NumPy从入门到放弃
看前建议：本文以jupyter notebook为编辑器进行示例，建议有一定python基础后再进行学习。
python的安装：https://www.cnblogs.com/scfssq/p/17478132.html
jupyter notebook的安装：https://www.cnblogs.com/kohler21/p/18349764
NumPy简介
公众号：愚生浅末
Numeric Python（简称NumPy）是使用Python进行科学计算的基本包，它是一个Python库，提供了多维数组对象，使用NumPy相较于直接编写Python代码实现，性能更加高效、代码更加简洁。NumPy广泛应用于各类场合，例如在机器学习、数值处理、爬虫等。NumPy主要是围绕Ndarray对象展开，通过NumPy的线性代数库对其进行一系列操作如切片索引、广播、修改数组（形状、维度、元素的增删改）、连接数组等，以及对多维数组的点积等。除了数组，Numpy还有很多函数包括三角函数、统计函数等。
NumPy的重要特点之一就是 n 维数组对象，即 ndarray。
在使用Numpy之前需要线导入Numpy：
import numpy as np生成数组
[*]生成0\1数组
生成0/1数组，利用np.ones(shape, dtype)或np.ones_like(a, shape)、np.zeros(shape, dtype)或np.zeros_like(a, shape)
one_matrix = np.ones() # 生成一个3x3的矩阵，矩阵元素都为1
one_matrix效果：
生成一个3x3的矩阵，矩阵元素都为0
zero_matrix = np.zeros_like(one_matrix)
zero_matrix效果：
[*]从现有数据生成数组，通过np.array(object, dtype)或np.asarray(a, dtype)
arr = np.array([,])
print([,])
arr效果：
arr1 = np.array(arr)
arr1效果：
arr2 = np.asarray(arr)
arr2
可以发现，arr1和arr2与arr1完全一直，但是采用了不同的函数，实际上这两个复制函数是不同的，对于arr1采用的是np.array()，而arr2采用的是np.asarray()。当修改arr的元素值时候，arr1的元素值不会改变，而arr2的元素值会随着arr的元素值的改变而改变，示例如下：
# 修改原数组arr的元素值，对比arr1与arr2的变化
arr = 6
[*]生成固定范围的数组，利用np.arange()
通过np.linspace(start,stop,num=50)、np.arange(,stop=None,)、np.logspace(start,stop,num=50)均可以生成指定范围的数字，以np.arange()示例如下：
arr = np.arange(0, 13, 2)
可以发现生成的数组不包含指定的最后一个数字，因为这个区间设定是左闭右开的。
公众号：愚生浅末
4. 生成随机数组
生成随机数组有多种方法。
rand基本用法
numpy.randon.rand(d0,d1,...dn),产生[0,1)之间均匀分布的随机浮点数，其中d0,d1,...dn标识传入的数组形状。
np.random.rand(2)#产生形状为(2,)的数组，也就是相当于有两个元素的一维数组
np.random.rand(2,4)#产生一个形状为(2,4)的数组，数组中的每个元素是
random基本用法
numpy.random.random(size),产生[0,1)之间的随机浮点数，非均匀分布
numpy.random.random_sample、numpy.random.ranf、numpy.random.sample用法与该函数类似
注意：该函数和rand()的区别
(1)random()参数只有一个参数"size",有3种取值：None,int型整数,int型元组。而在之前的numpy.random.rand()中可以有多个参数。例如，如果要产生一个3*3的随机数组（不考虑服从什么分布)，那么在rand()中的写法是：numpy.random.rand(3,3),而在random中的写法是numpy.random.random((3,3)),这里面是个元组，是有小括弧的。
(2)random()产生的随机数的分布为非均匀分布，numpy.random.rand()产生的随机数的分布为均匀分布
#产生一个[0,1)之间的形状为(3,3)的数组
np.random().random((3,3))
#产生[-5,0)之间的形状为(3,3)的随机数组，即5*[0,1)-5
5*np.random.random_sample((3,3))-5
#产生[5,10)之间的形状为(3,3)的随机数组，即10*[0,1)-5[0,1)+5
(10-5)*np.eandom.random_sample((3,3))+5numpy.random.uniform
np.random.uniform(0.0, 1.0,size=None),从指定范围内产生均匀分布的随机浮点数，如果在seed()中传入的数字相同，那么接下来生成的随机数序列都是相同的，仅作用于最接近的那句随机数产生语句
#默认产生一个[0,1)之间随机浮点数
np.random.uniform()
#默认产生一个[1,5)之间的形状为(2,4)的随机浮点数
np.random.uniform(1,5,size=(2,4))randn基本用法
np.random.randn(d0,d1,...,dn),产生服从于标准正态分布（均值为0，方差为1）的随机浮点数，使用方法和rand()类似
# 产生形状为(2,)的数组
np.random.rand(2)
# 产生形状为(2,4)的数组
np.random.rand(2,4)如果要指定正态分布的均值和方差，则可以使用这个公式：
sigma * np.random.randn(...) + mu:2.5 *np.random.randn(2,4) + 3注意：2.5是标准差（不是方差），3是期望
normal基本用法
numpy.random.normal(loc=0.0, scale=1.0, size=None)，产生服从正态分布（均值为loc，标准差为scale）的随机浮点数
#产生均值为1标准差为10形状为(1000,)的数组
np.random.normal(1,10,100)
#产生均值为3标准差为2形状为(2,4)的数组
np.random.normal(3,2,size=(2,4))randint基本用法
numpy.random.randint(low[,high,size,dtype]),产生[low,high)之间的随机数，如果high不知名，则产生[0,low)之间的随机整数，size可以是int整数，或者int型的元组，标识产生随机数的个数，或者随机数组的形状。dtype标识具体随机数的类型，默认是int，可以指定成int64.
#产生一个[0,10)之间的随机整数
np.random.randint(10)
#产生一个[0,10)之间的随机整数8个，以数组的形式返回
np.random.randint(10,size=8)
#产生一个[5,10)之间的形状为(2,4)的随机整数8个，以数组的形式返回
np.random.randint(5,10,size=(2,4))choice基本用法
numpy.random.choice(a, size=None, replace=True, p=None),从一维arrary a中按概率p选择size个数组，若a为int，则从np.arrange(a)中选择，若a为array，则直接从a中选择。
numpy.random.choice(5,3)#从np.arrange(a)中等概率选择3个，等价于np.random.randint(0,5,3)
numpy.random.choice(5,3,p=)#从np.arrange(a)中按概率p选择3个
numpy.random.choice(5,3,p=
numpy.random.choice(5,3,replace=False,p=)
aa_milne_arr = ['pooh','rabbit','piglet','Christopher']
np.random.choice(aa_milne_arr,5,p=)numpy.random.shuffle
numpy.random.shuffle(x)按x的第一个维度进行打乱，x只能是array
np.random.shuffle(np.arange(9).reshape((3,3)))#对np.arange(9).reshape((3,3))打乱numpy.random.permutation
numpy.random.permutation(x),按x的第一个维度进行打乱，若a为int，则对np.arrange(a)打乱，若a为array,则直接对a打乱
np.random.permutation(10)#对np.arange(10)打乱
np.random.permutation(np.arange(9).reshape((3,3)))#对np.arange(9).reshape((3,3))打乱numpy.random.seed
若果在seed()中传入的数字相同，那么接下来生成的随机数序列都是相同的，仅作用于最接近的那句随机数产生语句
np.random.seed(10)
temp1 = np.random.rand(4)
np.random.seed(10)
temp2=np.random.rand(4)
temp3=np.random.rand(4)上述temp1和temp2是相同的，temp3是不同的，因为seed仅作用于最接近的那句随机数产生语句。
numpy.linspace
numpy.linspace(start,stop,num=50,endpoint = True,retstep = False,dtype = None,axis = 0),区间均等分
np.linspace(2.0,3.0,num=5) #array()
np.linspace(2.0,3.0,num=5,endpoint=False) #array()
np.linspace(2.0,3.0,num=5,retstep=True) #(array(),0.25)zeros(),ones(),empty(),eye(),identity(),diag()
[*]zeros(),ones(),empty()三者用法一样，np.zeros(3,dtype=int) np.zeros((2,3))
[*]使用empty()时需要对生成的每一个数进行重新赋值，否则即为随机数，所以慎重使用
[*]np.eye(2,3,k=1)he np.identity(3) : np.identity只能创建方形矩阵，np.eye可以创建矩形矩阵，且k值可以调节，为1 的对角线的位置偏离度，0居中，1向上偏离1,2向上偏离2，以此类推，-1向下偏离。值的绝对值过大就偏离出去了，整个矩阵就全是0了。np.diag可以创建对角矩阵。
数组的索引、切片
ndarray的索引、切片与list稍不同，他只有一个'[]'代码如下：
arr = np.array([ [,], [,] ])
list1 = [ [,], [,] ]
# 以下两种方法取值相同
a1 = arr
b1 = arr[:]
print(list1[:])# list只能用两个中括号来取值
print(a1, b1) # []
a2 = arr
print(a2) # 1可以看到ndarray的切片索引方法就是：对象先行后列,依据对象的纬度输入的参数也不同。对于ndarray来说，以下两种索引方式均可以。
a = [,], [,]
b = np.array(a)
print(b)# array()
print(b)# array()而对于二维的list而言，只能使用[][][] []索引
a = [,], [,]
# b = np.array(a)
# print(a), 该种索引方式会报错
print(a)# 形状修改
通过ndarray.T可以实现一个矩阵的转置，代码如下：
arr = np.array([,])
arr.T# [,]
可以通过ndarray.reshapre()将arr变成一个1行4列的数组，reshape()实际上是将原来的数组压平成一维数组，然后再重新排序成目标形状，但不改变原数组。代码如下：
new_arr = arr.reshape()
new_arr# []也可以通过ndarray.resize()实现改变结构，但是resize()会改变原数组，而不是直接返回一个新数组。代码如下：
arr.resize()
arr# []
通过np.repeat(a,reps,axis)，可以实现对原数组的复制、重构。其中a是目标数组，reps是重复的次数，axis标识沿某个方向复制。若axis=0，则沿第0个维度变化的方向复制，即增加了行数，若axis=None，则原数组会展平成一维数组，代码如下：
arr = np.array([, ])
flat_arr = np.repeat(arr, 2)
flat_arr# re_arr = np.repeat(arr, 2, axis = 1)
re_arr# [, ]通过np.tile(a, reps)，以可以实现对通过复制原数组构建新的数组，其中a是目标数组，reps是重复的次数。相较于np.repeat()，np.tile()的参数更少，但而这实现的功能是类似的，但其复制的规则不同，np.tile()是对整个array进行复制，np.repeat()是对其中的元素进行复制代码如下：
arr = np.array([, ])
flat_arr = np.tile(arr, 2)
flat_arr# tile_arr = np.tile(arr, (2, 1))
tile_arr# [, , , ]通过np.concatenate((a, b), axis)可以实现对数组的连接,其中a、b分别标识两个数组；axis表示沿着第几个维度叠加，例如，axis=0时，即沿第0个维度变化的方向相加，代码如下：
a = [, ]
b = [, ]
res1 = np.concatenate((a, b), axis = 0)
res1# [, , , ]
res2 = np.concatenate((a, b), axis = 1)
res2# [, ]此外，np.vstack((a, b))的作用与np.concatenate((a, b), axis = 0)相似，np.hstack((a, b))的作用与np.concatenate((a, b), axis = 1)相似,代码如下：
v_res = np.vstack((a, b))
v_res# [, , , ]h_res = np.hstack((a, b))
h_res# [, 类型修改
首先生成一个数组，代码如下：
# 生成数组
arr = np.array([, ])可以通过ndarray.astype(str)将这个数组中的每个元素都变成string类型，该方法不改变原数组，而是返回一个新数组，代码如下：
arr1 = arr.astype(str)
arr1# [['1' '2'], ['3' '4']]数组的通用函数
通过np.unique()可以实现对一个现有数组，除去其中重复的元素，返回一个没有重复元素的一维数组，且这个方法不会改变原数组，代码如下：
arr = np.array([,])
unique = np.unique(arr)
unique# 如果按某个维度去重，则使用axis指定去重维度即可，代码如下：
a = [,], [,]
b = np.array(a)
c = np.unique(b, axis=0)
print(c)# array([[, ]])通过np.intersect1d()和np.union1d()，可以分别实现求两个矩阵的交集和并集。代码如下：
a =
b =
print(np.intersect1d(a, b))#
print(np.union1d(a, b))# Numpy中还有一些常用的一元函数、二元函数，在原数组进行操作，直接修改原数组的元素。np.abs()，可以实现计算浮点数、整数或复数的绝对值.
a = [-1, 2, -3, 4]
print(np.abs(a))# np.sqrt()，可以实现计算元素的平方根，相当于Python中的“ ** ”的反函数
b =
print(np.sqrt(b))#
print(2**2)np.square()计算各元素的平方，np.exp()可以计算各元素的e指数，np.power(arr, t)可以计算数组中各元素t次方
# np.square()计算各元素的平方，np.exp()可以计算各元素的e指数，np.power(arr, t)可以计算数组中各元素t次方
a = [-1, 2, -3, 4]
print(np.square(a))#
print(np.exp(a))#
print(np.power(a, 3)) # [ -1, 8, -27, 64]np.isnan()用于判断数组中哪些元素是空值
c =
print(np.isnan(c))#
np.sum(np.isnan(c))np.where()可以对数组进行筛选，有两种用法：
1、np.where(condition, x, y)：x, y是两个数组，condition指选择条件，若满足条件则输出x，否则，输出y；
2、np.where(condition)：condition是一个条件，输出数组中满足条件的下标。
a = [, ]
b = [, ]
c =
print(np.where([, ], a, b))# [, ]
np.where(np.array(c)>2)c = np.array(a)
np.where(c > 1)输出结果：
(array(, dtype=int64), array(, dtype=int64))Numpy也实现了三角函数的计算，np.sin()，np.cos()，np.tan()
a = [-1, 2, -3, 4]
print(np.sin(a))# [-0.84147098, 0.90929743, -0.14112001, -0.7568025 ]
print(np.cos(a))# [ 0.54030231, -0.41614684, -0.9899925, -0.65364362]
print(np.tan(a))# [-1.55740772, -2.18503986, 0.14254654, 1.15782128]线性代数
NumPy的中的np.linalg模块实现了许多矩阵的基本操作，如：求对角线元素，求对角线元素的和（求迹）、矩阵乘积、求解矩阵行列式等。
首先生成两个数组，代码如下：
# 生成两个数组
a =
b = [, , ]通过np.diag(matrix)，matirx为一个矩阵，当matrix为二维数组时，以一维数组的形式返回方阵的对角线；当matrix为一维数组时，则返回非对角线元素均为0的方阵。
print(np.diag(a))# [, , ]
print(np.diag(b))# 通过np.trace()，可以计算矩阵对角线元素的迹
print(np.trace(b))# 10通过np.dot()可以实现矩阵乘积
print(np.dot(b, a))# 通过np.det()可以计算矩阵的行列式
np.linalg.det(b)# -196.00000000000009np.linalg.eig()可以计算方阵的特征值、特征向量
eig = np.linalg.eig(b)array([-4.40641364,9.92452468,4.48188896])
# 特征值
eig# [-4.40641364, 9.92452468, 4.48188896]
# 特征向量
eig# [, [-0.15233731,-0.47753756, -0.55399068], [-0.47112676, -0.53325009, 0.4545119]]np.linalg.inv()可以计算矩阵的逆
np.linalg.inv(b)# [[-0.07142857, -0.10714286, 0.32142857], , ]
np.linalg.solve(A，b)可以求解线性方程组Ax=b，A为一个方阵
np.linalg.solve(b,a)# np.linalg.svd(a, full_matrices = 1, compute_uv = 1)可以用于矩阵的奇异值分解，返回该矩阵的左奇异值（u）、奇异值（s）、右奇异值（v）
svd = np.linalg.svd(b)
svd
统计分析
1） 通过np.sum(a, axis)计算数组a沿指定轴的和；
2） np.mean(a,axis)计算数组a沿指定轴的平均值；
3） min(axis)和a.max(axis)用于获取数组a，沿指定轴的最小值和最大值；
4） np.std(a,axis)计算数组a沿指定轴的标准差；
5） np.var(a,axis)计算数组a沿指定轴的方差；
6） np.argmin(a,axis)和np.argmax(a,axis)分别用于获取数组a，沿指定轴的最小值和最大值的索引。
注：axis=None时，会返回所有元素的和；axis=0时，会沿着第0个维度（也就是列）的变化方向进行计算，即按列求和；axis=1时，则为按行求和，以此类推。
a = np.array([, ])# 通过np.sum(a, axis)计算数组a沿指定轴的和
print(np.sum(a))# 21
print(np.sum(a, axis=0))# #np.mean(a,axis)计算数组a沿指定轴的平均值
print(np.mean(a, axis=1))# # min(axis)和a.max(axis)用于获取数组a，沿指定轴的最小值和最大值
print(a.min(axis=0))# #np.std(a,axis)计算数组a沿指定轴的标准差
print(np.std(a, axis=1))# #np.argmin(a,axis)和np.argmax(a,axis)分别用于获取数组a，沿指定轴的最小值和最大值的索引
print(np.argmax(a, axis=1))# 公众号：愚生浅末
欢迎关注公众号：愚生浅末
来源:https://www.cnblogs.com/kohler21/p/18349772
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]