Python 科学计算库 Numpy 小结

Python 科学计算库 Numpy 小结

（本文来自本人公众号）

 

       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。

 

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. 需要读取的 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，如果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：

 

如果不想看 API 可以启动一个程序用 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，可以是一维的也可以是二维三维的。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

 

能够了解 array 的结构，debug 时通过查看结构能够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 能够依次比较 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]

 

进行运算之后获取

 

vector = numpy.array([5, 10, 15, 20])

equal_to_ten_and_five = (vector == 10) & (vector == 5)

 

类型转换

 

将整体类型进行转换

 

vector = numpy.array([5, 10, 15, 20])

print(vector.dtype)

vector = vector.astype(str)

print(vector.dtype)

 

int64

<U21

 

求和

 

sum() 能够对 ndarray 进行各种求和操作，比如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. 常用函数

 

reshape

 

生成从 0-14 的 15 个数字，使用 reshape(3,5) 将其构造成一个三行五列的 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,通过 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，可以用于生成随机权重

 

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

 

通过 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

 

通过 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，产生一份完全相同的独立的复制

 

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]]

                                                                        关注下方公众号