[[440906]]

Numpy定義

NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數(shù)組與矩陣運算，此外也針對數(shù)組運算提供大量的數(shù)學函數(shù)庫。NumPy 通常與 SciPy(Scientific Python)和 Matplotlib(繪圖庫)一起使用，這種組合廣泛用于替代 MatLab，是一個強大的科學計算環(huán)境，有助于我們通過 Python 學習數(shù)據(jù)科學或者機器學習。

NumPy 主要應(yīng)用包括：

機器學習模型：在編寫機器學習算法時，需要對矩陣進行各種數(shù)值計算。例如矩陣乘法、換位、加法等。NumPy提供了一個非常好的庫，用于簡單(在編寫代碼方面)和快速(在速度方面)計算。NumPy數(shù)組用于存儲訓練數(shù)據(jù)和機器學習模型的參數(shù)。

圖像處理和計算機圖形學：計算機中的圖像表示為多維數(shù)字數(shù)組。NumPy成為同樣情況下最自然的選擇。實際上，NumPy提供了一些優(yōu)秀的庫函數(shù)來快速處理圖像。例如，鏡像圖像、按特定角度旋轉(zhuǎn)圖像等。

數(shù)學任務(wù)：NumPy對于執(zhí)行各種數(shù)學任務(wù)非常有用，如數(shù)值積分、微分、內(nèi)插、外推等。因此，當涉及到數(shù)學任務(wù)時，它形成了一種基于Python的MATLAB的快速替代。

為什么要用numpy

Python中提供了list容器，可以當作數(shù)組使用。但列表中的元素可以是任何對象，因此列表中保存的是對象的指針，這樣一來，為了保存一個簡單的列表[1,2,3]。就需要三個指針和三個整數(shù)對象。對于數(shù)值運算來說，這種結(jié)構(gòu)顯然不夠高效。Python雖然也提供了array模塊，但其只支持一維數(shù)組，不支持多維數(shù)組(在TensorFlow里面偏向于矩陣理解)，也沒有各種運算函數(shù)。因而不適合數(shù)值運算。NumPy的出現(xiàn)彌補了這些不足。(——摘自張若愚的《Python科學計算》)

詳情請參考：

https://numpy.org/doc/stable/index.html

NumPy安裝

因為numpy通常跟 scipy matplotlib一起使用,所以一起安裝三個模塊即可

pip3 install --user numpy scipy matplotlib

numpy array基礎(chǔ)使用

np數(shù)組的創(chuàng)建

import numpy as np 
 
a = np.array([1,2,3,4])，#1行4列矩陣，即一維數(shù)組 
 
b = np.arange(4) # 1行4列矩陣，元素遞增1的一維數(shù)組 
 
c = np.array([[1,2],[3,4]]) # 2行2列矩陣，即二維數(shù)組d = np.arange(4).reshape((2,2)) #變換輸出 2行2列print (a) 
 
print(type(a)) #輸出a的類型print (b) 
 
print (c) 
 
print (d) 

 分別輸出：

[1 2 3 4] 
 
[0 1 2 3] 
 
[[1 2] 
 
[3 4]] 
 
[[0 1] 
 
[2 3]] 

np數(shù)組的廣播

廣播(Broadcast)是 numpy 對不同形狀(shape)的數(shù)組進行數(shù)值計算的方式，對數(shù)組的算術(shù)運算通常在相應(yīng)的元素上進行。如果兩個數(shù)組 a 和 b 形狀相同，即滿足a.shape == b.shape，那么 a*b 的結(jié)果就是 a 與 b 數(shù)組對應(yīng)位相乘。這要求維數(shù)相同，且各維度的長度相同。

例如代碼

a = np.array([1,2,3]) 
b = np.array([10,20,30]) 
c = a * b 
print (c) 

 輸出

[10 40 90] 

數(shù)組廣播相加操作

a = np.array([[ 0, 0, 0], [10,10,10], [20,20,20], [30,30,30]]) #4x3 的二維數(shù)組 
b = np.array([1,2,3]) 
print(a + b) 

 輸出

[[11 12 13] 
 
[2122 23]] 

 下面的圖片展示了數(shù)組 b 如何通過廣播來與數(shù)組 a 兼容。4x3 的二維數(shù)組與長為 3 的一維數(shù)組相加，等效于把數(shù)組 b 在二維上重復(fù) 4 次再運算：

np數(shù)組的切片和索引

ndarray對象的內(nèi)容可以通過索引或切片來訪問和修改，與 Python 中 list 的切片操作一樣。ndarray數(shù)組可以基于0-n的下標進行索引，切片對象可以通過內(nèi)置的 slice 函數(shù)，并設(shè)置 start, stop 及 step 參數(shù)進行，從原數(shù)組中切割出一個新數(shù)組。相信大家理解python list切片相關(guān)操作，一定會對該部分的內(nèi)容感到熟悉，這里舉幾個經(jīng)典的例子：

基礎(chǔ)實例

import numpy as np 
a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9] 
b = a[5] #下標5元素的值 
c = np.array([[1,2,3],[3,4,5],[6,7,8]])print(b) 
print(a[3:5]) #輸出下標3-5的值，注意這里可以輸出下限3，而不包括上限5 
print(c[0,0]) #輸出第一行第一列的元素即[1,2,3]中的1 
print (c[...,1]) #第2列元素print (c[1,...]) # 第2行元素print (c[...,1:]) # 第2列及剩下的所有元素 

 輸出

5 
 
[3 4] 
 
1 
 
[2 4 7] 
 
[3 4 5] 
 
[[2 3] 
 
[45] 
 
[78]] 

布爾索引實例

我們可以通過一個布爾數(shù)組來索引目標數(shù)組。布爾索引通過布爾運算(如：比較運算符)來獲取符合指定條件的元素的數(shù)組。

c = np.array([[1,2,3],[3,4,5],[6,7,8]]) 
print (c[c > 3]) #打印出大于3的元素 

 輸出

[4 5 6 7 8] 

numpy array遍歷

直接上代碼，普通一維數(shù)組

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

 輸出

1 
 
2 
 
3 

 定義一個numpy的二維數(shù)組，二維以上的數(shù)組這里不做討論

arr = np.array([[1, 2, 3], [4, 5, 6]]) 
#遍歷 
for x in arr: 
     print(x) 

 輸出

[1 2 3] 
 
[4 5 6] 

如果想一個一個地輸出每一個元素，可以這樣編寫代碼

for x in arr: 
     for y in x: 
           print(y) 

 輸出

1 
 
2 
 
3 
 
4 
 
5 
 
6 

 上面的方式比較麻煩，我們可以通過方法np.nditer實現(xiàn)一個一個地輸出每一個元素

for x in np.nditer(arr): 
     print(x) 

 輸出

1 
 
2 
 
3 
 
4 
 
5 
 
6 

numpy array元素過濾

實例，在np數(shù)組中，過濾大于2的元素

arr = np.array([1, 2, 3, 4]) 
newarr = arr[arr >2] 
print(newarr) 

 輸出

[3 4] 

怎么樣，是不是非常非常簡單!

numpy array 關(guān)于字符的處理

如果np數(shù)組中存儲的是字符，如果相對字符元素進行相關(guān)操作，需要使用api —np.char

有這樣一個需求，把字符'0.01%','1.1%','1.21%' 中的%去掉，并把字符轉(zhuǎn)型為float類型。如何實現(xiàn)呢?代碼如下：

b=np.array(['0.01%','1.1%','1.21%']) 
newb=np.char.rstrip(b,'%').astype(float) 
print(newb) 

 輸出

[0.01 1.1 1.21] 

其中:

rstrip表示刪除某個字符

astype(float)表示把元素轉(zhuǎn)型為float