numpy学习笔记02

简介

numpy.array() 数组对象，可以表示普通的一维数组，或者二维矩阵，或者任意数据；并且它可以对数组中的数据进行非常高效的运算，如：数据统计、图像处理、线性代数等

numpy 之所以能运行这么快的原因是因为它底层是用C语言实现的目标代码，但对于需要运算的数据需要先将它们表示成numpy数组的形式，即向量化

 

numpy 的基本使用

首先导入库并去别名np：

import numpy as np

1.创建数组

1.1 创建指定初始化变量数组

np.array([1,2,3,4,5])

1.2 创建全零的 3行2列 的数组

np.zeros((3,2))

1.3 创建全为1的 2行4列 的数组

np.ones((2,4))

1.4 创建递增或递减数组

np.arange(3,7)  #递增
np.arange(9,1,-1)  #递减

 

1.5 返回介于某区间等间距分布的数

np.linspace(0,1,5) 
#介于0-1之间等间距的5位数

 

1.6 生成一个随机的 2行4列 的数组

np.random.rand(2,4)

2.获取数组尺寸

a = np.zeros((3,2))
a.shape

3.获取数组随机的数组类型

默认数组类型为64位的浮点型（np.float64）

3.1 创建数组时指定其他数组类型

a = np.zeros((4,2), dtype=np.int32)

 

 

3.2 对现有的数组进行数据类型转换

a = np.zeros((2,4))
b = a.astype(int)

 

 

基本运算

1.相同尺寸的数组可以直接进行四则运算

1.1 将数组同位置的数进行加减乘除

a = np.array([1,2,3])
b = np.array([4,5,6])
print(a+b)
print(a/b)

 

 

1.2 将两个向量进行点乘运算

同位置的数相乘再相加

a = np.array([1,2,3])
b = np.array([4,5,6])
np.dot(a,b)

 

1.3 进行矩阵的乘法运算

等同于np.matmul()函数

a = np.array([[1,2]，
            [3,4]])
b = np.array([[2,0],
            [0,2]])
print(a @ b)

 

1.4 对所有数一次求平方根

a = np.array([1,2,3])
np.sqrt(a)

 

1.5 进行三角函数运算

a = np.array([1,2,3])
np.sin(a)
np.cos(a)

 

1.6 进行对数或指数的运算

a = np.array([1,2,3])
np.log(a)
np.power(a,2)

 

1.7 数组云单独的一个数做运算

分别计算各个元素与这个数的加减乘除，产生一个同尺寸的新数组，即称为“广播”

a = np.array([1,2,3])
a*5

 

 

2.不用尺寸的数组进行运算

运算前，numpy 会将两个数组扩展至相同尺寸，然后再将相同位置的元素相加

 

3.一维数组返回数组中所需的值

3.1 返回数组中最小或最大的元素

a = np.array([1,2,3,4,5])
a.min()
a.max()

 

3.2 返回最小或最大元素所在的索引

a = np.array([1,2,3,4,5])
a.argmin()
a.argmax()

 

3.3 返回所有数据的总和

a = np.array([1,2,3,4,5])
a.sum()

 

3.4 返回数据的平均值

a = np.array([1,2,3,4,5])
a.mean()
np.median()

 

3.5 返回数据的方差和标准方差等

a = np.array([1,2,3,4,5])
a.var()
a.std()

 

4.对于多维数组

可以指定一个额外的参数axis

当axis=0时，它会将每一行中对应的数据相加，axis=0代表第一个维度，即为 行

 

a = np.array([[1,2,3,4,5],
              [5,6,7,8,9]])
a.sum(axis=0)

 

 

当axis=1时，代表第二个维度， 即为 列

 

a = np.array([[1,2,3,4,5],
              [5,6,7,8,9]])
a.sum(axis=1)

 

5.获取数组中的元素

5.1获取第一行第二列的元素

a = np.array([[1,2,3],
              [4,5,6]])
a[0,1]  

 

5.2 按条件筛选指定的元素

a = np.arange(10)
a[a<3]  #返回a<3的元素
a[(a>3)&(a%2==0)]  #返回a>3且是偶数的数

 

5.3 获取第一行一到二列的元素

a = np.array([[1,2,3],
              [4,5,6]])
a[0,0:2]

 

5.4 获取第一行所有列的元素

a = np.array([[1,2,3],
              [4,5,6]])
a[0, : ]  或 a[0]

 

5.5 每隔n个数取一个数

a = np.array([1,2,3,4,5,6,7,8,9])
a[0:9:n]  #n可正可负
​
a[::-1]  #将数组翻转

 

 

 

图片处理

pillow安装

pip install pillow

 

1.使用pillow这个库在Python中读取图片文件

from PIL import Image
im = Image.open('C:/Users/Lenovo/Desktop/02.jpg')
im.show()

 

2.将图片转为一个numpy数组

from PIL import Image
import numpy as np
im = Image.open('C:/Users/Lenovo/Desktop/02.jpg')
​
im = np.array(im)
print(im.shape)
​
---》(1000, 750, 3)  表示1000行，750列，有3个颜色分量

 

3.通过下标访问颜色分量

im[100,100]

 

4.单独提取出所有像素点的红色分量

im_r = im[:,:,0]
Image.fromarray(im_r).show()

 

5. 将两张图片按比例混合在一起

from PIL import Image
import numpy as np
im1 = np.array(Image.open('C:/Users/Lenovo/Desktop/02.jpg'))
im2 = np.array(Image.open('C:/Users/Lenovo/Desktop/01.jpg'))
im_blend = im1*0.4+im2*0.6
im_blend = im_blend.astype(np.uint8)    #运算结果为浮点数
​
Image.fromarray(im_blend).show()  #显示图片，将图片转换成整型数

 

6.利用跨度对图片进行降采样

im_downsample = im1[::10,::10,:]
im_downsample = im1[::10,::10,:]
print(im_downsample)

 

7.将图片进行翻转

im_flipped = im1[::-1,:,:]  #上下翻转
im_flipped = im1[:,::-1,:]  #左右翻转
Image.fromarray(im_flipped).show()

 

8.裁剪图片某一部分

im_cropped = im[40:540,400:900,:]
Image.fromarray(im_cropped).show()