Python科学计算库-Numpy

NumPy 是 Python 语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，也是学习 python 必学的一个库。

1. 读取文件

numpy.genfromtxt() 用于读取 txt 文件，其中传入的参数依次为：

1. 须要读取的 txt 文件位置，此处文件与程序位于同一目录下
2. 分割的标记
3. 转换类型，若是文件中既有文本类型也有数字类型，就先转成文本类型

help(numpy.genfromtxt)用于查看帮助文档：
若是不想看 API 能够启动一个程序用 help 查看指令的详细用法

import numpy world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str) print(type(world_alcohol)) print(world_alcohol) print(help(numpy.genfromtxt)) 

2. 构造 ndarray

numpy.array()构造 ndarray

numpy.array()中传入数组参数，能够是一维的也能够是二维三维的。numpy 会将其转变成 ndarray 的结构。

vector = numpy.array([1,2,3,4]) matrix = numpy.array([[1,2,3],[4,5,6]]) 

传入的参数必须是同一结构,不是同一结构将发生转换。

vector = numpy.array([1,2,3,4]) array([1, 2, 3, 4]) 

均为 int 类型

vector = numpy.array([1,2,3,4.0]) array([ 1., 2., 3., 4.]) 

转为浮点数类型

vector = numpy.array([1,2,'3',4]) array(['1', '2', '3', '4'],dtype='<U21') 

转为字符类型

利用 .shape 查看结构

可以了解 array 的结构，debug 时经过查看结构可以更好地了解程序运行的过程。

print(vector.shape)
print(matrix.shape)
(4,) (2, 3) 

利用 dtype 查看类型

vector = numpy.array([1,2,3,4]) vector.dtype dtype('int64') 

ndim 查看维度

一维

vector = numpy.array([1,2,3,4]) vector.ndim 1 

二维

matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]]) matrix.ndim 2 

size 查看元素数量

matrix.size
9 

3. 获取与计算

numpy 能使用切片获取数据

matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]]) 

根据条件获取

numpy 可以依次比较 vector 和元素之间是否相同

vector = numpy.array([5, 10, 15, 20]) vector == 10 array([False, True, False, False], dtype=bool) 

根据返回值获取元素

vector = numpy.array([5, 10, 15, 20]) equal_to_ten = (vector == 10) print(equal_to_ten) print(vector[equal_to_ten]) [False True False False] [10] 

进行运算以后获取

vector = numpy.array([5, 10, 15, 20]) equal_to_ten_and_five = (vector == 10) & (vector == 5) 

vector = numpy.array([5, 10, 15, 20]) equal_to_ten_or_five = (vector == 10) | (vector == 5) 

类型转换

将总体类型进行转换

vector = numpy.array([5, 10, 15, 20]) print(vector.dtype) vector = vector.astype(str) print(vector.dtype) int64 <U21 

求和

sum() 可以对 ndarray 进行各类求和操做，好比分别按行按列进行求和

matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]]) print(matrix.sum()) print(matrix.sum(1)) print(matrix.sum(0)) 45 [ 6 15 24] [12 15 18] 

sum(1) 是 sum(axis=1)) 的缩写，1表示按照 x轴方向求和，0表示按照y轴方向求和

4. 经常使用函数

reshape

生成从 0-14 的 15 个数字，使用 reshape(3,5) 将其构形成一个三行五列的 array。

import numpy as np arr = np.arange(15).reshape(3, 5) arr array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) 

zeros

生成指定结构的默认为 0. 的 array

np.zeros ((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) 

ones

生成一个三维的 array,经过 dtype 指定类型

np.ones( (2,3,4), dtype=np.int32 ) array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]) 

range

指定范围和数值间的间隔生成 array，注意范围包左不包右

np.arange(0,10,2) array([0, 2, 4, 6, 8]) 

random 随机数

生成指定结构的随机数，能够用于生成随机权重

np.random.random((2,3)) array([[ 0.86166627, 0.37756207, 0.94265883], [ 0.9768257 , 0.96915312, 0.33495431]]) 

5. ndarray 运算

元素之间依次相减相减

a = np.array([10,20,30,40]) b = np.array(4) a - b array([ 6, 16, 26, 36]) 

乘方

a**2 array([ 100, 400, 900, 1600]) 

开根号

np.sqrt(B)

array([[ 1.41421356, 0. ], [ 1.73205081, 2. ]]) 

e 求方

np.exp(B)

array([[  7.3890561 , 1. ], [ 20.08553692, 54.59815003]]) 

向下取整

a = np.floor(10*np.random.random((2,2))) a array([[ 0., 0.], [ 3., 6.]]) 

行列变换

a.T

array([[ 0., 3.], [ 0., 6.]]) 

变换结构

a.resize(1,4) a array([[ 0., 0., 3., 6.]]) 

6. 矩阵运算

矩阵之间的运算

A = np.array( [[1,1], [0,1]] ) B = np.array( [[2,0], [3,4]] ) 

对应位置一次相乘

A*B

array([[2, 0], [0, 4]]) 

矩阵乘法

print (A.dot(B)) print(np.dot(A,B)) [[5 4] [3 4]] 

横向相加

a = np.floor(10*np.random.random((2,2))) b = np.floor(10*np.random.random((2,2))) print(a) print(b) print(np.hstack((a,b))) [[ 2. 3.] [ 9. 3.]] [[ 8. 1.] [ 0. 0.]] [[ 2. 3. 8. 1.] [ 9. 3. 0. 0.]] 

纵向相加

print(np.vstack((a,b)))

[[ 2. 3.] [ 9. 3.] [ 8. 1.] [ 0. 0.]] 

矩阵分割

#横向分割 print( np.hsplit(a,3)) #纵向风格 print(np.vsplit(a,3)) 

7. 复制的区别

地址复制

经过 b = a 复制 a 的值，b 与 a 指向同一地址，改变 b 同时也改变 a。

a = np.arange(12) b = a print(a is b) print(a.shape) print(b.shape) b.shape = (3,4) print(a.shape) print(b.shape) True (12,) (12,) (3, 4) (3, 4) 

复制值

经过 a.view() 仅复制值，当对 c 值进行改变会改变 a 的对应的值，而改变 c 的 shape 不改变 a 的 shape

a = np.arange(12) c = a.view() print(c is a) c.shape = 2,6 c[0,0] = 9999 print(a) print(c) False [9999 1 2 3 4 5 6 7 8 9 10 11] [[9999 1 2 3 4 5] [ 6 7 8 9 10 11]] 

完整拷贝

a.copy() 进行的完整的拷贝，产生一份彻底相同的独立的复制

a = np.arange(12) c = a.copy() print(c is a) c.shape = 2,6 c[0,0] = 9999 print(a) print(c) False [ 0 1 2 3 4 5 6 7 8 9 10 11] [[9999 1 2 3 4 5] [ 6 7 8 9 10 11]]