NumPy简介
什么是NumPy
NumPy 是一个用于处理数组的 Python 库。
它还包含用于线性代数、傅里叶变换和矩阵领域的函数。
NumPy 由 Travis Oliphant 于 2005 年创建。这是一个开源项目，您可以免费使用。
NumPy 是 Numerical Python 的缩写。
为什么使用NumPy
在 Python 中，我们有类似于数组的列表，但它们的处理速度很慢。
NumPy 的目标是提供一个数组对象，其速度比传统的 Python 列表快 50 倍。
NumPy 中的数组对象称为 ndarray，它提供了许多支持函数，使 ndarray 的使用变得非常简单。
数组在数据科学中经常使用，其中速度和资源非常重要。
数据科学：是计算机科学的一个分支，研究如何存储、使用和分析数据以从中获取信息。
为什么 NumPy 比列表更快？
NumPy 数组存储在内存中的一个连续位置，与列表不同，因此进程可以非常高效地访问和操作它们。
在计算机科学中，这种行为称为引用的局部性。
这是 NumPy 比列表更快的主要原因。此外，它还针对最新的 CPU 架构进行了优化。
NumPy 是用哪种语言编写的？
NumPy 是一个 Python 库，部分是用 Python 编写的，但大部分需要快速计算的部分是用 C 或 C++ 编写的。
Numpy入门
NumPy安装
pip install numpy
或者用conda等其他包管理工具
导入
使用import关键字导入即可, 但一般会使用别名np
import numpy as np
# 检查是否导入成功
print(np.__version__)
创建数组
数组对象被称为ndarray, 可以使用array()函数来创建ndarray对象
import numpy as np
arr = np.array([1,2,3,4,5])
print(arr)
print(type(arr))
type(): 这个内置的 python 函数告诉我们传递给它的对象的类型。就像上面的代码显示 arr 是 numpy.ndarray 类型。
要创建 ndarray，我们可以将列表、元组或任何类似数组的对象传递给 array() 方法，它将被转换为 ndarray：
import numpy as np
arr = np.array((1,2,3,4,5))
print(arr)
数组维度
上面例子都是1维数组, 理论上可以创建无限维度数组, 在np中, 可以使用ndim属性来查看数组维度:
import numpy as np
a = np.array(42)
b = np.array([1, 2, 3, 4, 5])
c = np.array([[1, 2, 3], [4, 5, 6]])
d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
print(a.ndim) # 0
print(b.ndim) # 1
print(c.ndim) # 2
print(d.ndim) # 3
创建数组时，您可以使用 ndmin 参数定义维度数。
import numpy as np
arr = np.array([1, 2, 3, 4], ndmin=5)
print(arr)
print('number of dimensions :', arr.ndim)
数组访问
1维数组访问与原生数组访问无异:
arr[0]
高维数组访问方式, 比如3维数组:
import numpy as np
arr = np.array([
[[1, 2, 3],[4, 5, 6], [7, 8, 9]],
[[4, 5, 6],[7, 8, 9], [1, 2, 3]],
[[7, 8, 9],[1, 2, 3], [4, 5, 6]]
])
print(arr[1, 1, 2])#9
负索引
使用负索引从数组末尾访问数组。
实例
打印第二个维度的最后一个元素：
import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('Last element from 2nd dim: ', arr[1, -1])
数组切片
在python中, 切片意味着从一个给定的索引到另一个给定的索引中取出元素.
我们像这样传递切片: arr[start:end]
还可以定义步长: arr[start:end:step]
各个参数缺省值
start: 0
end: len(arr)
step: 1
import numpy as np
arr = np.array([1,2,3,4,5,6,7,8,9])
print(f"取出索引范围维[1:5]的元素: {arr[1:5]}")
print(f"取出索引从4之后的所有元素: {arr[4:]}")
print(f"对从开头到索引4(不包括)的元素进行切片：{arr[:4]}")
print(f"负切片, 取出[-3:-1]的元素:{arr[-3:-1]}")
print(f"从索引 1 到索引 5 返回每隔一个元素：{arr[1:5:2]}")
output：
取出索引范围维[1:5]的元素: [2 3 4 5]
取出索引从4之后的所有元素: [5 6 7 8 9]
对从开头到索引4(不包括)的元素进行切片：[1 2 3 4]
负切片, 取出[-3:-1]的元素:[7 8]
从索引 1 到索引 5 返回每隔一个元素：[2 4]
多维数组切片
import numpy as np
arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
print(f"从第二个元素开始，切片索引 1 到索引 4（不包括）的元素：{arr[1, 1:4]}")
print(f"从两个元素中，返回索引 2：{arr[0:2, 2]}")
print(f"从两个元素中，切片索引 1 到索引 4（不包括），这将返回一个二维数组：{arr[0:2, 1:4]}")
output：
从第二个元素开始，切片索引 1 到索引 4（不包括）的元素：[7 8 9]
从两个元素中，返回索引 2：[3 8]
从两个元素中，切片索引 1 到索引 4（不包括），这将返回一个二维数组：[[2 3 4]
[7 8 9]]
数据类型
Python中的数据类型
默认情况下, python具有以下数据类型
strings: 用于标识文本数据, 文本在引号下给出, 比如"abc"integer: 用于表示整数, 例如1, 2, 3float: 用于标识浮点数, 比如0.1boolean: 表示真假, True或Falsecomplex: 用于表示复数, 例如1.0+2.0j
NumPy中的数据类型
NumPy具有一些额外的数据类型, 并使用一个字符来引用数据类型, 如i表示整数, u表示无符号整数等
以下是NumPy中所有数据类型的列表及表示它们的字符
i: 整数b: 布尔值u: 无符号整数f: 浮点数c: 复数浮点数m: 时间差M: 日期时间O: 对象S: 字符串U: Unicode字符串V: 用于其他类型(void)的固定内存块
检查数组的数据类型
NumPy数组对象有一个名为dtype的属性, 可返回数组的数据类型:
arr = np.array(['apple', 'banana', 'cherry'])
print(arr.dtype)
创建指定数据类型的数组
arr = np.array([1, 2, 3, 4], dtype='S')
print(arr.dtype)
对于 i、u、f、S 和 U，我们也可以定义大小。
arr = np.array([1, 2, 3, 4], dtype='i4')
转换现有数组的数据类型
更改现有数组的数据类型的最佳方法是使用astype()方法创建数组的副本
astype()函数创建数组的副本, 并允许您指定数据类型作为参数.
astype()函数创建数组的副本, 并允许您指定数据类型作为参数
数据类型可以使用字符串来指定, 如’f’表示浮点数, 'i’表示整数等, 或者您可以直接使用数据类型, 如float表示浮点数, int表示整数
import numpy as np
arr = np.array([1.1, 2.1, 3.1])
newarr = arr.astype('i')
print(newarr)
print(newarr.dtype)
newarr = arr.astype(int)
print(newarr)
print(newarr.dtype)
arr = np.array([1, 0, 3])
newarr = arr.astype(bool)
print(newarr)
print(newarr.dtype)
在线运行本小节所有示例: numpy数据类型
复制与视图
副本与视图之间的区别
数组的副本和视图之间的主要区别在于，副本是一个新数组，而视图只是原始数组的视图。
副本拥有数据，对副本所做的任何更改都不会影响原始数组，对原始数组所做的任何更改也不会影响副本。
视图不拥有数据，对视图所做的任何更改都会影响原始数组，对原始数组所做的任何更改都会影响视图。
制作副本，更改原始数组，然后显示两个数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
arr[0] = 42
print(arr)
print(x)
创建视图，更改原始数组并显示两个数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.view()
arr[0] = 42
print(arr)
print(x)
检查数组是否拥有其数据
如上所述，副本拥有数据，而视图不拥有数据，但是我们如何检查这一点呢？
每个 NumPy 数组都有一个属性 base，如果数组拥有数据，则返回 None。
否则，base 属性将引用原始对象。
打印 base 属性的值以检查数组是否拥有其数据：
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
y = arr.view()
print(x.base) # None
print(y.base) # [1 2 3 4 5]
在线运行: http://jupyter.yan.cpolar.top/lab/workspaces/auto-7/tree/numpy/05. 复制与视图.ipynb
数组形状
数组的形状是每个维度中的元素数量
获取数组形状
数组有一个名为shape的属性, 它返回一个元组, 每个索引都有相应元素的数量
打印二维数组的形状:
import numpy as np
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(arr.shape)
上面的示例返回 (2, 4)，这意味着该数组有 2 个维度，其中第一个维度有 2 个元素，第二个维度有 4 个元素。
在线运行: http://jupyter.yan.cpolar.top/lab/workspaces/auto-7/tree/numpy/06. 数组形状.ipynb
NumPy 数组重塑
重塑意味着改变数组的形状。
数组的形状是每个维度中元素的数量。
通过重塑，我们可以添加或删除维度，或更改每个维度中的元素数量。
将以下包含 12 个元素的一维数组转换为 3 维数组。
最外面的维度将有 2 个数组，其中包含 3 个数组，每个数组有 2 个元素：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
newarr = arr.reshape(2, 3, 2)
print(newarr)
我们可以重塑成任何形状吗？
是的，只要两个形状中重塑所需的元素相同即可。
我们可以将 8 个元素的 1D 数组重塑为 4 个元素的 2 行 2D 数组，但我们无法将其重塑为 3 个元素的 3 行 2D 数组，因为这需要 3x3 = 9 个元素。
尝试将具有 8 个元素的 1D 数组转换为每个维度具有 3 个元素的 2D 数组（会引发错误）
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(3, 3)
print(newarr)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
Cell In[3], line 5
1 import numpy as np
3 arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
----> 5 newarr = arr.reshape(3, 3)
7 print(newarr)
ValueError: cannot reshape array of size 8 into shape (3,3)
返回副本还是视图
检查返回的数组是副本还是视图：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(arr.reshape(2, 4).base)
上面的示例返回原始数组，因此它是一个视图。
未知维度
你可以有一个“未知”的维度。
这意味着您不必在重塑方法中为其中一个维度指定准确的数字。
将 -1 作为值传递，NumPy 将为您计算此数字。
将具有 8 个元素的 1D 数组转换为具有 2x2 元素的 3D 数组：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])
newarr = arr.reshape(2, 2, -1)
print(newarr)
注意：我们不能将 -1 传递给多个维度。
展平数组
展平数组意味着将多维数组转换为 1D 数组。
我们可以使用 reshape(-1) 来做到这一点。
实例
将数组转换为一维数组：
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
newarr = arr.reshape(-1)
print(newarr)
注意： NumPy 中有很多用于更改数组形状的函数，如 flatten、ravel，以及用于重新排列元素的 rot90、flip、fliplr、flipud 等。这些属于 numpy 的中级到高级部分。
在线运行: http://jupyter.yan.cpolar.top/lab/tree/numpy/07. 数组重塑.ipynb
评论