Numpy 介绍
NumPy(Numerical Python) 是 Python语言的一个扩展程序库，支持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。
NumPy的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005年，Travis Oliphant 在 Numeric中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。
包括：
- 一个强大的 N 维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
基本运算
Ndarray 数据结构
NumPy 最重要的一个特点是其 N 维数组对象 ndarray（张量 Tensor 部分略去，请有兴趣自行研究），它是一系列同类型数据的集合，以 0下标为开始进行集合中元素的索引。ndarray对象是用于存放同类型元素的多维数组。ndarray中的每个元素在内存中都有相同存储大小的区域。
numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数
据类型对应上，其中部分类型对应为 Python 内置的类型。
属性
NumPy 的数组中比较重要 ndarray 对象属性有：
基本操作详解
NumPy 数组属性
1、ndarray.ndim 用于返回数组的维数，等于秩
import numpy as np
a = np.arange(24)
print ('a的维数：',a.ndim) # a 现只有一个维度
# 现在调整其大小
b = a.reshape(2,4,3) # b 现在拥有三个维度
print ('b的维数：',b.ndim)
---------------------------
执行结果：
a的维数： 1
b的维数： 3
2、ndarray.shape 也可以用于调整数组大小
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print (a.shape)
---------------------------
执行结果：
(2, 3)
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print (b)
----------------------------
执行结果：
[[1 2]
[3 4]
[5 6]]
NumPy 创建数组
1、numpy.empty、numpy.zeros、numpy.ones初始化
import numpy as np
x = np.empty([3,2], dtype = int)
print (x)
-----------------------
执行结果：
[[1 2]
[3 4]
[5 6]]
import numpy as np
# 默认为浮点数
x = np.zeros(5)
print(x)
print('')
# 设置类型为整数
y = np.zeros((5,), dtype = np.int)
print(y)
print('')
# 自定义类型
z = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print(z)
------------------------
执行结果：
[0. 0. 0. 0. 0.]
[0 0 0 0 0]
[[(0, 0) (0, 0)]
[(0, 0) (0, 0)]]
import numpy as np
# 默认为浮点数
x = np.ones(5)
print(x)
# 自定义类型
x = np.ones([2,2], dtype = int)
print(x)
--------------------
执行结果：
[1. 1. 1. 1. 1.]
[[1 1]
[1 1]]
2、NumPy 从数值范围创建数组
import numpy as np
x = np.arange(5)
print (x)
-----------------
执行结果：
[0 1 2 3 4]
import numpy as np
# 设置了 dtype
x = np.arange(5, dtype = float)
print (x)
-------------------
执行结果：
[0. 1. 2. 3. 4.]
import numpy as np
a = np.linspace(1,10,10)
print(a)
-------------------
执行结果：
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
3、切片
import numpy as np
a = np.arange(10)
print(a[2:])
--------------------
执行结果：
[2 3 4 5 6 7 8 9]
import numpy as np
a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
print(a[2:5])
--------------------
执行结果：
[2 3 4]
import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]], dtype=float)
print(a)
# 从某个索引处开始切割
print('从数组索引 a[1:] 处开始切割')
print(a[1:])
------------------
执行结果：
[[1. 2. 3.]
[3. 4. 5.]
[4. 5. 6.]]
从数组索引 a[1:] 处开始切割
[[3. 4. 5.]
[4. 5. 6.]]
import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print (a[...,1]) # 第2列元素
print (a[1,...]) # 第2行元素
print (a[...,1:]) # 第2列及剩下的所有元素
---------------
执行结果：
[2 4 5]
[3 4 5]
[[2 3]
[4 5]
[5 6]]
import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[...,1:]
print(b)
print(c)
print(d)
-----------------
执行结果：
[[5 6]
[8 9]]
[[5 6]
[8 9]]
[[2 3]
[5 6]
[8 9]]
NumPy 广播(Broadcast)
广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。
import numpy as np
a = np.array([1,2,3,4])
b = np.array([10,20,30,40])
c = a * b
print (c)
-----------------
执行结果：
[ 10 40 90 160]
当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制。如：
import numpy as np
a = np.array([[ 0, 0, 0],
[10,10,10],
[20,20,20],
[30,30,30]])
b = np.array([1,2,3])
print(a + b)
------------------
执行结果：
[[ 1 2 3]
[11 12 13]
[21 22 23]
[31 32 33]]
Numpy 数组操作
numpy.reshape 函数可以在不改变数据的条件下修改形状，格式如下： numpy.reshape(arr, newshape, order='C')
import numpy as np
a = np.arange(8)
print ('原始数组：')
print (a)
print ('')
b = a.reshape(4,2)
print ('修改后的数组：')
print (b)
-------------------
执行结果：
原始数组：
[0 1 2 3 4 5 6 7]
修改后的数组：
[[0 1]
[2 3]
[4 5]
[6 7]]
numpy.ndarray.flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组，格式如下：
ndarray.flatten(order='C')，order：‘C’ – 按行，‘F’ – 按列，‘A’ – 原顺序，‘K’ – 元素在内存中的出现顺序。
import numpy as np
a = np.arange(8).reshape(2,4)
print ('原数组：')
print (a)
print ('')
# 默认按行
print ('展开的数组：')
print (a.flatten())
print ('')
print ('以 F 风格顺序展开的数组：')
print (a.flatten(order = 'F'))
-------------------
执行结果：
原数组：
[[0 1 2 3]
[4 5 6 7]]
展开的数组：
[0 1 2 3 4 5 6 7]
以 F 风格顺序展开的数组：
[0 4 1 5 2 6 3 7]
import numpy as np
a = np.arange(12).reshape(3,4)
print ('原数组：')
print (a)
print ('')
print ('转置数组：')
print (a.T)
------------------
执行结果：
原数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
转置数组：
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]
连接数组
numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组
import numpy as np
a = np.array([[1,2],[3,4]])
print ('第一个数组：')
print (a)
print ('')
b = np.array([[5,6],[7,8]])
print ('第二个数组：')
print (b)
print ('')
# 两个数组的维度相同
print ('沿轴 0 连接两个数组：')
print (np.concatenate((a,b)))
print ('')
print ('沿轴 1 连接两个数组：')
print (np.concatenate((a,b),axis = 1))
----------------
执行结果：
第一个数组：
[[1 2]
[3 4]]
第二个数组：
[[5 6]
[7 8]]
沿轴 0 连接两个数组：
[[1 2]
[3 4]
[5 6]
[7 8]]
沿轴 1 连接两个数组：
[[1 2 5 6]
[3 4 7 8]]
numpy.hstack 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组。
import numpy as np
a = np.array([[1,2],[3,4]])
print ('第一个数组：')
print (a)
print ('')
b = np.array([[5,6],[7,8]])
print ('第二个数组：')
print (b)
print ('')
print ('水平堆叠：')
c = np.hstack((a,b))
print (c)
print ('')
--------------------------
执行结果;
第一个数组：
[[1 2]
[3 4]]
第二个数组：
[[5 6]
[7 8]]
水平堆叠：
[[1 2 5 6]
[3 4 7 8]]
numpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。
import numpy as np
a = np.array([[1,2],[3,4]])
print ('第一个数组：')
print (a)
print ('')
b = np.array([[5,6],[7,8]])
print ('第二个数组：')
print (b)
print ('')
print ('竖直堆叠：')
c = np.vstack((a,b))
print (c)
----------------------
执行结果：
第一个数组：
[[1 2]
[3 4]]
第二个数组：
[[5 6]
[7 8]]
竖直堆叠：
[[1 2]
[3 4]
[5 6]
[7 8]]
转载：https://blog.csdn.net/qq_46485161/article/details/115771177