numpy基础知识

ndarray 对象

ndarray对象的属性

表示一个 n 维数组, 描述相同类型的元素集合, 基于0的索引访问

创建 ndarray

1	numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

object: 可以返回一个数组或任何(嵌套)序列的对象。
dtype: 数据类型对象
copy: 对象是否被复制
order: C 安行, F 按列, 或者默认(A)
subok: 默认情况下，返回的数组被强制为基类数组。如果为true，则返回子类
ndmin: 指定返回数组的最小维数。

# 最小维度  
import numpy as np
a = np.array([[1,2,3], [1,2,4]], dtype= float ,ndmin =  2)
print(a)
print(a.shape)
print(a.dtype)
print(a.ndim)
print(a.size)
#output:
[[ 1.  2.  3.]
 [ 1.  2.  4.]]
(2, 3)
float64
2
6

numpy.array 中的 object 传入参数必须是同一结构的, 否则将进行自动类型转换, 如果指定了 dtype 参数, 则以该参数类型为准(规则与C++类似)

ndarray对象的方法

ndarray.ptp(axis=None, out=None)

ndarray.clip()
ndarray.all()
ndarray.any()
ndarray.swapaxes(axis1, axis2)

numpy支持的数据类型

数据类型对象 dtype

dtype是一个对象, 这个对象所属类的名字叫做 “数据类型”

dtype 通常用于结构化数据类型:

1
2
3

import numpy as np
dt = np.dtype([('age',np.int8)])  
print(dt) #输出如下： [('age', 'i1')]

numpy基本操作

根据下标组成新的数组

1
2
3

a = np.asarray([1,2,3,4,5,6,7,8,9])
c = a[[2,3,4]]
print(c) # [3,4,5]

比较运算符

a = np.array([[1,2,3], [1,2,4]], dtype= float ,ndmin =  2)
# 可以对ndarray中的值依次进行比较运算符, 返回bool数组
print(a == 3)
#out
[[False False  True]
 [False False False]]
#out

 print(a < 3)
 #out
[[ True  True False]
 [ True  True False]]
#out

# 可以根据bool数组对ndarray中的值进行筛选, 返回1维数组
print(a[ a<3 ])
#out
[1. 2. 1. 2.]
#out

向量运算

矩阵运算

矩阵运算主要注意的是axis参数的选择, axis参数的作用是, 沿着axis参数进行运算, 即运算后, 其他维度不变, axis指定的维度消失(所以维度会减1)

numpy常用函数

ndarray对象的创建

np.array

该函数会返回一个ndarray对象(注意numpy中不存在array这种数据对象类型).

np.ndarray

该函数也会返回一个ndarray对象, 但是不推荐使用(为啥?), np.ndarray是一个底层的方法, 会被其他多维数组创建方法所调用

np.zeros()

生成默认元素为 0. (注意是float64类型)的ndarray

np.zeros ((3,4))

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

np.ones()

生成默认元素为 1. (注意是float64类型)的ndarray

z = np.ones ((3,4))

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

np.arange()

指定范围和数值间的间隔生成 array，注意范围包左不包右

l = np.arange(0,10,2)  
# 这里与python中的range不同的是, 必须指定第一个元素, 其次, 这里步长可以为小数, python的则不行

[0 2 4 6 8]

np.random

np.random.random:

random,  生成0~1的随机小数,默认类型为float64, 还有其他更多类型的random
np.random.random((2,3))

array([[ 0.86166627,  0.37756207,  0.94265883],
       [ 0.9768257 ,  0.96915312,  0.33495431]])

np.random.randn: 从标准正态分布中随机输出

1	numpy.random.randn(d1,d2,...,dn) # d1,d2,...,dn为维度

np.random.rand: 生成[0,1)之间的随机数据

1	numpy.random.rand(d1,d2,...,dn) # d1,d2,...,dn为维度

ndarray.reshape()

可以对ndarray的维度重新进行调整

arr = np.arange(15).reshape(3, 5)
arr

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

数组拼接

np.append()

np.append(arr, values, axis=None)
参数:

统计类数值

np.median()

1	numpy.median(a, axis=None, out=None, overwrite_input=False, keepdims=False)

沿着指定的轴计算中位数
参数:

a: 类似数组的变量. 不一定非要是ndarray类型, 只要是任何可以转换成ndarray类型的数据变量都可以

np.mean()

1	numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<no value>)

返回沿着指定轴的算数平均值
参数:

a: 类似数组的变量.
dtype: 数据类型, 可选参数. 对于整数输入来说, 默认返回值为float64, 对于其他floating输入来说, 返回值类型与输入类型保持一致.

np.round()

np.newaxis

np.stack()

函数原型为 stack(arrays, axis=0), 其中, arrays 既可以是列表, 也可以是数组. 其作用是沿着指定的维度(axis)将数组(如果是列表, 就先将列表转化成numpy数组)中的元素 “堆叠” 起来, 代码示例如下:

首先, 对于列表或者元组, 是 np.stack 会首先将这些列表和元组转化成 numpy 数组, 也可以看做是对将列表作为参数传入到 np.asarray() 中, 例如, 下面的两种写法是等价的:

a = [[1,2,3], [4,5,6]]
b = [[1,2,3], [4,5,6]]

# 下面两语句是等价的
c = np.stack((a,b), axis=0)
c = np.stack(np.asarray((a,b)), axis=0)

即使 a 和 b 本身就是 numpy 数组, 也可以使用 np.asarray(), 如下所示:

a = np.array([1,2,3])
b = np.array([2,3,4])
# 下面两种方式等价
c = np.stack((a,b), axis=0)
c = np.stack(np.asarray((a,b)), axis=0)

下面我们来看看其他更多的情况

import numpy as np

# 创建一个二维数组 a
a = np.asarray([[1,2,3],[4,5,6]])
print(a) # [[1 2 3] [4 5 6]]
print(a.shape) # (2, 3), 故 a 具有两个维度, 其中, 第一个维度的size为2, 第二个维度的size为3

# 在a的第一个维度上, 具有两个元素, 分别为 [1 2 3] 和 [4 5 6]
print(a[0]) # [1 2 3]
print(a[1]) # [4 5 6]

# 在a的第二个维度上, 具有三个元素, 分别为:
print(a[0][0]) # 1
print(a[0][1]) # 2
print(a[0][2]) # 3
print(a[1][0]) # 4
print(a[1][1]) # 5
print(a[1][2]) # 6

# 我们按照定义, 沿着第一个维度(axis=0)将元素堆叠起来, 也就是将元素 [1 2 3] 和 [4 5 6] 堆叠起来, 为:
a_0 = np.stack(a, axis=0)
print(a_0) # [[1 2 3] [4 5 6]]
print(a_0.shape) # (2, 3)

# 沿着axis=1 将元素堆叠起来
a_1 = np.stack(a, axis=1)
print(a_1) # [[1 4] [2 5] [3 6]]
print(a_1.shape) # (3, 2)

我们发现, a 的值没有发生变化, 实际上就是这样, 因为我们沿着第一维(0轴), 就是相当于 将数组其他维保持不变, 只将0轴堆叠, 也就是将: a[0], a[1], a[2],... 堆叠起来 , 就形成了一个新的数组 a_0 = [a[0] a[1] a[2] ... ], 仔细观察, 这实际上就是 a. 当 axis=1 时, 我们需要保持其他轴不变, 只将 axis=1 轴上的元素堆叠起来, 也就是要分别将 a[0][0], a[1][0], a[0][1], a[1][1], 以及 a[0][2], a[1][2] 堆叠起来.

下面我们再看一个例子来总结 axis 参数的作用

a=[[1],[2],[3]]
b=[[1],[2],[3]]
c=[[1],[2],[3]]
d=[[1],[2],[3]]

s1 = np.stack((a,b,c,d), axis=0)
s2 = np.stack((a,b,c,d), axis=1)
s3 = np.stack((a,b,c,d), axis=2)

print(s1.shape) # (4, 3, 1)
print(s2.shape) # (3, 4, 1)
print(s3.shape) # (3, 1, 4)

可以看出, 经过 np.stack(array, axis=n) 操作后, 新的数组的 shape 值会使得原来第一维的大小移动到 axis 指定的维度, 而其他维的大小会相应移动, 但是相对位置不变
知道了维度的变化后, 对于 “堆叠” 的理解就会变得容易得多, 具体来说, 令 n=np.asarray((a,b,c,d)):

对于 axis=0, 我们堆叠的是: n[0], n[1], n[2], a[3]; 每个 n[i] 的维度都是 3×1, 故而最终的维度为 4×3×1
对于 axis=1, 我们堆叠的是: n[0][i], n[1][i], a[2][i], a[3][i] for i in range(3); 每个元素的维度均为
对于 axis=2, 我们堆叠的是: n[0][..][i], n[1][..][i], n[2][..][i], n3[..][i] for i in range(1), 式中的 [..] 范围为 0~2, 姑第一维的维度就是 3, 后面的两个维度就是 1×4 (因为i只有0这一种情况)

np.hstack()

np.vstack()

直接用一个较复杂的情况来说明 vstack() 对维度的影响:

a=[[[1],[2],[3]],[[1],[2],[3]]] # shape: (2, 3, 1)
b=[[[1],[2],[3]],[[1],[2],[3]]]
c=[[[1],[2],[3]],[[1],[2],[3]]]
d=[[[1],[2],[3]],[[1],[2],[3]]]

vs_a = np.vstack(np.array(a)) # shape of a: (2, 3, 1)
print(vs_a.shape) # (6, 1)

vs = np.vstack((a, b, c, d))
print(vs.shape) # (8, 3, 1)

根据维度的变化, 我们很容易知道 vstack() 的作用实际上就是将前两维的元素合成一维, 可以简单理解成一种平铺展开的方式, 如下所示

a= np.array([[[1],[2],[3]],[[1],[2],[3]]])
print(a.shape) # (2, 3, 1)
print(np.vstack(a)) # (6, 1)
# [[1] [2] [3] [1] [2] [3]]

但是注意, 如果传入的数组本身只有两维, 那么就不会将这两维合并, 如下所示:

1
2
3

a = np.array([[1,2,3],[1,2,3]]) # (2, 3)
print(a.shape)
print(np.vstack(a)) # (2, 3) [[1 2 3] [1 2 3]]

https://blog.csdn.net/csdn15698845876/article/details/73380803

np.prod()

乘积

np.newaxis

np.newaxis 在使用上和功能上等价于 None, 使用示例如下:

1 2	x = np.arange(3) # x = array([0 1 2]) x = x[:, np.newaxis] # x = array([[0], [1], [2]])

pad() 填充

https://blog.csdn.net/qq_29592167/article/details/81043640

NumPy模块-线性代数计算库

numpy基础知识

ndarray 对象

ndarray对象的属性

ndarray对象的方法

numpy支持的数据类型

数据类型对象 dtype

numpy基本操作

根据下标组成新的数组

比较运算符

向量运算

矩阵运算

numpy常用函数

ndarray对象的创建

np.array

np.ndarray

np.zeros()

np.ones()

np.arange()

np.random

ndarray.reshape()

数组拼接

np.append()

np.concatenate()

统计类数值

np.median()

np.mean()

np.round()

np.newaxis

np.stack()

np.hstack()

np.vstack()

np.prod()

np.newaxis

pad() 填充