一、numpy简介

numpy官方文档：https://docs.scipy.org/doc/numpy/reference/?v=20190307135750

numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示numpy数组）。

numpy库有两个作用：

区别于list列表，提供了数组操作、数组运算、以及统计分布和简单的数学模型 计算速度快，甚至要由于python内置的简单运算，使得其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似。

二、为什么用numpy

list1 = [1, 2, 3, 4] # 向量 list2 = [5, 6, 6, 7] # 向量 list = [] # 当索引为空时，通过索引添加值将会出错，只能通过append方法进行添加 for i in range(len(list1) - 1): # list[i] = list1[i] * list2[i] # 报错 list.append(list1[i] * list2[i]) print(list)

[1, 2, 3]

[4, 5, 6] 如果我们想让list1 * list2得到一个结果为lis_res = [4, 10, 18]，非常复杂。

三、创建numpy数组

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。

import numpy as np 创建一维的ndarray对象 arr = np.array([1, 2, 3]) print(arr, type(arr))

[1 2 3] <class 'numpy.ndarray'>

创建二维的ndarray对象 print(np.array([[1, 2, 3], [4, 5, 6]]))

[[1 2 3] [4 5 6]]

创建三维的ndarray对象 print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))

[[1 2 3] [4 5 6] [7 8 9]]

四、numpy数组的常用属性

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

dtype种类：bool_, int(8,16,32,64), float(16,32,64)

# arr2 = np.array([[1, 2, 3], [4, 5, 6]]) # print(arr2) # 二维数组的numpy数组（一般就是二维） # 行与列交换 print(arr2.T) # 在python中的数据类型 int32 print(arr2.dtype) # 查看元组的个数 print(arr2.size) # 查看数组的维度 print(arr2.ndim) # 查看数组维度的大小（一元组的形式） print(arr2.shape) # (2, 3)两行三列 # 获取num数组的行 print(arr2.shape[0]) # 获取数组中的列 print(arr2.shape[1]) # 类型转换 print(arr2.astype(np.float64).dtype)

[[1 5] [2 6] [3 7] [4 8]] int32 8 2 (2, 4) 2 4 float64

五、获取numpy数组的行列数

由于numpy数组是多维的，对于二维的数组而言，numpy数组就是既有行又有列。注意：对于numpy我们一般多讨论二维的数组。

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

[[1 2 3] [4 5 6]]

获取numpy数组的行和列构成的数组 print(arr.shape)

(2, 3)

#获取numpy数组的行 print(arr.shape[0])

2

获取numpy数组的列 print(arr.shape[1])

3

六、切割numpy数组

切分numpy数组类似于列表的切割，但是与列表的切割不同的是，numpy数组的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。

# 切片 # lis = [1, 2, 3] # print(lis[:]) # 全部 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr2) # 二维numpy（一般都是二维） # numpy数组的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。 # 获取全部 print(arr2[:, :]) # 第一个冒号代表对行操作，第二冒号表示对列操作 # 取出第一行所有元素 print(arr2[:1, :]) # 取出第一行的所有元素 print(arr2[0, [0, 1, 2]]) # 取出第一列的所有元素 print(arr2[:, :1]) print(arr2[:,1:2]) # 取出第一列的元素，并转换成行 print(arr2[(0, 1), 0]) # # 取出第一行第一列的元素(取出冒号可以取出固定的一个值) print(arr2[0, 1]) # numpy数组按运算取元素的原理及通过arr>5生成一个numpy数组 print(arr2 > 5) print(arr2[arr2 > 2]) # # 数组元素的替换# print(arr2) # 取第一行的所有元素，并且让第一行的元素都为0 arr2[:1, :] = 0 print(arr2) # 取出第一行第一列的元素为2 arr2[0, 0] = 2 print(arr2) # 对数组清零 arr2[:, :] = 0 print(arr2) # 取布尔值进行对齐修改值 arr2[arr2 < 4] = 3 print(arr2)

[[1 2 3] [4 5 6]] [[1 2 3] [4 5 6]] [[1 2 3]] [1 2 3] [[1] [4]] [[2] [5]] [1 4] 2 [[False False False] [False False True]] [3 4 5 6]

[[1 2 3 4] [5 6 7 8]] [[0 0 0 0] [5 6 7 8]] [[2 0 0 0] [5 6 7 8]] [[0 0 0 0] [0 0 0 0]] [[3 3 3 3] [3 3 3 3]]

七、numpy数组元素替换

numpy数组元素的替换，类似于列表元素的替换，并且numpy数组也是一个可变类型的数据，即如果对numpy数组进行替换操作，会修改原numpy数组的元素，所以下面我们用.copy()方法举例numpy数组元素的替换。

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(arr)

[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]]

# 取第一行的所有元素，并且让第一行的元素都为0 arr1 = arr.copy() arr1[:1, :] = 0 print(arr1)

[[ 0 0 0 0] [ 5 6 7 8] [ 9 10 11 12]]

取所有大于5的元素，并且让大于5的元素为0 arr2 = arr.copy() arr2[arr > 5] = 0

print(arr2) [[1 2 3 4] [5 0 0 0] [0 0 0 0]]

# 对numpy数组清零 arr3 = arr.copy() arr3[:, :] = 0 print(arr3)

[[0 0 0 0] [0 0 0 0] [0 0 0 0]]

八、numpy数组的合并

# 数组合并 arr1 = np.array([[1, 2], [3, 4], [5, 6]]) print(arr1) print("*" * 50) arr2 = np.array([[7, 8], [9, 10], [11, 12]]) print(arr2) # 合并两个numpy数组的行，注意使用hstack()方法合并numpy数组， # numpy数组应该有相同的行，其中hstack的h表示horizontal水平的 # 行合并 print(np.hstack((arr1, arr2))) # 合并两个numpy数组的列，注意使用vstack()方法合并numpy数组， # numpy数组应该有相同的列，其中vstack的v表示vertical垂直的 # 列合并 print(np.vstack((arr1, arr2))) # 默认合并列 print(np.concatenate((arr1, arr2))) # 合并列 print(np.concatenate((arr1, arr2), axis=1)) # 1 表示行，0表示列

[[ 7 8] [ 9 10] [11 12]] [[ 1 2 7 8] [ 3 4 9 10] [ 5 6 11 12]] [[ 1 2] [ 3 4] [ 5 6] [ 7 8] [ 9 10] [11 12]] [[ 1 2] [ 3 4] [ 5 6] [ 7 8] [ 9 10] [11 12]] [[ 1 2 7 8] [ 3 4 9 10] [ 5 6 11 12]] [11 12]]

九、通过函数创建numpy数组

方法详解array()将列表转换为数组，可选择显式指定dtypearange()range的numpy版，支持浮点数linspace()类似arange()，第三个参数为数组长度zeros()根据指定形状和dtype创建全0数组ones()根据指定形状和dtype创建全1数组eye()创建单位矩阵empty()创建一个元素全随机的数组reshape()重塑形状 arr1 = np.array([[1, 2, 3], [4, 5, 6]]) # 可变数据类型 print(arr1) # print(arr1[0][2]) # 创建5行5列的数组，用零填充 print(np.zeros((5, 5))) # 创建 五行五列使用1填充 print(np.ones((5,5))) print(np.ones((5,5))*100) # 对角矩阵 print(np.eye(5)) # 只能生成一维数组 print(np.arange(1,10, 2)) # p平均生成10份，构造x坐标轴的值 print(np.linspace(0, 20, 5)) # 重塑形状 arr = np.zeros((5, 5)) print(arr) print(arr.reshape(1, 25))

[[1 2 3] [4 5 6]] [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]] [[1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.]] [[100. 100. 100. 100. 100.] [100. 100. 100. 100. 100.] [100. 100. 100. 100. 100.] [100. 100. 100. 100. 100.] [100. 100. 100. 100. 100.]] [[1. 0. 0. 0. 0.] [0. 1. 0. 0. 0.] [0. 0. 1. 0. 0.] [0. 0. 0. 1. 0.] [0. 0. 0. 0. 1.]] [1 3 5 7 9] [ 0. 5. 10. 15. 20.] [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]] [[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]

十、numpy数组运算

运算符说明+两个numpy数组对应元素相加-两个numpy数组对应元素相减*两个numpy数组对应元素相乘/两个numpy数组对应元素相除，如果都是整数则取商%两个numpy数组对应元素相除后取余数**n单个numpy数组每个元素都取n次方，如**2：每个元素都取平方 arr1 = np.array([[1, 2], [3, 4], [5, 6]]) print(arr1) arr2 = np.array([[7, 8], [9, 10], [11, 12]]) print(arr2) print(arr1 + arr2)

[[ 8 10] [12 14] [16 18]]

print(arr1**2)

[[ 1 4] [ 9 16] [25 36]]

十一、numpy数组运算函数

numpy数组函数详解np.sin(arr)对numpy数组arr中每个元素取正弦，sin(x)sin(x)np.cos(arr)对numpy数组arr中每个元素取余弦，cos(x)cos(x)np.tan(arr)对numpy数组arr中每个元素取正切，tan(x)tan(x)np.arcsin(arr)对numpy数组arr中每个元素取反正弦，arcsin(x)arcsin(x)np.arccos(arr)对numpy数组arr中每个元素取反余弦，arccos(x)arccos(x)np.arctan(arr)对numpy数组arr中每个元素取反正切，arctan(x)arctan(x)np.exp(arr)对numpy数组arr中每个元素取指数函数，exexnp.sqrt(arr)对numpy数组arr中每个元素开根号x−−√

一元函数：abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, isnan, isinf, cos, sin, tan

二元函数：add, substract, multiply, divide, power, mod, maximum, mininum

十二、numpy数组矩阵化

numpy数组的点乘必须满足第一个numpy数组的列数等于第二个numpy数组的行数，即m∗n⋅n∗m=m∗mm∗n·n∗m=m∗m。

arr1 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr1.shape)

(2, 3)

arr2 = np.array([[7, 8], [9, 10], [11, 12]]) print(arr2.shape)

(3, 2)

assert arr1.shape[0] == arr2.shape[1] # 2*3·3*2 = 2*2 print(arr2.shape)

(3, 2)

12.2 numpy数组的转置

numpy数组的转置，相当于numpy数组的行和列互换。

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

[[1 2 3] [4 5 6]]

print(arr.transpose())

[[1 4] [2 5] [3 6]]

print(arr.T)

[[1 4] [2 5] [3 6]]

12.3 numpy数组的逆

numpy数组行和列相同时，numpy数组才可逆。

arr = np.array([[1, 2, 3], [4, 5, 6], [9, 8, 9]]) print(arr)

[[1 2 3] [4 5 6] [9 8 9]]

print(np.linalg.inv(arr))

[[ 0.5 -1. 0.5 ] [-3. 3. -1. ] [ 2.16666667 -1.66666667 0.5 ]]

# 单位numpy数组的逆是单位numpy数组本身 arr = np.eye(3) print(arr)

[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]

print(np.linalg.inv(arr))

[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]

十三、numpy数组数学和统计方法

方法详解sum求和cumsum累加求和mean求平均数std求标准差var求方差min求最小值max求最大值argmin求最小值索引argmax求最大值索引sort排序

十四、numpy.random生成随机数

函数名称函数功能参数说明rand(d0,d1,⋯,dnd0,d1,⋯,dn)产生均匀分布的随机数dndn为第n维数据的维度randn(d0,d1,⋯,dnd0,d1,⋯,dn)产生标准正态分布随机数dndn为第n维数据的维度randint(low[, high, size, dtype])产生随机整数low:最小值；high:最大值；size:数据个数random_sample([size])在[0,1)[0,1)内产生随机数size为随机数的shape，可以为元祖或者列表choice(a[, size])从arr中随机选择指定数据arr为1维数组；size为数组形状uniform(low,high [,size])给定形状产生随机数组low为最小值；high为最大值，size为数组形状shuffle(a)与random.shuffle相同a为指定数组 # numpy随机数 # 三行四列 print(np.random.rand(3, 4)) print(np.random.randint(1, 20, (3, 4))) print(np.random.choice([1, 2, 3, 45], 3)) print(arr2) np.random.shuffle(arr2) print(arr2) # 随机数种子，所有的随机数都是按照随机数种子生成的 import time # 重点 # np.random.seed(int(time.time())) np.random.seed(1) arr1 = np.random.rand(3,4) print(arr1)

[[0.49694519 0.41009236 0.61939424 0.59533436] [0.54258297 0.31824486 0.74005334 0.48675089] [0.02653267 0.34009038 0.01152403 0.50444461]] [[13 15 6 18] [ 9 18 16 1] [ 8 17 19 6]] [ 3 1 45] [[1 2 3 4] [5 6 7 8]] [[1 2 3 4] [5 6 7 8]] [[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01] [1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01] [3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01]]

转载于:https://www.cnblogs.com/dadazunzhe/p/11403975.html

相关资源：python2.6的numpy模块