Python numpy的基礎(chǔ)知識介紹

這篇文章主要講解了“Python numpy的基礎(chǔ)知識介紹”，文中的講解內(nèi)容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python numpy的基礎(chǔ)知識介紹”吧！

1.基礎(chǔ)知識
NumPy的主要對象是多維數(shù)組。它是由相同元素（通常是數(shù)字）組成的，通過正整數(shù)元組（tuple）作為索引的表格。
在數(shù)組中，緯度（dimensional）被稱為軸（axis），軸的數(shù)量被稱為級（rank），如下面這個數(shù)組，它有兩個軸（axis），第一個緯度（dimension，或者稱為軸axis）長度為2（既縱向），第二個緯度長度為三（既橫向）。

[[ 1., 0., 0.],
[ 0., 1., 2.]]

Numpy的數(shù)組類被稱為ndarray，別名array。要注意numpy.array并不等同于Python標準庫中的array.array，標準庫中的array只提供了一維數(shù)組還有很少的函數(shù)。
1.1 數(shù)組的屬性
ndarray對象的主要屬性有：
ndarray.ndim 緯度或者軸的數(shù)量
ndarray.shape 數(shù)組的每個緯度的尺寸
ndarray.size 數(shù)組元素的總個數(shù)
ndarray.dtype 數(shù)組元素的類型
ndarray.itemsize 數(shù)組元素二進制的大小
ndarray.data 數(shù)組元素容器（不常用）

>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim2>>> a.dtype.name'int64'>>> a.itemsize8>>> a.size15>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>

1.2 創(chuàng)建數(shù)組
通過列表（list）或者元組（tuple）和array（）函數(shù)來建立數(shù)組。元素的類型會依據(jù)序列中元素的類型來判定。

>>> import numpy as np>>> a = np.array([2,3,4])>>> a
array([2, 3, 4])>>> a.dtype
dtype('int64')>>> b = np.array([1.2, 3.5, 5.1])>>> b.dtype
dtype('float64')

數(shù)組將會把序列的序列轉(zhuǎn)換為二維數(shù)組，將序列的序列的序列轉(zhuǎn)化為三維數(shù)組。

>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5, 2. , 3. ], [ 4. , 5. , 6. ]])

可以提前設(shè)置數(shù)組的類型

>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j], [ 3.+0.j, 4.+0.j]])

NumPy提供了創(chuàng)建包含占位符的數(shù)組的函數(shù)，這樣就可以初始化內(nèi)容不先預先確定的數(shù)組。

>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
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]]], dtype=int16)
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260], [ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])

NumPy提供了和range（）類似的函數(shù)arange（）來直接創(chuàng)建序列數(shù)組。

>>> np.arange( 10, 30, 5 )array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 ) # it accepts float argumentsarray([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])

類似的我們還可以使用linspace（）函數(shù)來創(chuàng)建，注意參數(shù)的不同之處

>>> from numpy import pi>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])>>> x = np.linspace

1.3 打印數(shù)組
打印數(shù)組遵循以下三個規(guī)律：
1）最后一個軸是從左往右打印
2）倒數(shù)第二個軸是從上往下打印
3）剩下的軸也是從上到下，每個片段會用空白的行隔開

>>> a = np.arange(6) # 1d array
>>> print(a)
[0 1 2 3 4 5]
>>>
>>> b = np.arange(12).reshape(4,3) # 2d array
>>> print(b)[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]>>>
>>> c = np.arange(24).reshape(2,3,4) # 3d array
>>> print(c)[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]][[12 13 14 15] [16 17 18 19] [20 21 22 23]]]

如果數(shù)組太大，那么NumPy會跳過中間的數(shù)據(jù)，如果不想著這樣需要設(shè)置打印選項

>>> np.set_printoptions(threshold='nan')

1.4 基本操作
算數(shù)運算會被作用在元素對元素。結(jié)果會輸出為新的數(shù)組。

>>> a = np.array( [20,30,40,50] )>>> b = np.arange( 4 )>>> b
array([0, 1, 2, 3])>>> c = a-b>>> c
array([20, 29, 38, 47])>>> b**2array([0, 1, 4, 9])>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])>>> a<35array([ True, True, False, False], dtype=bool)

不同于其他語言的矩陣運算，積運算符（*）也是元素對元素，如果想進行矩陣積運算則需要使用dot（）函數(shù)：

>>> A = np.array( [[1,1], ... [0,1]] )
>>> B = np.array( [[2,0], ... [3,4]] )
>>> A*B # elementwise product
array([[2, 0], [0, 4]])
>>> A.dot(B) # matrix product
array([[5, 4], [3, 4]])
>>> np.dot(A, B) # another matrix product
array([[5, 4], [3, 4]])

一些運算，比如+=，*=會對本身進行更改，而不會產(chǎn)生新數(shù)組：

>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3>>> a
array([[3, 3, 3], [3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437], [ 3.30233257, 3.14675589, 3.09233859]])

當兩種不同類型的數(shù)組進行運算時，結(jié)果將會和更一般的或者精確度更高的數(shù)組保持一致。

>>> a = np.ones(3, dtype=np.int32)>>> b = np.linspace(0,pi,3)>>> b.dtype.name'float64'>>> c = a+b>>> c
array([ 1. , 2.57079633, 4.14159265])>>> c.dtype.name'float64'>>> d = np.exp(c*1j)>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])>>> d.dtype.name'complex128'

ndarray也可以進行一元運算：

>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum()2.5718191614547998>>> a.min()0.1862602113776709>>> a.max()0.6852195003967595

默認情況下，這些運算會把整個數(shù)組當成一個list，而忽略了它的緯度。但是，你可以指定軸（axis）。

>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
>>>
>>> b.sum(axis=0) # sum of each column
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1) # min of each row
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1) # cumulative sum along each row
array([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])

1.5 通用函數(shù)
NumPy提供了常用的數(shù)學函數(shù)比如sin、cos、exp，運算后將會返回數(shù)組。

>>> B = np.arange(3)
>>> Barray([0, 1, 2]) >>> np.exp(B) array([ 1. , 2.71828183, 7.3890561 ]) >>> np.sqrt(B) >array([ 0. , 1. , 1.41421356]) >>> C = np.array([2., -1., 4.]) >>> np.add(B, C) array([ 2., 0., 6.])

1.6 索引、切片和迭代
一維數(shù)組的操作就像list等其他的python序列一樣。

>>> a = np.arange(10)**3>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]8>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000 # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every >>> aarray([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])
>>> a[ : :-1] # reversed aarray([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
>>> for i in a:... print(i**(1/3.))...nan1.0nan3.0nan5.06.07.08.09.0

多維數(shù)組可以通過不同軸進行索引。

>>> def f(x,y):
... return 10*x+y
...
>>> b = np.fromfunction(f,(5,4),dtype=int)
>>> b
array([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]])
>>> b[2,3]23>>> b[0:5, 1] # each row in the second column of b
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1] # equivalent to the previous example
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ] # each column in the second and third row of b
array([[10, 11, 12, 13], [20, 21, 22, 23]])

迭代器：

>>> for row in b:... print(row)...[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]

如果想迭代出每一個元素，則可以使用flat屬性：

>>> for element in b.flat:... print(element)...012310111213202122233031323340414243

感謝各位的閱讀，以上就是“Python numpy的基礎(chǔ)知識介紹”的內(nèi)容了，經(jīng)過本文的學習后，相信大家對Python numpy的基礎(chǔ)知識介紹這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！