【Python】numpy_科学计算的基础库
简介
Numpy中的数组的存储效率和输入输出性能均优于Python中等价的基本数据结构
Numpy是一个开源的Python的科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组及矩阵的操作，对于同样的计算任务有着比Python更简洁的指令和更高效的算法。
Numpy使用nadarray对象来处理多维数组，该对象是一个快速而灵活的数据容器。
安装依赖库
pip install numpy
引用
import numpy as np
常用对象
0、np.set_printoptions()用于控制Python中小数的显示精度
np.set_printoptions(precision=None, threshold=None, linewidth=None, suppress=None, formatter=None)
参数
precision：控制输出结果的精度(即小数点后的位数)，默认值为8
threshold：当数组元素总数过大时，设置显示的数字位数，其余用省略号代替(当数组元素总数大于设置值，控制输出值得个数为6个，当数组元素小于或者等于设置值得时候，全部显示)，当设置值为sys.maxsize(需要导入sys库)，则会输出所有元素
linewidth：每行字符的数目，其余的数值会换到下一行
suppress：小数是否需要以科学计数法的形式输出
formatter：自定义输出规则
示例：
# 取消科学计数法 np.set_printoptions(suppress=True)
1、 np.array() 新建数组 <可以直接把list转成ndarray>
语法：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数：
- object 要新建的数组对象
- dtype = None 数组的数据类型
- copy = True 对象是否被复制
- order = None C：按行, F：按列, A:任意 默认 A
- subok = False 返回的数组默认未基类数组，True 返回子类
- ndmin = 0 指定返回数组的最小维数
示例：
# coding:utf-8 import numpy as np np.set_printoptions(suppress=True) # 取消科学计数法 if __name__ == "__main__": """run""" np_a = np.array([1, 2, 3, 4]) print("创建ndarray 数组：", np_a, "类型：", type(np_a), ' ', np_a.shape) np_b = np.array([[0.1, 0.2, 0.3], [11, 12, 13, 14]], dtype=object) print("创建ndarray 数组：", np_b, "类型：", type(np_b), ', shape对应维度元素个数', np_b.shape) np_c = np.array([1, 2, 3, 4], ndmin=3) print("创建ndarray 数组：", np_c, "类型：", type(np_c), 'ndmin,返回数组的最小维数, shape对应维度元素个数', np_c.shape)
执行结果
2、np.arange() 生成range数据
参数：
| start | 起始值（默认为0） |
| end | 终止值（不包含） |
| step | 步长，默认为1 |
| dtype | 返回ndarray的数据类型 |
创建一维等差数组
np_d = np.arange(1, 10, 2) print("生成range数据：", np_d, "类型：", type(np_d), '一维数组元素个数：', np_d.shape)
执行结果：
创建二维等差数组
obj.reshape(shape) 维度变换
npd_a = np.arange(6).reshape(2, 3) print("创建二维等差数组：", npd_a)
执行结果
3、np.ones() 创建指定形状的数组，数组元素以 1来填充
示例
np_e = np.ones(5, dtype=int) print("生成全是1的数组：", np_e)
执行结果：
4、np.zeros()
创建指定形状的数组，数组元素以 0 来填充
示例：
np_f = np.zeros((2, 5), dtype=int) print("生成全是0的数组：", np_f)
执行结果：
5、np.empty 函数返回一个具有指定形状和数据类型的未初始化数组，即数组的元素值取决于内存的状态
参数：
shape 整数或者整数组成的元组 空数组的维度，例如：(2, 3)或者2
dtype 数值类型，可选参数 指定输出数组的数值类型，例如numpy.int8。默认为numpy.float64。
order {‘C’, ‘F’} 可选参数 是否在内存中以C或fortran(行或列)顺序存储多维数据
示例：
np_g = np.empty([2, 2], dtype=int) print("生成指定形状的数组：", np_g)
执行结果：
6、numpy.random 创建随机数组
1） numpy.random.random(size=None) 该方法返回[0.0~1.0)之间的随机浮点数
a = np.random.random(size=10) print("使用random创建一维数组:", a) b = np.random.random(size=(2, 3)) # 2行3列的数组 print("创建二维数组：", b) c = np.random.random(size=(2, 3, 4)) # 两个3行4列 print("创建三维的数组:", c)
执行结果：
2）numpy.random.randint(low,high,size) 该方法返回随机整数,如果只有low，返回范围是[0,low),如果有high,返回范围为[low,high)
aa = np.random.randint(11, size=10) print("创建0~10一维随机整数:", aa) bb = np.random.randint(11, size=(2, 3)) # 2行3列 print("创建0~10二维随机整数:", bb) cc = np.random.randint(5, 11, size=(2, 3, 4)) # 2个3行4列 print("创建5~10三维随机整数:", cc)
执行结果：
3） numpy.random.randn(d0,d1...dn) 创建标准正态分布(期望为0，方差为1) :dn表示每个维度
aaa = np.random.randn(3) print("创建一维:", aaa) bbb = np.random.randn(2, 3) print("创建二维:", bbb) ccc = np.random.randn(2, 3, 4) print("创建三维:", ccc)
执行结果：
4） numpy.random.normal(loc,scale,size) 创建指定期望和方差的正态分布：loc:期望，scale：方差
aaaa = np.random.normal(1) print(aaaa) bbbb = np.random.normal(1, 2, 10) print(bbbb)
执行结果：
7、np.linspace 创建等差数列
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
参数：
start:返回样本数据开始点
stop:返回样本数据结束点
num:生成的样本数据量，默认为50
endpoint：True则包含stop；False则不包含stop
retstep：If True, return (samples, step), where step is the spacing between samples.(即如果为True则结果会给出数据间隔)
dtype：输出数组类型
axis：0(默认)或-1
示例：
npl_a = np.linspace(1, 20, 8, endpoint=False, dtype=int) # endpoint=False 不包括100 print("从[1-20)之间的前8个整数等差数列：", npl_a)
执行结果：
8、logspace 创建等比数列
np.logspace(start,stop,num,endpoint,base,dtype)
参数：
start：代表序列的起始值。
stop：代表序列的终止值。
num：生成的序列数个数。
endpoint：布尔类型值，默认是true。如果为true, 'stop'是最后一个样本；否则，它不包括在内。
base：代表序列空间的底数，默认基底为10。
dtype：代表序列数组项的数据类型。
示例
# 以10为基底的等比数列 ab = np.logspace(-5, 5, 11) abc = np.log10(ab) print(ab) print(abc)
执行结果
9、numpy.full(shape, val) 生成指定形状的数值都是val的array
npf = np.full((2, 2), 8) print("生成全是2的数组：", npf)
执行结果：
10、numpy.eye(n) 生成单位矩阵
npe = np.eye(5, dtype=int) print("生成单位数矩：", npe)
执行结果：
11、numpy.ones_like(a) 按数组a的形状和类型生成全1的数组
12、numpy.zeros_like(a) 按数组a的形状和类型生成全0的数组
13、numpy.full_like (a, val) 按数组a的形状和类型生成数值全是val的数组
数组维度变换
obj.reshape(shape)
obj.resize(shape) 跟numpy.reshape()的区别在于resize()没有返回值，直接对原始数组进行修改
obj.swapaxes(ax1, ax2) 将两个维度调换,numpy中的维数从0开始索引，即如果是个二维的array，则维度的索引值为0 1
obj.flatten() 对数组进行降维，从名字也可以看出，就是把数组打平
数组类型转换
obj.astype(new_type)
obj.tolist() 把ndarray转换成list
对象属性
| .ndim | 秩，轴的数量或维度数量 |
| .shape | 数组的维度，对于矩阵（n,m） |
| .size | 数组元素总个数 |
| .dtype | 元素类型 |
| .itemsize | 每个元素大小，字节为单位 |
| .flags | 对象的内存信息 |
| .real | ndarray元素的实部 |
| .imag | ndarray元素的虚部 |
数学运算
np.sqrt() #开平方根 np.abs() #求模值 np.square() #取平方 np.log() #自然对数 np.log2() #以2为底的对数 np.log10() #以10为底的对数 np.exp() #指数 np.sign() #取符号 np.maximum(a,b) #最大值 np.minimum(a,b) #最小值 np.fmax() #取最大值，返回ndarray np.fmin() #取最小值，返回ndarray np.copysign(a,b) #将b中各元素的符号赋值给数组a的对应元素
统计函数
np.sum(a, axis = None) #求和 np.mean(a, axis = None) #求均值 np.std(a, axis = None) #求标准差 np.average(a, axis = None, weights) #按权重求均值 np.min(a) #最小值 np.max() #最大值 np.argmin() #最小值下标 np.argmax() #最大值下标 np.unravel_index(index, shape) #根据shape将一维下标index转成多维下标 np.median(a) #中值 np.ptp(a) #最大值和最小值的差
拓展
数组定义
单行或单列的数组,称为一维数组
多行多列(含2行2列)的数组是二维数组
如果万事开头难 那请结局一定圆满 @ Phoenixy
-------------------------------------------------------------------------------------
