Numpy 小结

Python 真火来学习一下，先来看一个库 NumPy。NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

1. 读取文件

numpy.genfromtxt() 用于读取 txt 文件，其中传入的参数依次为：

1. 需要读取的 txt 文件位置，此处文件与程序位于同一目录下
2. 分割的标记
3. 转换类型，如果文件中既有文本类型也有数字类型，就先转成文本类型

help(numpy.genfromtxt)用于查看帮助文档：
如果不想看 API 可以启动一个程序用 help 查看指令的详细用法

 

 

 

 

 

 

Python

 

1 2 3 4 5 6

import numpy   world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str) print(type(world_alcohol)) print(world_alcohol) print(help(numpy.genfromtxt))

2. 构造 ndarray

numpy.array()构造 ndarray

numpy.array()中传入数组参数，可以是一维的也可以是二维三维的。numpy 会将其转变成 ndarray 的结构。

 

 

 

 

 

Python

 

1 2	vector = numpy.array([1,2,3,4]) matrix = numpy.array([[1,2,3],[4,5,6]])

传入的参数必须是同一结构,不是同一结构将发生转换。

 

 

 

 

 

Python

 

1 2 3

vector = numpy.array([1,2,3,4])   array([1, 2, 3, 4])

均为 int 类型

 

 

 

 

 

Python

 

1 2 3

vector = numpy.array([1,2,3,4.0])   array([ 1.,  2.,  3.,  4.])

转为浮点数类型

 

 

 

 

 

Python

 

1 2 3

vector = numpy.array([1,2,'3',4])   array(['1', '2', '3', '4'],dtype='<U21')

转为字符类型

利用 .shape 查看结构

能够了解 array 的结构，debug 时通过查看结构能够更好地了解程序运行的过程。

 

 

 

 

 

Python

 

1 2 3 4

print(vector.shape) print(matrix.shape) (4,) (2, 3)

利用 dtype 查看类型

 

 

 

 

 

Python

 

1 2 3 4

vector = numpy.array([1,2,3,4]) vector.dtype   dtype('int64')

ndim 查看维度

一维

 

 

 

 

 

Python

 

1 2 3 4

vector = numpy.array([1,2,3,4]) vector.ndim   1

二维

 

 

 

 

 

Python

 

1 2 3 4 5 6

matrix = numpy.array([[1,2,3],                       [4,5,6],                      [7,8,9]]) matrix.ndim   2

size 查看元素数量

 

 

 

 

 

Python

 

1 2	matrix.size 9

3. 获取与计算

numpy 能使用切片获取数据

 

 

 

 

 

Python

 

1 2 3

matrix = numpy.array([[1,2,3],                       [4,5,6],                      [7,8,9]])

根据条件获取

numpy 能够依次比较 vector 和元素之间是否相同

 

 

 

 

 

Python

 

1 2 3 4

vector = numpy.array([5, 10, 15, 20]) vector == 10   array([False,  True, False, False], dtype=bool)

根据返回值获取元素

 

 

 

 

 

Python

 

1 2 3 4 5 6 7

vector = numpy.array([5, 10, 15, 20]) equal_to_ten = (vector == 10) print(equal_to_ten) print(vector[equal_to_ten])   [False  True False False] [10]

进行运算之后获取

 

 

 

 

 

Python

 

1 2	vector = numpy.array([5, 10, 15, 20]) equal_to_ten_and_five = (vector == 10) & (vector == 5)

 

 

 

 

 

Python

 

1 2	vector = numpy.array([5, 10, 15, 20]) equal_to_ten_or_five = (vector == 10) | (vector == 5)

类型转换

将整体类型进行转换

 

 

 

 

 

Python

 

1 2 3 4 5 6 7

vector = numpy.array([5, 10, 15, 20]) print(vector.dtype) vector = vector.astype(str) print(vector.dtype)   int64 <U21

求和

sum() 能够对 ndarray 进行各种求和操作，比如分别按行按列进行求和

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10

matrix = numpy.array([[1,2,3],                       [4,5,6],                      [7,8,9]]) print(matrix.sum()) print(matrix.sum(1)) print(matrix.sum(0))   45 [ 6 15 24] [12 15 18]

sum(1) 是 sum(axis=1)) 的缩写，1表示按照 x轴方向求和，0表示按照y轴方向求和

4. 常用函数

reshape

生成从 0-14 的 15 个数字，使用 reshape(3,5) 将其构造成一个三行五列的 array。

 

 

 

 

 

Python

 

1 2 3 4 5 6 7

import numpy as np arr = np.arange(15).reshape(3, 5) arr   array([[ 0,  1,  2,  3,  4],        [ 5,  6,  7,  8,  9],        [10, 11, 12, 13, 14]])

zeros

生成指定结构的默认为 0. 的 array

 

 

 

 

 

Python

 

1 2 3 4 5

np.zeros ((3,4))   array([[ 0.,  0.,  0.,  0.],        [ 0.,  0.,  0.,  0.],        [ 0.,  0.,  0.,  0.]])

ones

生成一个三维的 array,通过 dtype 指定类型

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9

np.ones( (2,3,4), dtype=np.int32 )   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]]])

range

指定范围和数值间的间隔生成 array，注意范围包左不包右

 

 

 

 

 

Python

 

1 2 3

np.arange(0,10,2)   array([0, 2, 4, 6, 8])

random 随机数

生成指定结构的随机数，可以用于生成随机权重

 

 

 

 

 

Python

 

1 2 3 4

np.random.random((2,3))   array([[ 0.86166627,  0.37756207,  0.94265883],        [ 0.9768257 ,  0.96915312,  0.33495431]])

5. ndarray 运算

元素之间依次相减相减

 

 

 

 

 

Python

 

1 2 3 4 5

a = np.array([10,20,30,40]) b = np.array(4)   a - b array([ 6, 16, 26, 36])

乘方

 

 

 

 

 

Python

 

1 2	a**2 array([ 100,  400,  900, 1600])

开根号

 

 

 

 

 

Python

 

1 2 3 4

np.sqrt(B)   array([[ 1.41421356,  0.        ],        [ 1.73205081,  2.        ]])

e 求方

 

 

 

 

 

Python

 

1 2 3 4

np.exp(B)   array([[  7.3890561 ,   1.        ],        [ 20.08553692,  54.59815003]])

向下取整

 

 

 

 

 

Python

 

1 2 3 4 5

a = np.floor(10*np.random.random((2,2))) a   array([[ 0.,  0.],        [ 3.,  6.]])

行列变换

 

 

 

 

 

Python

 

1 2 3 4

a.T   array([[ 0.,  3.],        [ 0.,  6.]])

变换结构

 

 

 

 

 

Python

 

1 2 3 4

a.resize(1,4) a   array([[ 0.,  0.,  3.,  6.]])

6. 矩阵运算

矩阵之间的运算

 

 

 

 

 

Python

 

1 2 3 4

A = np.array( [[1,1],                [0,1]] ) B = np.array( [[2,0],                [3,4]] )

对应位置一次相乘

 

 

 

 

 

Python

 

1 2 3 4

A*B   array([[2, 0],        [0, 4]])

矩阵乘法

 

 

 

 

 

Python

 

1 2 3 4 5

print (A.dot(B)) print(np.dot(A,B))   [[5 4] [3 4]]

横向相加

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13

a = np.floor(10*np.random.random((2,2))) b = np.floor(10*np.random.random((2,2)))   print(a) print(b) print(np.hstack((a,b)))   [[ 2.  3.] [ 9.  3.]] [[ 8.  1.] [ 0.  0.]] [[ 2.  3.  8.  1.] [ 9.  3.  0.  0.]]

纵向相加

 

 

 

 

 

Python

 

1 2 3 4 5 6

print(np.vstack((a,b)))   [[ 2.  3.] [ 9.  3.] [ 8.  1.] [ 0.  0.]]

矩阵分割

 

 

 

 

 

Python

 

1 2 3 4

#横向分割 print( np.hsplit(a,3)) #纵向风格 print(np.vsplit(a,3))

7. 复制的区别

地址复制

通过 b = a 复制 a 的值，b 与 a 指向同一地址，改变 b 同时也改变 a。

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

a = np.arange(12) b = a print(a is b)   print(a.shape) print(b.shape) b.shape = (3,4) print(a.shape) print(b.shape)   True (12,) (12,) (3, 4) (3, 4)

复制值

通过 a.view() 仅复制值，当对 c 值进行改变会改变 a 的对应的值，而改变 c 的 shape 不改变 a 的 shape

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14

a = np.arange(12) c = a.view() print(c is a)   c.shape = 2,6 c[0,0] = 9999   print(a) print(c)   False [9999    1    2    3    4    5    6    7    8    9   10   11] [[9999    1    2    3    4    5] [   6    7    8    9   10   11]]

完整拷贝

a.copy() 进行的完整的拷贝，产生一份完全相同的独立的复制

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14

a = np.arange(12) c = a.copy() print(c is a)   c.shape = 2,6 c[0,0] = 9999   print(a) print(c)   False [ 0  1  2  3  4  5  6  7  8  9 10 11] [[9999    1    2    3    4    5] [   6    7    8    9   10   11]]