扩展程序库。其中提供了许多向量和矩阵操作，能让用户轻松完成最优化、线性代数、积分、插值、特殊函数、傅里叶变换、信号处理和图像处理、常微分方程求解以及其他科学与工程中常用的计算，不仅方便易用而且效率更高。        NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其他协作者共同开发。2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。        NumPy 是一个开源的Python科学计算基础库，是SciPy、Pandas等数据处理或科学计算库的基础。包含：

一个强大的N维数组对象 ndarray广播功能函数整合 C/C++/Fortran 代码的工具线性代数、傅里叶变换、随机数生成等功能

NumPy库入门

1.数据的维度

       一个数据表达一个含义；一组数据表达一个或多个含义。维度是一组数据的组织形式。

一维数据由对等关系的有序或无需数据构成，采用线性方式组织，对应列表、数组和集合等概念。其中，列表和数组都是一维数据的有序结构。列表：数据类型可以不同；数组：数据类型可以相同。二维数据由多个一维数据构成，是一维数据的组合形式，表格是典型的二维数据。多维数据由一维或二维数据在新维度上扩展形成。高维数据仅利用最基本的二元关系展示数据间的复杂结构。

       对于数据维度的Python表示，一维数据可以用列表或集合类型表示；二维或多维可以用列表类型表示；高维数据可以用字典或数据表示格式表示。目前，国际公认的数据表示格式有三种，分别是JSON、XML和YMAL格式。

2.NumPy的数组对象：ndarray

(1)NumPy的引用

import numpy as np

       尽管别名可以省略或者更改，但是为了编程过程中更加简洁以及符合大多程序员的习惯，建议使用上述约定的别名。

(2)为什么要引入ndarry呢？        我们先来看一个例子：计算A的平方＋B的三次方，其中，A和B是一维数组。 传统写法：

def pySum(): a = [0,1,2,3,4] b = [9,8,7,6,5] c = [] for i in range(len(a)): c.append(a[i]**2 + b[i]**3) return c print(pySum()) [729, 513, 347, 225, 141]

使用NumPy写法：

def npSum(): a = np.array([0,1,2,3,4]) b = np.array([9,8,7,6,5]) c = a**2 + b**3 return c print(npSum()) [729 513 347 225 141]

       从中可以看出，①数组对象可以去掉元素运算所需的循环，使一维向量更像单个数据；②由于NumPy的底层是由c语言实现的，所以设置专门的数组对象，经过优化，可以提升这类应用的运算速度；通过观察，在科学计算中，一个维度所有数据的类型往往相同。③数组对象采用相同的数据类型，有助于节省运算和存储空间。

(3)ndarray是一个多维数组对象        由两部分构成：①实际的数据；②描述这些数据的元数据(数据维度、数据类型等)。 np.array()生成一个ndarray数组： ●ndarray数组一般要求所有元素类型相同(同质)，数组下标从0开始。 ●ndarray在程序中的别名是：array。 ●np.array()输出成[]形式，元素由空格分割。 ●ndarray有两个基本的概念：①轴(axis)：保存数据的维度；②秩(rank)：轴的数量，即这个数组有多少个维度。

(4)ndarray对象的属性

a = np.array([[0,1,2,3,4], [9,8,7,6,5]]) a.ndim Out[15]: 2 #一共有2个维度 a.shape Out[16]: (2, 5) #第一个维度有两个方向，第二个维度有5个元素 a.size Out[17]: 10 #一共有10个元素 a.dtype Out[18]: dtype('int32') #这是一个32位的整数类型 a.itemsize Out[19]: 4 #每个元素由4个字节构成

(5)ndarray数组的元素类型 ndarray为什么要支持这么多种元素类型?        对比：Python语法仅支持整数、浮点数和复数3种类型。 ●科学计算涉及数据较多，对存储和性能都有较高要求。 ●对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能。 ●对元素类型精细定义，有助于程序员对程序规模有合理评估。

(6)ndarray数组可以由非同质对象构成

x = np.array([[0,1,2,3,4], [9,8,7,6]]) x.shape Out[26]: (2,) #只有一个维度分析 x.dtype Out[27]: dtype('O') #将每个元素看成一个对象类型 x Out[28]: array([list([0, 1, 2, 3, 4]), list([9, 8, 7, 6])], dtype=object) x.ndim Out[29]: 1 x.size Out[30]: 2 #一共有两个元素(对象) x.itemsize Out[31]: 8

       非同质ndarray对象无法有效的发挥NumPy优势，尽量避免使用。

3.ndarray数组的创建

ndarray数组的创建方法 ●从Python中的列表、元组等类型创建ndarray数组。 ●使用NumPy中函数创建ndarray数组，如：arange，ones，zeros等。 ●从字节流(raw bytes)中创建ndarray数组。 ●从文件中读取特定格式，创建ndarray数组。

(1)从Python中的列表、元组等类型创建ndarray数组        当np. array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型。 x = np.array(list/tuple) x = np.array(list/tuple, dtype=np.float32)

x = np.array([0,1,2,3]) #从列表类型创建 print(x) [0 1 2 3] x = np.array((4,5,6,7)) #从元组类型创建 print(x) [4 5 6 7] x = np.array([[1,2],[9,8],(0.1,0.2)]) #从列表和元组混合类型创建 print(x) [[1. 2. ] [9. 8. ] [0.1 0.2]]

(2)使用NumPy中函数创建ndarray数组

np.arange(10) Out[40]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) #注意元素是0-9 np.ones((3,6)) #中间是元组类型 Out[41]: array([[1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.]]) np.zeros((3,6)) #中间是元组类型 Out[42]: array([[0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.]]) np.eye(5) Out[43]: array([[1., 0., 0., 0., 0.], [0., 1., 0., 0., 0.], [0., 0., 1., 0., 0.], [0., 0., 0., 1., 0.], [0., 0., 0., 0., 1.]]) np.full(5,1) Out[44]: array([1, 1, 1, 1, 1]) np.full((3,4),1) Out[45]: array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) x = np.ones((2,3,4)) print(x) [[[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]] [[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]]] x.shape #注意这个shape Out[50]: (2, 3, 4)

x.shape Out[50]: (2, 3, 4) np.ones_like(x) Out[51]: array([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]]) np.zeros_like(x) Out[53]: array([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]]) np.full_like(x,3) Out[56]: array([[[3., 3., 3., 3.], [3., 3., 3., 3.], [3., 3., 3., 3.]], [[3., 3., 3., 3.], [3., 3., 3., 3.], [3., 3., 3., 3.]]])

(3)使用NumPy中其他函数创建ndarray数组

a = np.linspace(1,10,4) #起始数据，终止数据(包含)，元素个数 a Out[58]: array([ 1., 4., 7., 10.]) b = np.linspace(1,10,4,endpoint=False) #相当于先多生成一个元素，再去掉终止数据 b Out[59]: array([1. , 3.25, 5.5 , 7.75]) c = np.concatenate((a,b)) c Out[60]: array([ 1. , 4. , 7. , 10. , 1. , 3.25, 5.5 , 7.75])

4.ndarray数组的变换

       对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换。 (1)ndarray数组的维度变换

a = np.ones((2,3,4),dtype=np.int32) a.reshape((3,9)) #维度变换元素个数必须相同 ValueError: cannot reshape array of size 24 into shape (3,9) a.reshape((3,8)) Out[67]: array([[1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1]]) a #原数组不变 Out[68]: array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]) a.resize((3,8)) a #原数组改变 Out[70]: array([[1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1]]) b = np.ones((2,3),dtype=np.int32) b.flatten() Out[73]: array([1, 1, 1, 1, 1, 1]) b #原数组不变 Out[74]: array([[1, 1, 1], [1, 1, 1]])

(2)ndarray数组的类型变换        astype方法一定会创建新的数组，即使两个类型一致(原始数据的一个拷贝)。 new_ a = a.astype(new type)

a = np.ones((2,3,4),dtype=np.int) #np.int表示整数类型这一类 a Out[76]: array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]) b = a.astype(np.float) b Out[78]: array([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]]) a Out[79]: array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]])

(3)ndarry数组向列表的转换 ls = a.tolist()

a = np.full((2,3,4),25,dtype=np.int32) a Out[81]: array([[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]) a.tolist() Out[82]: [[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]

5.nadarry数组的操作

       nadarry数组的操作包括数组的索引和切片。①索引：获取数组中特定位置元素的过程；②切片：获取数组元素子集的过程。 (1)一维数组的索引和切片 与Python的列表类似

a = np.array([9,8,7,6,5]) a[2] #编号0开始从左递增，或-1开始从右递减 Out[85]: 7 a[1:4:2] #起始编号：终止编号(不含)：步长 Out[86]: array([8, 6])

(2)多维数组的索引

a = np.arange(24).reshape((2,3,4)) a Out[88]: array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) a[1,2,3] #每个维度一个索引值，逗号分割 Out[89]: 23 a[0,1,2] Out[90]: 6 a[-1,-2,-3] Out[91]: 17

(3)多维数组的切片

a = np.arange(24).reshape((2,3,4)) a Out[93]: array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) a[:, 1, 3] #选取一个维度用： Out[94]: array([ 7, 19]) a[:, 1:3, :] #每个维度切片与一维数组相同 Out[95]: array([[[ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[16, 17, 18, 19], [20, 21, 22, 23]]]) a[:, :, ::2] #每个维度可以使用步长跳跃切片 Out[96]: array([[[ 0, 2], [ 4, 6], [ 8, 10]], [[12, 14], [16, 18], [20, 22]]])

6.nadarry数组的运算

(1) 数组与标量之间的运算 数组与标量之间的运算作用于数组的每一个元素

a = np.arange(24).reshape((2,3,4)) a Out[97]: array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) a.mean() Out[98]: 11.5 a = a / a.mean() #计算a与元素平均值的商 a Out[99]: array([[[0. , 0.08695652, 0.17391304, 0.26086957], [0.34782609, 0.43478261, 0.52173913, 0.60869565], [0.69565217, 0.7826087 , 0.86956522, 0.95652174]], [[1.04347826, 1.13043478, 1.2173913 , 1.30434783], [1.39130435, 1.47826087, 1.56521739, 1.65217391], [1.73913043, 1.82608696, 1.91304348, 2. ]]])

(2)NumPy一元函数 对ndarray中的数据执行元素级运算的函数 (3)NumPy二元函数        在这里我就不举例子了，函数不需要我们记住，需要使用的可以自己查看，但我们要注意使用函数之后数组是否被真实改变。 本文内容参考： 中国大学慕课北京理工大学嵩天老师所讲的Python数据分析与展示 NumPy库的介绍与使用教程(二）请参考： https://blog.csdn.net/qq_45152498/article/details/107088251?utm_source=app 如有错误或者不足之处，欢迎大家留言指正！