numpy库学习

1. 初始化

numpy数组即numpy的ndarray对象，创建numpy数组就是把一个列表传入np.array()方法。
下面介绍4种方法：

  1. 从Python中的列表、元组等类型创建ndarray数组。
x = np.array(list/tuple)
x = np.array(list/tuple, dtype=np.float32)  # 可以指定类型

x = np.array([[1, 2], [8, 9], (0.1, 0.2)])
  1. 使用NumPy中函数创建ndarray数组，如: arange,ones,zeros等

需要注意的是，`ones''zeros''eyes'创建的都是浮点数类型的数组，arange生成的是整数类型，有需要可以指定类型

x = np.ones((3,6) , dtype = np.int32)
# [[1 1 1 1 1 1]
#  [1 1 1 1 1 1]
#  [1 1 1 1 1 1]]
x = np.ones((3,6))
# [[1. 1. 1. 1. 1. 1.]
#  [1. 1. 1. 1. 1. 1.]
#  [1. 1. 1. 1. 1. 1.]]

a = np.linspace(1,10,4)  # array([ 1., 4., 7., 10.])
b = np.linspace(1,10,4,endpoint=False)  # array([ 1. , 3.25, 5.5 , 7.75])
c = np.concatenate((a, b))  # array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])
  1. 从字节流(raw bytes )中创建ndarray数组。
  2. 从文件中读取特定格式，创建ndarray数组。

2. 常用属性

属性 解释
T 数组的转置（对高维数组而言）
dtype 数组元素的数据类型
size 数组元素的个数
ndim 数组的维数
shape 数组的维度大小（以元组形式）
astype 类型转换

2.1 shape获取行列数

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

arr.ndim  # 2
arr.shape  # (2, 3)
arr.shape[0]  # 2 提取行数
arr.shape[1]  # 3 提取列数
arr.size  # 6
arr.dtype  # dtype('int32')

2.2 元素类型

同时还支持两种负数类型：

2.3 类型转换

astype()方法一定会创建新的数组(原始数据的一个拷贝)，即使两个类型一致。

还可以使用tolist函数向列表转换

2.4. 数组的维度变换

a = np.ones((2, 3, 4))
a.reshape(3, 8)
a.resize(3, 8)
a.flatten()

3. 数组的索引和切片

一维数组的索引和切片: 与Python的列表类似
多维数组的索引：

a = np.arange(24).reshape((2,3,4))
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]

#  [[12 13 14 15]
#   [16 17 18 19]
#   [20 21 22 23]]]
a[1, 2, 3]  # 23
a[-1, -2, -3]  # 17

多维数组的切片：
依然以上面的a数组为例进行切片

4. 数组的运算

常用函数

分类 函数 功能说明
基本数学 np.sqrt(x) 计算平方根
np.exp(x) 计算指数（e^x）
np.log(x) 计算自然对数（ln(x)）
np.sin(x) 计算正弦值
np.abs(x) 计算绝对值
np.power(a, b) 计算 a 的 b 次幂
np.round(x, n) 四舍五入（保留 n 位小数）
统计 np.sum(x) 求和
np.mean(x) 计算均值
np.median(x) 计算中位数
np.std(x) 计算标准差
np.var(x) 计算方差
np.min(x) / np.max(x) 查找最小值/最大值
np.percentile(x, q) 计算分位数（q: 0~100）
比较 np.greater(a, b) 元素级比较 a > b
np.less(a, b) 元素级比较 a < b
np.equal(a, b) 元素级比较 a == b
np.logical_and(a, b) 逻辑与（逐元素）
np.where(condition, x, y) 根据条件选择元素
排序 np.sort(x) 返回排序后的副本
x.sort() 原地排序（修改原数组）
np.argsort(x) 返回排序后的索引
np.lexsort(keys) 多键排序（按最后一列优先）
去重 np.unique(x) 返回唯一值并排序
np.in1d(a, b) 检查 a 的元素是否在 b 中存在
其他实用 np.concatenate((a, b)) 数组拼接
np.split(x, indices) 分割数组
np.reshape(x, shape) 调整数组形状
np.copy(x) 创建数组的深拷贝
np.isnan(x) 检测 NaN 值

4.1 与标量的运算

数组与标量之间的运算作用于数组的每一个元素

a = np.arange(24).reshape((2,3,4))
a = a/a.mean()  # a.mean() = 11.5
# array([[[0.        , 0.08695652, 0.17391304, 0.26086957],
#         [0.34782609, 0.43478261, 0.52173913, 0.60869565],
#         [0.69565217, 0.7826087 , 0.86956522, 0.95652174]],

#        [[1.04347826, 1.13043478, 1.2173913 , 1.30434783],
#         [1.39130435, 1.47826087, 1.56521739, 1.65217391],
#         [1.73913043, 1.82608696, 1.91304348, 2.        ]]])

4.2 一元函数

运算时需要注意原数组的值是否改变，几乎所有的函数都不会改变原数组，如需改变，需要重新赋值

4.3 二元函数

5. 数据的CSV存取

5.1 存入数据

np.savetxt(frame, array, fmt= '%.18e', delimiter=None)

  • frame:文件、字符串或产生器，可以是.gz或.bz2的压缩文件。
  • array:存入文件的数组
  • fmt: 写入文件的格式，例如: %d %.2f %.18e
  • delimiter: 分割字符串，默认是任何空格
a = np.arange(100).reshape(5，20)
np.savetxt('a.csv', a, fmt='%d', delimiter=',')

生成的文件打开如下所示：

5.2 读取数据

np.loadtxt(frame, dtype=np.float, delimiter=None, unpack=False)

  • frame:文件、字符串或产生器，i可以是.gz或.bz2的压缩文件。
  • dtype:数据类型，可选。
  • delimiter: 分割字符串，默认是任何空格
  • unpack:如果True，读入属性将分别写人不同变量

上述方法也具有一定缺点，即只能存取一维和二维数组。

6. 多维数据的存取

6.1 存入数据

a.tofile(frame, sep=", format='s')

  • frame: 文件、字符串。
  • sep: 数据分割字符串，如果是空串，写入文件为二进制。
  • format:写入数据的格式

如果sep是空串，就会生成二进制文件：

6.2 读取数据

np.fromfile(frame, dtype=float, count=-1, sep=")

  • frame:文件、字符串。
  • dtype:读取的数据类型
  • count:读人元素个数，-1表示读入整个文件。
  • sep:数据分割字符串，如果是空串，写入文件为二进制。

该方法需要读取时知道存人文件时数组的维度和元素类型
a.tofile()和np.fromfile()需要配合使用

7. NumPy的便捷文件存取

np.save(fname, array) np.savez(fname, array)

  • frame: 文件名，以.npy为扩展名，压缩扩展名为.npz
  • array:数组变量

np.load(fname)

  • fname: 文件名，以.npy为扩展名，压缩扩展名为.npz
此时数据的维度并没有丢失

8. 常用函数

8.1 随机数函数

np.random的随机数函数：

a = np.random.randint(100,200,(3,4))
# array([[175, 122, 151, 185],
#        [103, 112, 135, 196],
#        [110, 161, 118, 109]])
np.random.shuffle(a)  # 此时a会发生改变，而permutation(a)不会使a发生改变
# array([[103, 112, 135, 196],
#        [175, 122, 151, 185],
#        [110, 161, 118, 109]])

b = np.random.randint(100,200,(8,))  # array([193，175，186，137，111，121，133，195])
np.random.choice(b,(3,2))  # array([[137，193],[193，121],[175，193]])
np.random.choice(b,(3,2),replace=False)  # array([[111，175],[193，195],[186，133]])
np.random.choice(b,(3,2),p= b/np.sum(b))  # array([[121，175],[193，186],[193，175]])

8.2 统计函数

np的统计函数：

a = np.arange(15).reshape(3，5)
# [[ 0  1  2  3  4]
#  [ 5  6  7  8  9]
#  [10 11 12 13 14]]
np.sum(a)  # 105
np.mean(a, axis=1)  # array([ 2.，7., 12.]),只在第二维做运算
np.mean(a,axis=0)  # [5. 6. 7. 8. 9.]
np.average(a, axis=0,weights=[10,5,1])  # [2.1875 3.1875 4.1875 5.1875 6.1875]
# 4.1875 = (2*10 + 7*5 + 12*1)/16
np.std(a)  # 4.3204937989385739
np.var(a)  # 18.666666666666668
np.max(b)  # 14
np.argmax(b)  # 14,扁平化后的下标
np.unravel_index(np.argmax(b), bshape)  # (2,4)
np.ptp(b)  # 14
np.median(b)  # 7.0

8.3 梯度函数

np.gradient(f)计算数组f中元素的梯度，当f为多维时，返回每个维度梯度
梯度: 连续值之间的变化率，即斜率，XY坐标轴连续三个X坐标对应的Y轴值: a,b,c,其中，b的梯度是:(c-a)/2

a = np.random.randint(0 , 20 , 5)  # [19  0 17  5  0]
print(np.gradient(a))  # [-19.   -1.    2.5  -8.5  -5. ]
# 两侧值：-1 = (17-19)/2 , 一侧值：-5 = (0-5)/1

# 多维：
a = np.random.randint(0 , 50 , (3,5))
# [[17 43  7 43 28]
#  [27  4 34 28 40]
#  [34 36 14 28 47]]
np.gradient(a)
# [array([[ 10. , -39. ,  27. , -15. ,  12. ],  最外层维度的梯度
#        [  8.5,  -3.5,   3.5,  -7.5,   9.5],
#        [  7. ,  32. , -20. ,   0. ,   7. ]]), 
#  array([[ 26. ,  -5. ,   0. ,  10.5, -15. ],  第二层维度的梯度
#        [-23. ,   3.5,  12. ,   3. ,  12. ],
#        [  2. , -10. ,  -4. ,  16.5,  19. ]])]
posted @ 2023-11-10 17:51  乐池  阅读(98)  评论(0)    收藏  举报