AI探索（四）NumPy库的使用

NumPy(Numerical Python)

是 Python 语言的一个扩展程序库，支持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。

umPy 是一个运行速度非常快的数学库，主要用于数组计算，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 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

SciPy 是一个开源的 Python 算法库和数学工具包。

SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = )

示例1: 一维数组

import numpy as np

a = np.array([,,])
print a

输出：

/usr/bin/python2.7 /Users/jackey/Documents/python/tensorflow/numpydemo.py
[1 2 3]

Process finished with exit code 0

示例2：二维数组

import numpy as np

a = np.array([[,,],[,,]])
print a

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[[  ]
 [  ]]

Process finished with exit code 

示例3：二维数组

import numpy as np

a = np.array([,,],ndmin = )
print a

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[[  ]]

Process finished with exit code 

示例4：二维数组

import numpy as np

a = np.array([1,2,3],ndmin = 2, dtype = complex)
print a

输出：

/usr/bin/python2.7 /Users/jackey/Documents/python/tensorflow/numpydemo.py
[[1.+0.j 2.+0.j 3.+0.j]]

Process finished with exit code 0

NumPy 数据类型

numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。

下表列举了常用 NumPy 基本类型。

数据类型对象（dtype）

numpy.dtype(object, align, copy)

• object - 要转换为的数据类型对象
• align - 如果为true， 填充字段使其类似C的结构体
• copy - 复制dtype对象， 如果为false，则是对内置数据类型对象的引用

示例：

# -*- coding: UTF- -*-

import numpy as np

#使用标量类型
dt = np.dtype(np.int32)
print(dt)

# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i8')
print(dt)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
int32
int64

Process finished with exit code 

下面实例展示结构化数据类型的使用，类型字段和对应的实际类型将被创建

# -*- coding: UTF- -*-

import numpy as np

dt = np.dtype([('age',np.int8)])
print(dt)

a = np.array([(,),(,),(,)], dtype=dt)
print(a)

print(a['age'])

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[('age', 'i1')]
[(,) (,) (,)]
[  ]

Process finished with exit code 

示例：

# -*- coding: utf- -*-

import numpy as np

student = np.dtype([('name','S20'), ('age','i1'), ('marks','f4')])
print(student)

a = np.array([('abc',,),('xyz',,)], dtype=student)
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')]
[('abc', , .) ('xyz', , .)]

Process finished with exit code 

Numpy数组

NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。

在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

ndarray.ndim用于返回数组的维数，等于秩

示例：

# -*- coding: utf- -*-

import numpy as np

a = np.arange()   #a现在只有1个纬度
print(a.ndim)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py

Process finished with exit code 

ndarray.shape

ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。

ndarray.shape 也可以用于调整数组大小。

示例：

# -*- coding: utf- -*-

import numpy as np

a = np.array([[,,],[,,]])
print(a.shape)

a.shape = (,)
print(a)

a.shape = (,)
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
(, )
[[]
 []
 []
 []
 []
 []]
[[     ]]

Process finished with exit code 

ndarray.itemsize

ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。

例如，一个元素类型为 float64 的数组 itemsiz 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。

示例：

# -*- coding: utf- -*-

import numpy as np

x = np.array([,,,,],dtype=np.int8)
print(x)
print(x.itemsize)

y = np.array([,,,,], dtype=np.float64)
print(y)
print(y.itemsize)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[    ]

[. . . . .]

Process finished with exit code 

ndarray 数组除了可以使用底层 ndarray 构造器来创建外，也可以通过以下几种方式来创建。

numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组：

numpy.empty(shape, dtype = float, order = 'C')

示例：

# -*- coding: utf- -*-

import numpy as np

x = np.empty([,], dtype=int)
print(x)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[[                    -]
 [           ]
 [                ]]

Process finished with exit code 

注意 − 数组元素为随机值，因为它们未初始化。

numpy.zeros

创建指定大小的数组，数组元素以 0 来填充：

numpy.zeros(shape, dtype = float, order = 'C')

示例：

# -*- coding: utf- -*-

import numpy as np

# 默认为浮点数
x = np.zeros()
print(x)

# 设置类型为整数
y = np.zeros((,), dtype=np.int)
print(y)

# 自定义类型
z = np.zeros((,), dtype=[('x', 'i4'), ('y','i4')])
print(z)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[. . . . .]
[    ]
[[(, ) (, )]
 [(, ) (, )]]

Process finished with exit code 

numpy.ones

创建指定形状的数组，数组元素以 1 来填充：

numpy.ones(shape, dtype = None, order = 'C')

示例：

# -*- coding: utf- -*-

import numpy as np

# 默认为浮点数
x = np.ones()
print(x)

# 自定义类型
x = np.ones([,],dtype=int)
print(x)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[. . . . .]
[[ ]
 [ ]]

Process finished with exit code 

创建标准正态分布数组：

# -*- coding: utf- -*-

import numpy as np

a = np.random.randn(,)
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[[-0.16777072  1.15536929  0.15206009]
 [ 0.36466659  0.39643679 -1.06021005]]

Process finished with exit code 

创建随机分布整数型数组。

利用 randint([low,high],size) 创建一个整数型指定范围在 [low.high] 之间的数组：

# -*- coding: utf- -*-

import numpy as np

a = np.random.randint(,,(,))
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[[  ]
 [  ]
 [  ]]

Process finished with exit code 

从已有的数组创建数组

numpy.asarray

numpy.asarray 类似 numpy.array，但 numpy.asarray 只有三个，比 numpy.array 少两个。

numpy.asarray(a, dtype = None, order = None)

示例：

# -*- coding: utf- -*-

import numpy as np

# 将列表转换为ndarray
x = [,,]
a = np.asarray(x)
print(a)

# 将元组列表转换为 ndarray
x = [(,,),(,)]
a = np.asarray(x)
print(a)

# 设置了dtype参数
x = [,,]
a = np.asarray(x, dtype=float)
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[  ]
[(, , ) (, )]
[. . .]

Process finished with exit code 

numpy.frombuffer

numpy.frombuffer 用于实现动态数组。

numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

numpy.frombuffer(buffer, dtype = float, count = -, offset = )

注意：buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。

示例：

# -*- coding: utf- -*-

import numpy as np

s = 'Hello world!'
a = np.frombuffer(s, dtype='S1')
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
['H' 'e' 'l' 'l' 'o' ' ' 'w' 'o' 'r' 'l' 'd' '!']

Process finished with exit code 

numpy.fromiter

numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-)

示例:

# -*- coding: utf- -*-

import numpy as np

# 使用 range 函数创建列表对象
list = range()
it = iter(list)

# 使用迭代器创建 ndarray
x = np.fromiter(it, dtype=float)
print(x)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[. . . . .]

Process finished with exit code 

从数值范围创建数组

numpy.arange

numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：

numpy.arange(start, stop, step, dtype)

# -*- coding: utf- -*-

import numpy as np

x = np.arange()
print(x)

x = np.arange(,,,'float')
print(x)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[    ]
[. .]

Process finished with exit code 

numpy.linspace

numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：

np.linspace(start, stop, num=, endpoint=True, retstep=False, dtype=None)

示例:

# -*- coding: utf- -*-

import numpy as np

a = np.linspace(,,)
print(a)

a = np.linspace(,,)
print(a)

a = np.linspace(,,,endpoint=False)
print(a)

a = np.linspace(,,,endpoint=True)
print(a)

输出：

/usr/bin/python2. /Users/jackey/Documents/python/tensorflow/numpydemo.py
[ .  .  .  .  .  .  .  .  . .]
[. . . . . . . . . .]
[. . . . .]
[.  12.5 .  17.5 . ]

Process finished with exit code