[Pytorch] Numpy基本用法

numpy(numerical python简称) 的核心内容是narray（多维数组），记录numpy的用法

• 建立数组

(1) 直接导入

import numpy as np vector = np.array([1,2,3,4]) maxtrix = np.array([[1,2],[3,4],[5,6]])

(2) 用list的方式来建立数组

nparray = np.array([i for i in range(10)])

     结果：

(3) numpy 内置方法来建立数组

#建立10个零元素的向量
np.zeros(10,dtype=int) #dtype指定数据类型，默认是float64 np.zeros(10) #数据类型是float64

#建立3x4的零矩阵
np.zeros(shape=(3,4))
np.zeros((3,4))
np.zeros([3,4])

#建立元素为1的数组
np.ones((3,4))#3x4 全1的二维数组，数据类型是float64

#建立所有为指定值的数组
np.full((3,5),121) #3x5 全为121的二维数组，数据类型是int（121是int）

#建立指定范围的数组
np.arange(0,20,2)#前2个参数数范围（前闭后开），第3个参数是步长2，默认是1，返回的结果是：array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
np.linspace(0,20,5)#[0,20]分红5等分 返回结果：array([ 0., 5., 10., 15., 20.])

#random建立数组
np.random.randint(0,10,10) #产生一个0~10范围内的10个随机数
np.random.randint(0,10,size=(3,5))#建立一个3x5的数组，数组元素是范围在[0,10)内的随机数

• Numpy的方法

(1)reshape(row,column)

　　将array改为row X colum的数组

a = np.arange(15).reshape(3,5) #执行结果 [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]

(2)shape

　　获取array的行数和列数

a = np.arange(15).reshape(3,5) print(a.shape) ##执行结果：（3,5）

(3)ndim

　　获取array的维数，向量是1维，矩阵是2维。。。

x = np.arange(15) print(x.ndim) ##执行结果是1 X = x.reshape(3,5) print(X.ndim) #执行结果是2

•  Numpy索引

matrix = np.array([[1,2,3],[20,30,40]]) print(matrix[0,1]) #取第0行第1列的元素：2 print(matrix[0][1])#和上面同样：2 #切片取 matrix = np.array([[5,10,15],[20,25,30],[35,40,45]]) print(matrix[:,1]) #取第1列的全部元素 print(matrix[:,0:2])#取第0列和第1列全部元素 print(matrix[1:3,:])#取第1行和第2行的全部元素 print(matrix[1:3,0:2])#取第1行第0~1列和第2行第0~1列的全部元素

• Numpy矩阵运算

(1)算术运算：加，减，乘，除，平方等等。算术运算都是对元素作处理（elementwise）

 

 

 

 

(2)矩阵乘法

mymatrix = np.array([[1,2,3],[4,5,6]]) a = np.array([[1,2],[3,4],[5,6]]) print(mymatrix.shape[1] == a.shape[0]) print(mymatrix.dot(a)) print(mymatrix)

(3) 矩阵的转置

a = np.array([[1,2,3],[4,5,6]]) print(a.T)

(4) 矩阵的逆

import numpy.linalg as lg A = np.array([[0,1],[2,3]]) invA = lg.inv(A) print(A) PRINT(A.dot(invA))

• Numpy数据类型转换

　　　　numpy的数据类型在定义的时候，能够经过参数dtype设定，还能够经过参数astype来转换

vector = np.array(['1','2','3']) vector = vector.astype(float) print(vector.dtype) #float64

• Numpy的统计计算方法

##sum():计算矩阵元素和 matrix = np.array([[5,10,15],[20,10,30],[35,40,45]]) matrix.sum()#结果是210  matrix.sum(axis=0)#返回每列总和，结果是 array([35, 40, 45]) matrix.sum(axis=1)#返回每行总和，结果是 array([ 30, 60, 120]) #max():取最大值 matrix.max()#返回最大值，结果是45 matrix.max(axis=0)#返回每一列的最大值，结果是array([35, 40, 45]) matrix.max(axis=1)#返回每一行的最大值，结果是array([15, 30, 45]) #mean():平均值 matrix.mean()#返回最大值，结果是23.333333333333332 matrix.mean(axis=0)#返回每一列的最大值，结果是array([20., 20., 30.]) matrix.mean(axis=1)#返回每一行的最大值，结果是array([10., 20., 40.])

• Numpy的arg运算

(1) argmax函数：求数组中最大值的下标

(2) argmin函数：求数组中最小值的下标

matrix = np.array([[5,10,15],[20,10,30],[35,40,45]]) print(np.argmax(matrix))#结果：8 print(np.argmin(matrix))#结果：0

(3) argsort()函数：返回从小到大的索引值

x = np.arange(15) print(x) np.random.shuffle(x) print(x) sx = np.argsort(x) print(sx)

[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] [11 13 14 7 4 12 1 10 2 0 8 6 3 9 5] [ 9 6 8 12 4 14 11 3 10 13 7 0 5 1 2]

• Numpy fancyindexing

　　经过索引取一个值，好比x[0]取第0个值，若是想要返回第3个，第5个等，须要用fancyindexing

x = np.random.randint(0,15,15) ind = [3,5,8] print(x) print(x[ind])

[ 4 3 1 5 12 8 14 11 13 9 0 6 10 2 7] [[4 1] [3 5]]

• Numpy数组的比较

　　返回False/True

matrix = np.array([[5,10,15], [20,25,30], [35,40,45]]) m = (matrix == 25) print(m) 

[[False False False] [False True False] [False False False]]

 

 

Reference: https://docs.scipy.org/doc/numpy/user/quickstart.html

 　　　　　深度学习与图形识别：原理与实践