NumPy库的基本使用

1. NumPy基础

全称：Numeric Python

NumPy是Python的科学计算基础库
NumPy底层是C语言编写的，可以对数组进行高效的数学运算
NumPy的ndarray对象可以用来构建多维数组
NumPy能够执行傅里叶变换与重塑多维数组形状
NumPy提供了线性代数，以及随机数生成的内置函数

1.1 为什么需要使用NumPy库？

Python里并没有数组变量类型，常用的list列表类型可以存储不同数据类型的值，这就导致我们需要为每一个元素都单独存储它的数据类型，造成了内存的浪费，当我们需要管理相同类型的值且需要对这些值进行更细节的操作时，Python的列表类型远远达不到我们的要求，且Python的计算速度也太慢。

而NumPy库为Python加上了关键的数组变量类型，每一个数组的所有元素必须是相同的数据类型，且提供了全方面的细节操作，底层用C语言编写，计算速度也很快。

1.2 NumPy ndarray对象

我们在导入NumPy时，通常给其一个别名：np，即import numpy as np

NumPy中的数组对象称为ndarray。
可以使用array()函数创建一个NumPy ndarray对象。

注意：数组输出[ ]中没有逗号，列表有逗号，注意区分

 import numpy as np
 
arr = np.array([1, 2, 3, 4, 5])
print(arr)	# [1 2 3 4 5]
print(type(arr))	# <class 'numpy.ndarray'>

可以将列表、元组或任意类型数组的对象传递给array()方法，然后它将会被转化为ndarray。

 arr = np.array((1, 2, 3, 4, 5))
print(arr)  # [1 2 3 4 5]

1.3 数据类型

理论上来说，数组有好多数据类型，但这里我们只讲解最常用的两种数据类型：整数型数组和浮点型数组，其余类型相同用法。

 arr1 = np.array([1, 2, 3])	# 元素都是整数，则为整数型数组
print(arr1.dtype)   # int64
print(arr1) # [1 2 3]
arr2 = np.array([1.0, 2, 3])	# 元素存在浮点数，则为浮点型数组
print(arr2.dtype)   # float64
print(arr2) # [1. 2. 3.]

1.3.1 数据类型同化原理（个人无法改变集体）

注意：

当整数型数组已经创建完毕，往里插入/修改为浮点数，该浮点数会自动同化为整数（数据截断）
当浮点型数组已经创建完毕，往里插入/修改为整数，该整数会自动同化为浮点数（数据升级）

 arr1 = np.array([1, 2, 3])	# 元素都是整数，则为整数型数组
arr1[1] = 4.1
print(arr1) # [1 4 3]
arr2 = np.array([1.0, 2, 3])	# 元素存在浮点数，则为浮点型数组
arr2[2] = 4
print(arr2) # [1. 2. 4.]

1.3.2 数据类型转化（共同改变定理）

将整个数组的数据类型共同改变，规范化的方式是使用ndarray.astype(想改成的数据类型)。

 arr1 = np.array([1, 2, 3])	# 元素都是整数，则为整数型数组
print(arr1) # [1 2 3]
print(arr1.astype(float))   # [1. 2. 3.]
arr2 = np.array([1.0, 2, 3])	# 元素存在浮点数，则为浮点型数组
print(arr2) # [1. 2. 3.]
print(arr2.astype(int))   # [1 2 3]

只要符合共同改变定理，即可以全部转化成功，所以可以使用数组的共同计算来改变数据类型，最常见的是整数型数组在运算过程中升级为浮点型数组。

浮点型数组在运算过程中一般是不会降级的，所以这里重点考虑整数型数组的升级即可。

 arr1 = np.array([1, 2, 3])	# 元素都是整数，则为整数型数组
print(arr1) # [1 2 3]
# 整数型数组和浮点数做运算(+  -  *)
print(arr1 + 1.0)   # [2. 3. 4.]
# 整数型数组遇到除法运算，即便是除以整数也会变为浮点数(/)
print(arr1 / 1) # [1. 2. 3.]
# 整数型数组和浮点型数组做运算(+  -  *  /)
arr2 = np.array([1.0, 2.0, 3.0])
print(arr1 + arr2)  # [2. 4. 6.]

1.4 数组维度

维度数 = 中括号层数

不同维度的数组之间，从外形上的本质区别是几维数组就有几层中括号。

1.4.1 形状：shape

不同数组有不同的形状表示：

一维数组（向量）：x或(x,)
- 如：[1, 2, 3].shape = (3,)
二维数组（矩阵）：(x, y)
- 如：[[1 2 3]].shape = (1, 3)
三维数组：(x, y, z)
- 如：[[[1 2 3]]].shape = (1, 1, 3)

查询数组形状语法：ndarray.shape

1.4.2 维度转换：reshape

数组的重塑语法：ndarray.reshape(shape)（shape是重塑后的形状参数）

用于调整数组形状，重塑后并不会产生新的数组，只是产生新的视图（类似指针）。

该方法在填写形状值时，给定了其它维度的值，剩下一个维度可以填-1，让它自己去计算。

当把多维数组降为一维数组时，直接reshape(-1)即可

 arr1 = np.arange(10)	# 创建包含0到10的数组，不包括10
print(arr1) # [0 1 2 3 4 5 6 7 8 9]
# 升维
arr2 = arr1.reshape(2, -1)  # 自动计算成（2，5）
print(arr2)
'''
[[0 1 2 3 4]
 [5 6 7 8 9]]
'''
# 降维
arr3 = arr2.reshape(-1)
print(arr3)     # [0 1 2 3 4 5 6 7 8 9]

1.5 NumPy其它属性操作

ndarray.dtype：返回数组的数据类型。
ndarray.itemsize：返回数组中每个元素的大小（即每个元素占用的字节数）。
ndarray.shape：返回数组的形状。
- shape属性的返回值是一个由数组维度构成的元组，如：2行3列的二维数组返回（2，3），该属性也可以用来调整数组维度大小。
ndarray.size：同np.size(ndarray)，返回数组中的所有底层标量元素的个数。
ndarray.ndim：返回数组的维数，如二维数组返回2。
ndarray.flags：返回数组的内存信息，如：ndarray数组的存储方式，以及是否是其它数组的副本等。
ndarray.fill(?)：把某数填充到数组中

 import numpy as np
 
arr = np.array([[1, 2, 3, 4, 5],[6, 7, 8, 9, 10]])
print(arr.dtype)        # int64
print(arr.itemsize)     # 8
print(arr.size)         # 10
print(arr.ndim)         # 2
print(arr.shape)        # (2, 5)
print(arr.flags)
'''
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
 
'''
arr.fill(0)
print(arr)
'''
[[0 0 0 0 0]
 [0 0 0 0 0]]
'''

2. 数组初始化

2.1 创建指定数组

一般来说，当明确知道数组每一个元素的具体数值时，可以使用np.array()函数创建一个NumPy ndarray对象。

向量是最节省内存的数组结构，列矩阵是最消耗内存的数组结构。

 # 创建一维数组——向量
arr1 = np.array([1, 2, 3])
print(arr1)     # [1 2 3]
# 创建二维数组——行矩阵
arr2 = np.array([[1, 2, 3]])
print(arr2)     # [[1 2 3]]
# 创建二维数组——列矩阵
arr3 = np.array([[1], [2], [3]])
print(arr3)
'''
[[1]
 [2]
 [3]]
'''
# 创建二维数组——矩阵
arr4 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr4)
'''
[[1 2 3]
 [4 5 6]]
'''

2.2 创建同值数组

语法：np.zeros(shape)

语法：np.ones(shape)

这两个函数一般用来创建元素均为0或1的数组，同时还可以指定数组形状，需要注意的是，两个函数里的数据类型默认为浮点型，并不是整数，这是为了避免用户后期插入进去的浮点数被截断导致数据损失。

 arr = np.zeros(3)
print(arr)  # [0. 0. 0.]
 
arr = np.zeros((3,2))
print(arr)
'''
[[0. 0.]
 [0. 0.]
 [0. 0.]]
'''
brr = np.ones((4,3))
print(brr)
'''
[[1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j]
 [1.+0.j 1.+0.j 1.+0.j]]
'''

除了创建元素0或1的数组外，该方法还可以用来创建其它同值数组，只需要满足共同改变定理。

 arr = 12 * np.ones(3)
print(arr)  # [12. 12. 12.]

2.3 创建随机数组

使用np.random系列函数可以创建随机数组。

0-1均匀分布的浮点型随机数组：np.random.random(shape)

 arr = np.random.random(5)
print(arr)  # [0.34733891 0.57971267 0.80269101 0.76184404 0.21501071]

该方法很灵活，若想创建50到100范围内均匀分布的3*3随机数组：(100-50) * np.random.random((3,3)) + 50

即：波动值 * np.random.random((3,3)) + 下限

整数型随机数组：np.random.randint(start, end, shape)

 # 创建10到100之间形状为（1，15）的随机矩阵
A = np.random.randint(10, 100, (1, 15))
print(A)    # [[23 96 59 86 92 71 64 19 19 22 18 76 10 63 12]]

服从正态分布的随机数组：np.random.normal(均值, 标准差, (形状))

还有种更简单的写法：np.random.randn(shape)

 A = np.random.normal(0, 1, (2,3))
print(A)    
'''
[[-1.02794824 -1.00740807  0.57600102]
 [ 0.90604223  0.72598196 -0.3247751 ]]
'''
 
A = np.random.randn(2,3)
print(A)
'''
[[-0.85803819  1.55360033 -0.95891918]
 [-0.2942526  -0.28620573 -0.56165943]]
'''

2.4 创建区间数组：arange

可以使用arange()来创建给定数值范围的数组，也叫递增数组。

语法：np.arange(start, end, step)

start：起始值，默认为0（可不写）
end：终止值，不包含该值
step：步长，默认为1（可不写）

数据类型默认为整数，需要浮点型的可以使用np.arange(7.0)或1.0 * np.arange(7)来进行创建，或定义dtype = float。

 arr = np.arange(7)
print(arr)  # [0 1 2 3 4 5 6]
 
arr = np.arange(1, 9, 2, dtype=float)
print(arr)  # [1. 3. 5. 7.]

2.5 创建等差数组：linspace

表示在指定的数值区间内，返回均匀间隔的一维等差数列，默认均分50份。

语法：np.linspace(start, end, num=50, endpoint=True)

num：表示均分多少份（可不写）
endpoint：若为True，则数列包含end，反之不包含（可不写）

 arr = np.linspace(1, 10, 5)
print(arr)  # [ 1.    3.25  5.5   7.75 10.  ]

2.6 创建等比数组：logspace

语法：np.logspace(start, end, num=50, endpoint=True)

 arr = np.logspace(0, 1, 5)
print(arr)  # [ 1.          1.77827941  3.16227766  5.62341325 10.        ]

2.7 创建未初始化的数组

对于未初始化的数组，会给他随便赋一个值。

语法：np.empty(shape, dtype)

shape：指定数组的形状
dtype：数组元素的数据类型，默认为float（可不写）

 arr = np.empty((3,2), dtype=int)
print(arr)
'''
[[-9223369491628071134      806051871720660]
 [       2545226692878        2545226692886]
 [                   3                   29]]
'''

3. 索引与切片

在NumPy中，如果想要访问或修改数组中的元素，可以采用索引或切片的方式，这与Python的list列表是相同的。

3.1 普通索引

访问数组元素需要使用数组索引。

NumPy数组中的索引以0开头，与Java等数组不同的是，其索引可以使用负数。

第一个元素索引号：0，最后一个元素索引号可以表示为：-1（正着数从0开始，倒着数从-1开始）

 arr = np.array([1, 2, 3, 4])
# 获取第一个元素
print(arr[0])
# 获取最后一个元素
print(arr[-1])
# 将第二个和第三个元素相加
print(arr[1] + arr[2])
'''
1
4
5
'''
 
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
# 获取第一维中的第二个元素
print(arr[0, 1])
# 获取第二维中的第4个元素
print(arr[1, 3])
# 用负索引
print(arr[1, -1])
'''
2
8
8
'''

访问矩阵也是一样的道理，注意使用普通索引时，索引外面只套一层中括号。

 [
    [1,2,3],
    [4,5,6],
    [7,8,9]
]
取5：arr[1,1]	# 5
取第二行所有值：arr[1]	# [4,5,6]
取第二列所有制：arr[:,1]	# [2,5,8]		:表示所有
取第一行的前两个值：arr[0,0:2]	# [1,2]		里面可以写切片格式

3.2 花式索引

普通索引用一层中括号，而花式索引用两层中括号。

花式索引更加高效。

 # 向量的花式索引
arr1 = np.arange(0, 100, 10)
print(arr1)     # [ 0 10 20 30 40 50 60 70 80 90]
# 花式索引:取第0个和第2个位置的元素，并将其组成向量输出
print(arr1[[0, 2]]) # [ 0 20]
 
# 矩阵的花式索引
arr2 = np.arange(0, 100, 10).reshape(2, -1)
print(arr2)
'''
[[ 0 10 20 30 40]
 [50 60 70 80 90]]
'''
# 花式索引1：表示先取出第0索引行和第1索引行，再取出第0索引行第1索引列和第1索引行第3索引列的元素
print(arr2[[0, 1], [1, 3]])     # [10 80]
# 花式索引2：
print(arr2[[0, 1, 0], [1, 2, 3]])   # [10 70 30]

怎么理解："，"前的向量表示行元素，后的向量表示列元素，所以两个向量相同位置为一组坐标，按位置找出元素组成新的向量输出打印。

3.3 基本切片

切片方式返回的是数组视图（浅拷贝，类似指针）

NumPy中有两种切片方式。

一种是使用NumPy的内置函数slice()来创建切片对象，将其传入数组中（不推荐）：ndarray[slice(start, end, step)]

 arr = np.array(range(10))
print(arr)      # [0 1 2 3 4 5 6 7 8 9]
print(arr[slice(1, 6, 2)])  # [1 3 5]

一种是直接在ndarray对象上进行冒号切片（推荐）：ndarray[start : end : step]（注意是冒号）

 arr = np.array(range(10))
print(arr)      # [0 1 2 3 4 5 6 7 8 9]
print(arr[1:6:2])  # [1 3 5]

对冒号切片的简单说明：

如果仅输入一个参数，则会返回与索引相对应的元素，如：[3]返回3
如果写这种形式：[:9]，则会返回0-8之间的所有数字（左闭右开）
如果是：[2:]，则会返回从2到最后的所有数字
如果在两个参数之间：[2:9]，则是对两个索引之间进行切片

4. 副本和视图

4.1 副本和视图的区别

副本和数组视图之间的主要区别在于副本是一个新的数组，而视图表示的还是原始数组。

副本拥有数据，对副本所作的任何更改都不会影响原始数组，对原始数组所作的任何更改也不会影响副本。

视图不拥有数据，（类似指针），对视图所作的任何更改都会影响原始数组，对原始数组所作的任何更改也会影响视图。

4.2 副本

副本：arr.copy()

 arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
arr[0] = 8
x[-1] = 88
print(arr)  # [8 2 3 4 5]
print(x)    # [ 1  2  3  4 88]

4.3 视图

视图：arr.view()

 arr = np.array([1, 2, 3, 4, 5])
x = arr.view()
arr[0] = 8
x[-1] = 88
print(arr)  # [ 8  2  3  4 88]
print(x)    # [ 8  2  3  4 88]

4.4 判断数组是数组还是视图

副本拥有数据，而视图不拥有数据。

每个NumPy数组都有一个属性：base，若该数组有数据，则这个base属性返回None。

否则，base属性将引用原始对象。

 arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
y = arr.view()
print(x.base)   # None
print(y.base)   # [1 2 3 4 5]
print(arr.base) # None

5. 数组的变形

5.1 转置

数组的转置方法.T，只对矩阵有效，因此遇到向量（一维数组）需要先将其转为矩阵。

 # 向量的转置
arr1 = np.arange(3)
print(arr1)     # [0 1 2]
arr2 = arr1.reshape(1,-1)
print(arr2)     # [[0 1 2]]
print(arr2.T)
'''
[[0]
 [1]
 [2]]
'''
 
# 矩阵的转置
arr3 = np.arange(10).reshape(2, 5)
print(arr3)
'''
[[0 1 2 3 4]
 [5 6 7 8 9]]
'''
print(arr3.T)
'''
[[0 5]
 [1 6]
 [2 7]
 [3 8]
 [4 9]]
'''

5.2 翻转

数组的反转方法有两个：

np.flipud(ndarray)：表示up-down，上下翻转；
np.fliplr(ndarray)：表示left-right，左右翻转。

注意：向量只能上下翻转，因为向量并不是横着排的，在数学中，它是竖着排的。

 # 向量的翻转
arr1 = np.arange(10)
print(arr1)         # [0 1 2 3 4 5 6 7 8 9]
arr1_ud = np.flipud(arr1)
print(arr1_ud)      # [9 8 7 6 5 4 3 2 1 0]
 
# 矩阵的翻转
arr2 = np.arange(1,21).reshape(4,5)
print(arr2)
'''
[[ 1  2  3  4  5]
 [ 6  7  8  9 10]
 [11 12 13 14 15]
 [16 17 18 19 20]]
'''
arr2_lr = np.fliplr(arr2)	# 左右翻转
print(arr2_lr)
'''
[[ 5  4  3  2  1]
 [10  9  8  7  6]
 [15 14 13 12 11]
 [20 19 18 17 16]]
'''
arr2_ud = np.flipud(arr2)	# 上下翻转
print(arr2_ud)
'''
[[16 17 18 19 20]
 [11 12 13 14 15]
 [ 6  7  8  9 10]
 [ 1  2  3  4  5]]
'''

5.3 重塑

重塑函数：ndarray.reshape()，可以调整数组形状，重塑后并不会产生新的数组，只是产生新的视图（类似指针）。

 # 1. 向量的重塑
arr1 = np.arange(1, 10)
print(arr1)     # [1 2 3 4 5 6 7 8 9]
# 将向量变形为矩阵
arr2 = arr1.reshape(3, 3)
print(arr2)
'''
[[1 2 3]
 [4 5 6]
 [7 8 9]]
'''
 
# 2. 矩阵的重塑
arr3 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr3)
'''
[[1 2 3]
 [4 5 6]]
'''
# 将矩阵变形为向量
arr4 = arr3.reshape(6)
print(arr4)     # [1 2 3 4 5 6]
# 将矩阵变形为其它形状矩阵
arr5 = arr3.reshape(1, 6)
print(arr5)     # [[1 2 3 4 5 6]]

5.4 拼接

两个数组之间可以进行拼接形成一个新的数组。

语法：np.concatenate([ndarray1, ndarray2], axis=0)

axis：表示按什么方向拼接，默认0表示行方向，1表示列方向

5.4.1 向量的拼接

两个向量的拼接，将得到一个加长版的向量。

 a1 = np.array([1,2,3])
a2 = np.array([4,5,6])
a3 = np.concatenate([a1, a2])
print(a3)       # [1 2 3 4 5 6]

5.4.2 矩阵的拼接

两个矩阵可以按照不同的维度进行拼接，但是一定注意：拼接时两个矩阵的维度必须吻合。

且向量和矩阵无法拼接，必须先把向量升级为矩阵。

 a1 = np.array([[1,2,3], [4,5,6]])
a2 = np.array([[7,8,9], [10,11,12]])
# 按第一个维度（行）拼接
a3 = np.concatenate([a1, a2])   # axis = 0(默认)
print(a3)
'''
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
'''
 
# 按第二个维度（列）拼接
a4 = np.concatenate([a1, a2], axis=1)
print(a4)
'''
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
'''

5.5 数组的分割

语法：np.split(ndarray, [start, end])

5.5.1 向量的分割

 a1 = np.arange(10, 100, 10)
print(a1)   # [10 20 30 40 50 60 70 80 90]
# 分割数组
a2, a3, a4 = np.split(a1, [2, 5])
print(a2)   # [10 20]
print(a3)   # [30 40 50]
print(a4)   # [60 70 80 90]

5.5.2 矩阵的分割

矩阵的分割可以根据参数axis按照不同的维度进行，分割出来的子元素都是矩阵。

 a1 = np.arange(1, 9).reshape(2, 4)
print(a1)
'''
[[1 2 3 4]
 [5 6 7 8]]
'''
# 按照第一个维度（行）分割
a2, a3 = np.split(a1, [1])
print(a2)       # [[1 2 3 4]]
print(a3)       # [[5 6 7 8]]
# 按照第二个维度（列）分割
a4, a5, a6 = np.split(a1, [1, 3], axis=1)
print(a4)
'''
[[1]
 [5]]
'''
print(a5)
'''
[[2 3]
 [6 7]]
'''
print(a6)
'''
[[4]
 [8]]
'''

6. 数组的运算

6.1 数组与系数的运算

NumPy的运算符与Python相同：+、-、*、/、**、//、%、（）

 arr = np.arange(1, 9).reshape(2, 4)
print(arr)
'''
[[1 2 3 4]
 [5 6 7 8]]
'''
# 加法
print(arr + 10)
'''
[[11 12 13 14]
 [15 16 17 18]]
'''
# 减法
print(arr - 10)
'''
[[-9 -8 -7 -6]
 [-5 -4 -3 -2]]
'''
# 乘法
print(arr * 10)
'''
[[10 20 30 40]
 [50 60 70 80]]
'''
# 除法
print(arr / 10)
'''
[[0.1 0.2 0.3 0.4]
 [0.5 0.6 0.7 0.8]]
'''
# 平方
print(arr ** 2)
'''
[[ 1  4  9 16]
 [25 36 49 64]]
'''
# 取整
print(arr // 6)
'''
[[0 0 0 0]
 [0 1 1 1]]
'''
# 取余
print(arr % 6)
'''
[[1 2 3 4]
 [5 0 1 2]]
'''

6.2 数组与数组的运算

相同维度数组之间的运算即对应元素之间的运算。

遵循逐元素计算。

 arr1 = np.arange(-1, -9, -1).reshape(2, 4)
print(arr1)
'''
[[-1 -2 -3 -4]
 [-5 -6 -7 -8]]
'''
arr2 = -arr1
print(arr2)
'''
[[ 1  2  3  4]
 [ 5  6  7  8]]
'''
# 加法
print(arr1 + arr2)
'''
[[ 0  0  0  0]
 [ 0  0  0  0]]
'''
# 减法
print(arr1 - arr2)
'''
[[ -2  -4  -6  -8]
 [-10 -12 -14 -16]]
'''
# 乘法
print(arr1 * arr2)
'''
[[ -1  -4  -9 -16]
 [-25 -36 -49 -64]]
'''
# 除法
print(arr1 / arr2)
'''
[[ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]]
'''
# 幂方
print(arr1 ** arr2)
'''
[[      -1        4      -27      256]
 [   -3125    46656  -823543 16777216]]
'''

7. 数组的广播

数组可以进行运算。

 b = np.array([10,20,30,40])
c = b + 1
print(c)        # [11 21 31 41]

如果进行运算的两个数组形状完全相同，它们可以直接做相应的运算。

 a = np.array([0.1,0.2,0.3,0.4])
b = np.array([10,20,30,40])
c = a * b
print(c)        # [ 1.  4.  9. 16.]

 b = np.array([10,20,30,40])
c = b + 1
print(c)        # [11 21 31 41]

但如果两个形状不同的数组呢？它们之间就不能做算术运算了吗？当然不是！为了保持数组形状相同，NumPy 设计了一种广播机制，这种机制的核心是对形状较小的数组，在横向或纵向上进行一定次数的重复，使其与形状较大的数组拥有相同的维度。

 a = np.array([[ 0, 0, 0],
               [10,10,10],
               [20,20,20],
               [30,30,30]])
#b数组与a数组形状不同
b = np.array([1,2,3])
print(a + b)	# 其实就是b数组在纵向上向下拓展了3次（即将第一行重复3次）
'''
[[ 1  2  3]
 [11 12 13]
 [21 22 23]
 [31 32 33]]
'''

8. 数组的遍历

8.1 for循环遍历

当我们在NumPy中处理数组时，可以使用python的基本for循环来完成此操作。

 arr = np.array([1, 2, 3])
for i in arr:
    print(i)
'''
1
2
3
'''

但当我们遍历多维数组时，需要嵌套多个for循环，十分不方便。

8.2 nditer迭代数组

NumPy提供了一个nditer迭代器对象，它可以配合for循环完成对数组元素的遍历。

 a = np.arange(0,5)
#使用nditer迭代器,并使用for进行遍历
for x in np.nditer(a):
   print(x)
   '''
   0
   1
   2
   3
   4
   '''

也可以使用flat模块来迭代，见后文。

8.3 遍历中修改元素值

nditer对象提供了一个可选参数op_flags，表示能否在遍历数组时对元素进行修改。

read-only：只读。遍历时不可以修改
read-write：读写。遍历时可以修改
write-only：只写。遍历时可以修改

 a = np.arange(0,60,5)
a = a.reshape(3,4)
print ("原数组是:",a)
for x in np.nditer(a, op_flags=['readwrite']):
    x[...]=2*x
print ('修改后的数组是：',a)
'''
原数组是: [[ 0  5 10 15]
         [20 25 30 35]
         [40 45 50 55]]
修改后的数组是： [[  0  10  20  30]
                 [ 40  50  60  70]
                 [ 80  90 100 110]]
'''

9. 数组函数

9.1 数学函数

NumPy设计了很多数学函数，这里列举其中最重要的几个。

绝对值函数：np.abs(ndarray)

 arr1 = np.arange(-1, -9, -1).reshape(2, 4)
print(arr1)
'''
[[-1 -2 -3 -4]
 [-5 -6 -7 -8]]
'''
arr2 = np.abs(arr1)
print(arr2)
'''
[[1 2 3 4]
 [5 6 7 8]]
'''

三角函数：np.sin/tan/cos(ndarray)

 arr1 = np.arange(3) * np.pi /2
print(arr1)
'''
[0.         1.57079633 3.14159265]
'''
sin_v = np.sin(arr1)
cos_v = np.cos(arr1)
tan_v = np.tan(arr1)
print(sin_v)    # [0.0000000e+00 1.0000000e+00 1.2246468e-16]
print(cos_v)    # [ 1.000000e+00  6.123234e-17 -1.000000e+00]
print(tan_v)    # [ 0.00000000e+00  1.63312394e+16 -1.22464680e-16]

指数函数：np.exp(ndarray)

 x = np.arange(1,4)
print('x=', x)      # x= [1 2 3]
print('e^x=', np.exp(x))        # e^x= [ 2.71828183  7.3890561  20.08553692]
print('2^x=', 2**x)     # 2^x= [2 4 8]
print('10^x=', 10**x)       # 10^x= [  10  100 1000]

对数函数：np.log(ndarray)

 x = np.array([1, 10, 100, 1000])
print('x=', x)      # x= [   1   10  100 1000]
print('ln(x)=', np.log(x))        # ln(x)= [0.         2.30258509 4.60517019 6.90775528]
print('log2(x)=', np.log(x)/np.log(2))     # log2(x)= [0.         3.32192809 6.64385619 9.96578428]
print('log10(x)=', np.log(x)/np.log(10))       # log10(x)= [0. 1. 2. 3.]

9.2 聚合函数

向量的聚合函数没有axis参数，矩阵有。

最大值函数：np.max()
最小值函数：np.min()

 x = np.random.random((2,3))
print(x)      
'''
[[0.81851887 0.71184876 0.89578074]
 [0.81572543 0.77135001 0.29211341]]
'''
print('按维度一求最大值（列）', np.max(x, axis=0))        # 按维度一求最大值（列） [0.81851887 0.77135001 0.89578074]
print('按维度二求最大值（行）', np.max(x, axis=1))     # 按维度二求最大值（行） [0.89578074 0.81572543]
print('整体求最大值', np.max(x))       # 整体求最大值 0.8957807420711369

求和函数：np.sum()
求积函数：np.prod()

 x = np.arange(10).reshape(2, 5)
print(x)
'''
[[0 1 2 3 4]
 [5 6 7 8 9]]
'''
print('按维度一求和（列）', np.sum(x, axis=0))        # 按维度一求和（列） [ 5  7  9 11 13]
print('按维度二求和（行）', np.sum(x, axis=1))     # 按维度二求和（行） [10 35]
print('整体求和', np.sum(x))       # 整体求和 45

均值函数：np.mean()
标准差函数：np.std()

 x = np.arange(10).reshape(2, 5)
print(x)
'''
[[0 1 2 3 4]
 [5 6 7 8 9]]
'''
print('按维度一求平均（列）', np.mean(x, axis=0))        # 按维度一求平均（列） [2.5 3.5 4.5 5.5 6.5]
print('按维度二求平均（行）', np.mean(x, axis=1))     # 按维度二求平均（行） [2. 7.]
print('整体求平均', np.mean(x))       # 整体求平均 4.5

注意：

当axis=0时，最终结果与每一行的元素个数一致。
当axis=1时，最终结果与每一列的元素个数一致。

大型数组经常会出现缺失值，为了防止聚合函数报错，可以使用安全函数：所有聚合函数前面+nan。

如：np.nansum()、np.nanprod()等

10. 布尔型数组

除了整数型数组和浮点型数组外，还有一种常见多用的数组叫布尔型数组。

10.1 创建布尔型数组

由于NumPy的主要数据类型是整数型数组和浮点型数组，因此布尔型数组的产生需要以下关系符：>、>=、==、!=、<、<=

 arr = np.arange(1, 7).reshape(2, 3)
print(arr)
'''
[[1 2 3]
 [4 5 6]]
'''
# 数组与数字作比较
print(arr > 4)
'''
[[False False False]
 [False  True  True]]
'''
arr1 = np.arange(1, 6)
arr2 = np.flipud(arr1)
print(arr1)     # [1 2 3 4 5]
print(arr2)     # [5 4 3 2 1]
# 同维度数组作比较
print(arr1 > arr2)
'''
[False False False  True  True]
'''

在Python中，逻辑运算符与、或、非是and、or、not，而在NumPy中使用的是&、|、~

 arr = np.arange(1, 10)
print(arr)      # [1 2 3 4 5 6 7 8 9]
# 多个条件
print((arr < 4) | (arr > 6))        # [ True  True  True False False False  True  True  True]

10.2 布尔型数组中与True数量有关的函数

np.sum()：统计布尔型数组里True的个数

 # 创建一个形状为10000的标准正态分布数组
data = np.random.randn(10000)
print(data)
'''
[-2.70125719  0.95444865 -1.84783368 ... -2.06167971 -1.49754748
 -1.90110155]
'''
# 统计该分布中绝对值小于1的元素个数
print(np.sum(np.abs(data) < 1))     # 6846(概率近似0.6827，符合统计学的3σ准则)

np.any()：只要布尔型数组里含有一个及以上的True，即返回True

 arr = np.arange(1, 10)
arr2 = np.flipud(arr)
print(arr)      # [1 2 3 4 5 6 7 8 9]
print(arr2)     # [9 8 7 6 5 4 3 2 1]
# 统计这两个数组里是否有共同元素
print(np.any(arr == arr2))      # True

np.all()：当布尔型数组里全是True时，才返回True。

 # 模拟英语六级成绩，创建10000个样本
arr = np.random.normal(500, 70, size=10000)
print(arr)
'''
[433.68180743 475.226045   529.23949592 ... 670.69732863 462.28717108
 574.00076847]
'''
# 判断是否所有考生都及格了（>425）
print(np.all(arr > 425))        # False

10.3 掩码

掩码，即筛选条件。

若一个普通数组和一个布尔型数组的维度相同，可以将布尔型数组作为普通数组的掩码，以达到筛选普通数组元素的目的。

 mask = np.array([0, 1, 1, 1, 0, 0, 1, 0, 0, 1], dtype=bool)
print(mask)     # [False  True  True  True False False  True False False  True]
arr = np.arange(0, 100, 10)
print(arr)      # [ 0 10 20 30 40 50 60 70 80 90]
# 切片
print(arr[mask])    # [10 20 30 60 90] (只保留True对应位置的元素)

10.4 定位

语法：np.where()

where函数用于在很长的一个数组中定位满足某个条件的元素的索引位置。

 # 模拟英语六级成绩，创建1000个样本
arr = np.random.normal(500, 70, size=1000)
# 找出六级成绩超过 650 的元素所在位置
print(np.where(arr > 650))
'''
(array([ 48,  54, 202, 212, 290, 489, 570, 626, 687, 689, 735]),)
'''
# 找出六级成绩最高分的元素所在位置
print(np.where(arr == np.max(arr)))     # (array([687]),)

由实例可看出，np.where()函数输出的是一个元组，第一个值是位置信息，第二个值是数据类型，若只想获得位置信息，可以使用np.where()[0]。

 print(np.where(arr == np.max(arr))[0])     # [687]

posted @ 2024-10-18 23:54 Zohn-佐恩阅读(53) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

相关博文：

· Pandas库的基本使用

· JS-数组和函数

· 4-NumPy基础

· numpy学习笔记1

· 第04章 NumPy基础：数组和矢量计算

阅读排行：
· 分享一个免费、快速、无限量使用的满血 DeepSeek R1 模型，支持深度思考和联网搜索！
· 25岁的心里话
· 基于 Docker 搭建 FRP 内网穿透开源项目（很简单哒）
· ollama系列01：轻松3步本地部署deepseek，普通电脑可用
· 按钮权限的设计及实现

公告

昵称： Zohn-佐恩
园龄： 1年9个月
粉丝： 0
关注： 3

+加关注

2025年3月

日

一

二

三

四

五

六

	import numpy as np

	arr = np.array([1, 2, 3, 4, 5])
	print(arr) # [1 2 3 4 5]
	print(type(arr)) # <class 'numpy.ndarray'>

	arr1 = np.array([1, 2, 3]) # 元素都是整数，则为整数型数组
	print(arr1.dtype) # int64
	print(arr1) # [1 2 3]
	arr2 = np.array([1.0, 2, 3]) # 元素存在浮点数，则为浮点型数组
	print(arr2.dtype) # float64
	print(arr2) # [1. 2. 3.]

	arr1 = np.array([1, 2, 3]) # 元素都是整数，则为整数型数组
	arr1[1] = 4.1
	print(arr1) # [1 4 3]
	arr2 = np.array([1.0, 2, 3]) # 元素存在浮点数，则为浮点型数组
	arr2[2] = 4
	print(arr2) # [1. 2. 4.]

	arr1 = np.array([1, 2, 3]) # 元素都是整数，则为整数型数组
	print(arr1) # [1 2 3]
	print(arr1.astype(float)) # [1. 2. 3.]
	arr2 = np.array([1.0, 2, 3]) # 元素存在浮点数，则为浮点型数组
	print(arr2) # [1. 2. 3.]
	print(arr2.astype(int)) # [1 2 3]

	arr1 = np.array([1, 2, 3]) # 元素都是整数，则为整数型数组
	print(arr1) # [1 2 3]
	# 整数型数组和浮点数做运算(+ - *)
	print(arr1 + 1.0) # [2. 3. 4.]
	# 整数型数组遇到除法运算，即便是除以整数也会变为浮点数(/)
	print(arr1 / 1) # [1. 2. 3.]
	# 整数型数组和浮点型数组做运算(+ - * /)
	arr2 = np.array([1.0, 2.0, 3.0])
	print(arr1 + arr2) # [2. 4. 6.]

	arr1 = np.arange(10) # 创建包含0到10的数组，不包括10
	print(arr1) # [0 1 2 3 4 5 6 7 8 9]
	# 升维
	arr2 = arr1.reshape(2, -1) # 自动计算成（2，5）
	print(arr2)
	'''
	[[0 1 2 3 4]
	[5 6 7 8 9]]
	'''
	# 降维
	arr3 = arr2.reshape(-1)
	print(arr3) # [0 1 2 3 4 5 6 7 8 9]

	import numpy as np

	arr = np.array([[1, 2, 3, 4, 5],[6, 7, 8, 9, 10]])
	print(arr.dtype) # int64
	print(arr.itemsize) # 8
	print(arr.size) # 10
	print(arr.ndim) # 2
	print(arr.shape) # (2, 5)
	print(arr.flags)
	'''
	C_CONTIGUOUS : True
	F_CONTIGUOUS : False
	OWNDATA : True
	WRITEABLE : True
	ALIGNED : True
	WRITEBACKIFCOPY : False

	'''
	arr.fill(0)
	print(arr)
	'''
	[[0 0 0 0 0]
	[0 0 0 0 0]]
	'''

	# 创建一维数组——向量
	arr1 = np.array([1, 2, 3])
	print(arr1) # [1 2 3]
	# 创建二维数组——行矩阵
	arr2 = np.array([[1, 2, 3]])
	print(arr2) # [[1 2 3]]
	# 创建二维数组——列矩阵
	arr3 = np.array([[1], [2], [3]])
	print(arr3)
	'''
	[[1]
	[2]
	[3]]
	'''
	# 创建二维数组——矩阵
	arr4 = np.array([[1, 2, 3], [4, 5, 6]])
	print(arr4)
	'''
	[[1 2 3]
	[4 5 6]]
	'''

	arr = np.zeros(3)
	print(arr) # [0. 0. 0.]

	arr = np.zeros((3,2))
	print(arr)
	'''
	[[0. 0.]
	[0. 0.]
	[0. 0.]]
	'''
	brr = np.ones((4,3))
	print(brr)
	'''
	[[1.+0.j 1.+0.j 1.+0.j]
	[1.+0.j 1.+0.j 1.+0.j]
	[1.+0.j 1.+0.j 1.+0.j]
	[1.+0.j 1.+0.j 1.+0.j]]
	'''

	arr = np.random.random(5)
	print(arr) # [0.34733891 0.57971267 0.80269101 0.76184404 0.21501071]

	# 创建10到100之间形状为（1，15）的随机矩阵
	A = np.random.randint(10, 100, (1, 15))
	print(A) # [[23 96 59 86 92 71 64 19 19 22 18 76 10 63 12]]

	A = np.random.normal(0, 1, (2,3))
	print(A)
	'''
	[[-1.02794824 -1.00740807 0.57600102]
	[ 0.90604223 0.72598196 -0.3247751 ]]
	'''

	A = np.random.randn(2,3)
	print(A)
	'''
	[[-0.85803819 1.55360033 -0.95891918]
	[-0.2942526 -0.28620573 -0.56165943]]
	'''

	arr = np.arange(7)
	print(arr) # [0 1 2 3 4 5 6]

	arr = np.arange(1, 9, 2, dtype=float)
	print(arr) # [1. 3. 5. 7.]

	arr = np.linspace(1, 10, 5)
	print(arr) # [ 1. 3.25 5.5 7.75 10. ]

	arr = np.logspace(0, 1, 5)
	print(arr) # [ 1. 1.77827941 3.16227766 5.62341325 10. ]

	arr = np.empty((3,2), dtype=int)
	print(arr)
	'''
	[[-9223369491628071134 806051871720660]
	[ 2545226692878 2545226692886]
	[ 3 29]]
	'''

	arr = np.array([1, 2, 3, 4])
	# 获取第一个元素
	print(arr[0])
	# 获取最后一个元素
	print(arr[-1])
	# 将第二个和第三个元素相加
	print(arr[1] + arr[2])
	'''
	1
	4
	5
	'''

	arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
	# 获取第一维中的第二个元素
	print(arr[0, 1])
	# 获取第二维中的第4个元素
	print(arr[1, 3])
	# 用负索引
	print(arr[1, -1])
	'''
	2
	8
	8
	'''

	[
	[1,2,3],
	[4,5,6],
	[7,8,9]
	]
	取5：arr[1,1] # 5
	取第二行所有值：arr[1] # [4,5,6]
	取第二列所有制：arr[:,1] # [2,5,8] :表示所有
	取第一行的前两个值：arr[0,0:2] # [1,2] 里面可以写切片格式

	# 向量的花式索引
	arr1 = np.arange(0, 100, 10)
	print(arr1) # [ 0 10 20 30 40 50 60 70 80 90]
	# 花式索引:取第0个和第2个位置的元素，并将其组成向量输出
	print(arr1[[0, 2]]) # [ 0 20]

	# 矩阵的花式索引
	arr2 = np.arange(0, 100, 10).reshape(2, -1)
	print(arr2)
	'''
	[[ 0 10 20 30 40]
	[50 60 70 80 90]]
	'''
	# 花式索引1：表示先取出第0索引行和第1索引行，再取出第0索引行第1索引列和第1索引行第3索引列的元素
	print(arr2[[0, 1], [1, 3]]) # [10 80]
	# 花式索引2：
	print(arr2[[0, 1, 0], [1, 2, 3]]) # [10 70 30]

	arr = np.array(range(10))
	print(arr) # [0 1 2 3 4 5 6 7 8 9]
	print(arr[slice(1, 6, 2)]) # [1 3 5]

Zohn-佐恩

一个被学历折磨一生的普通程序员...