NumPy模块

NumPy模块的作用

这个模块是用C语言写的模块，主要是用于科学计算。而使用这个模块是基于多维数组的。

数组与列表的区别

一、数组里的元素必须是同一类型的数据 二、数组的大小是固定的。

numpy的安装

pip install numpy

数组对象的创建

数组对象的创建一般有以下的方法（注意首先导入numpy）

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

import numpy as np   # 创建对象的方法，均可带参数dtype指定数组元素的类型 # 方法一、 # arr = np.array([1, 2, 3, 4])   # 方法二、类似于range，不过此处步长可为小数 # arr = np.arange(3, 10, 0.2)   # 方法三、前两个参数与arange一样，但第三个参数表明元素的个数 # arr = np.linspace(3, 10, 10)   # 方法四、由于创建的数组不能为空，以下创建的数组的元素均是0 # arr = np.zeros(3)  # [0. 0. 0.] # arr = np.zeros((3, 5))  # 创建的是3个数组，而每个数组含有5个元素 """ [[0. 0. 0. 0. 0.]  [0. 0. 0. 0. 0.]  [0. 0. 0. 0. 0.]] """   # 方法五、与四类似，但元素均是1 # arr = np.ones(4) # arr = np.ones((3, 5))   # 方法六、随机从内容里筛选出废弃的内存地址 arr = np.empty((3, 5))

ndarray数据类型:dtype

布尔型：bool_ 整数型：int_ int8 int16 int32 int64 无符号整数型：uint8 unit16 uint32 uint64 浮点型：float_ float16 float32 float64 复数型：complex_ complex64 complex128

多维数组的操作

运算

数组与一般的数值型数据也可以进行加减乘除等运算，运算结果是每一个元素都与数值型数据进行运算，例子如下：

?

1 2 3

# 与数值型数据的运算 arr = np.arange(0, 15) print(arr * 2)  # [ 0  2  4  6  8 10 12 14 16 18 20 22 24 26 28]

数组也可以与数组之间进行运算，但注意必须要求两个数组的shape是一样，运算过程是对同一个索引的元素进行运算，例子如下：

?

1 2 3 4

# 与数组的运算 arr = np.arange(0, 15) arr1 = np.arange(3, 18) print(arr*arr1)  # [  0   4  10  18  28  40  54  70  88 108 130 154 180 208 238]

索引

普通索引

一维的索引和列表是一样的，但二维的也可以和列表一样，也可以使用[行号,列号]获取，如下：

?

1 2 3 4 5 6 7 8 9 10 11

# 索引 array2d = np.arange(0, 15).reshape((3, 5)) """ [[ 0  1  2  3  4]  [ 5  6  7  8  9]  [10 11 12 13 14]] """ # 获取7的方式一，但不推荐 print(array2d[1][2])  # 7，第二列的第3个，和列表是一样的 # 获取7的方式二，推荐 print(array2d[1, 2])

布尔索引

请看以下例子：

?

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

# 布尔索引 import random   arr = np.array([random.randint(0, 10) for _ in range(50)]) # 找出大于5的值 print(arr[arr > 5]) # 找出大于5并且是偶数的 print(arr[(arr > 5) & (arr % 2 == 0)]) # 找出大于5或者是偶数的值 print(arr[(arr > 5) | (arr % 2 == 0)]) # 找出小于等于5的值 print(arr[~(arr > 5)])

原理：数组除了可以进行加减等运算，也可以进行布尔运算，得出True或False，如下

?

1 2	arr = np.array([1, 2, 3, 7, 9, 20, 5, 4, 8, 9]) print(arr > 5)  # [False False False  True  True  True False False  True  True]

然后取其对应为True的值

?

1 2	arr = np.arange(5) print(arr[[True, False, False, True, True]])  # [0 3 4]

花式索引

一维数组的例子：

?

1 2 3

arr = np.array([1, 2, 3, 4, 5, 6]) # 取其中索引为0，2，3的 print(arr[[0, 2, 3]])  # [1 3 4]

二维数组的例子：

?

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

arr2d = np.arange(15).reshape((3, 5)) """ [[ 0  1  2  3  4]  [ 5  6  7  8  9]  [10 11 12 13 14]] """ # 取所有行的第2和第4个数字 print(arr2d[:, [1, 3]]) # 但如果在切片中使用两个花式索引，和我们想像中的效果不同 print(arr2d[[0, 1], [1, 3]])  # 相当于print([arr2d[0,1], arr2d[1,3]]) # 如果需要获取1、3、11、13这些值，需要两次切片 print(arr2d[:, [1, 3]][[0, 2]])

切片

一维的和列表切片是一样的，这里主要是说明多维的切片 用法：ndarray对象[行切片,列切片]

?

1 2 3 4 5 6 7 8 9 10

array2d = np.arange(0, 15).reshape((3, 5)) """ [[ 0  1  2  3  4]  [ 5  6  7  8  9]  [10 11 12 13 14]] """ # 获取第二行到第三行的第四个数：数组对象[行数切片,列切片] print(array2d[1:, 3]) # 获取第1行到第二行的前3个数 print(array2d[0:3, :3])

切片的赋值

对切片进行赋值，会把切片的内容改为设置的值，如下：

?

1 2 3 4 5

# 切片赋值 arr1 = np.arange(0, 15) # 把前4个数都改为0 arr1[:5] = 0 print(arr1)  # [ 0  0  0  0  0  5  6  7  8  9 10 11 12 13 14]

但注意以下情况：
arr2 = arr1[0:5]
这样arr1和arr2是同一内存地址，任何一个数组改变，另外一个也会改变

?

1 2 3 4 5

arr1 = np.arange(0, 15) # 引用了arr1，这样其实它们是不会复制，而是指向同一内存地址，所以arr2改变了，arr1也会改变 arr2 = arr1[3:8] arr2[0] = 100 print(arr1)  # [  0   1   2 100   4   5   6   7   8   9  10  11  12  13  14]

而要实现这两个数组是不同的内存地址，可使用copy()方法，则彼此不会影响

?

1 2 3 4

arr1 = np.arange(0, 15) arr2 = arr1[3:8].copy() arr2[0] = 100 print(arr1)  # [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

属性

ndarray对象具有以下属性： dtype:元素类型 size:元素个数 ndim:维度 shape:返回一个元组(行数，列数) T:行与列的转换

?

1 2 3 4 5 6

array2d = np.arange(0, 15).reshape((3, 5)) print(array2d.dtype)  # int32 print(array2d.size)  # 15个元素 print(array2d.ndim)  # 维度 print(array2d.shape)  # (3,5)表示3行5列 print(array2d.T)  # 行与列进行置换

函数

一元函数

接收一个参数 np.sqrt(数组)：计算算术平方根 np.abs(数组)：求绝对值 np.exp(数组)：求指数 np.log(数组）：求指数 np.trunc(数组）：向零取整 np.round/rint(数组)：四舍五入，round还可以指定小数位数 np.floor(数组)：向下取整 np.ceil(数组)：向上取整 np.modf(数组)：把小数和小数点后的分开成两个数组

?

1 2 3 4 5 6

arr = np.linspace(1, 5, 10) print(np.modf(arr)) """ (array([0.        , 0.44444444, 0.88888889, 0.33333333, 0.77777778,        0.22222222, 0.66666667, 0.11111111, 0.55555556, 0.        ]), array([1., 1., 1., 2., 2., 3., 3., 4., 4., 5.])) """

np.isnan(数组)：判断此浮点数是不是nan
np.isinf(数组)：判断此浮点数是不是inf
这里要特别说明一下什么是nan和inf？它们都是浮点数，都是特殊的浮点数。
nan是not a number，不是一个数字，它与任何浮点数包括它自己都不相等！！一般用于表示数据缺失，而在numpy中两个数组相除，如果都为0，则会得出nan

?

1 2	a = float('nan') print(a==a) # false

inf表示无穷大，它大于任何的浮点数，而与自己相等。在数学中，0是不能作为除数，但在numpy 数组中，如果0作为除数，则可以得出无穷大的值

?

1 2 3

a = float('inf') b = float('inf') print(a == b)  # True

isinf和isnan的应用

?

1 2 3 4 5 6 7 8 9

arr1 = np.array([1, 2, 0, 4, 5]) arr2 = np.array([3, 6, 0, 4, 0]) arr3 = arr1 / arr2  # [0.33333333 0.33333333        nan 1.                inf] # 在arr3中把nan去掉 print(arr3[~np.isnan(arr3)]) # 在arr3中把inf去掉 print(arr3[~np.isinf(arr3)]) # 在arr3中把inf和nan都去掉 print(arr3[~(np.isnan(arr3) | np.isinf(arr3))])

np.cos(数组)：求余弦
np.sin(数组)：求正弦
np.tan(数组)：求正切

二元函数

二元函数需要接收两个参数 np.add(数组1,数组2)：相加 np.substract(数组1,数组2)：相减 np.multiply(数组1,数组2)：乘法 np.divide(数组1,数组2)：除法 np.power(数组1,数组2)：乘方 np.mod(数组1,数组2)：求余 以上与用符号是一样的 np.maximun(数组1,数组2)：比较相同位置的值，求最大值

?

1 2 3

arr1 = np.array([1, 6, 8, 4, 3]) arr2 = np.array([5, 6, 3, 5, 9]) print(np.maximum(arr1, arr2))  # [5 6 8 5 9]

np.minimun(数组1,数组2)

方法

数组.astype('数据类型')：指定数据类型 数组.sum()：求数组的总各 数组.mean()：求平均值 数组.std()：求标准差。即先求此数组的平均值，再用数组里的每一个数减去均值，得出的结果再乘方，再把乘方结果加起来，把加起来的结果除以数组元素个数 数组.var()：求平方差 数组.min()：求最小值 数组.max()：求最大值 数组.argmin()：求最大值索引 数组.argmax()：求最大值索引

np.random包

此表的函数用法与python的random差不多，只不过里面可以多了一个shape参数 np.random.rand

?

1 2 3

# 随机生成3个小数 arr1 = np.random.rand(3)  # [0.7977485  0.86182382 0.32340359] print(type(arr1))

np.random.randint
np.random.choice
np.random.shuffle：打乱数组顺序
np.random.uniform