代码收藏家 Python中Numpy库学习指南（第一篇）
文章目录
前言
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。本文会介绍Numpy的安装介绍和关于Numpy库中数组创建的相关操作。
提示：以下是本篇文章正文内容，下面案例可供参考
一、Numpy是什么？
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
二、使用步骤
1.Numpy环境安装
代码如下（示例）：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy
# 使用anaconda的小伙伴也可以用
conda install numpy
2.引入Numpy库
import numpy as np
3Nnumpy Ndarray 对象
NumPy 最重要的一个特点是其 N 维数组对象 ndarray，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。
ndarray 内部由以下内容组成：
跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。
创建一个 ndarray 只需要调用 Numpy 中的 array函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明
| 名称 | 描述 |
|---|---|
| object | 数组或嵌套的数列 |
| dtype | 数组元素的数据类型，可选 |
| copy | 对象是否需要复制，可选 |
| order | 创建数组的内存存储样式，C为行方向，F为列方向，A为任意方向（默认） |
| subok | 默认返回一个与基类类型一致的数组 |
| ndmin | 指定生成数组的最小维度，这里的参数不能改变数组形状 |
注：dtype ndmin 参数常用重点记忆
import numpy as np
# 一个维度
a = np.array([1,2,3])
print(a)# [1 2 3]
# 两个维度
b = np.array([[1,2,3],[4,5,6]])
print(b)# [[1 2 3] [4 5 6]]
# 维度设置
c = np.array([1,2,3,4,5], ndmin=2)
print(c)# [[1 2 3 4 5]]
# dtype 参数
d = np.array([1,2,3,4,5], dtype=np.float16)
print(d)# [1. 2. 3. 4. 5.]
Numpy 数据类型
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。
在使用Numpy库需要指定数据类型时也可以用Python内置的类型，推荐使用Numpy库的类型。
下表列举了常用 NumPy 基本类型。
| 名称 | 描述 |
|---|---|
| bool_ | 布尔型数据类型（True 或者 False） |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
Numpy 数组属性
NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如，二维数组就相当于两个一维数组，其中一维数组的每一个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
NumPy 的数组中比较重要 ndarray 对象属性有：
| 属性 | 说明 |
|---|---|
| ndarray.ndim | 秩，即轴的数量或维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
| ndarray.flags | ndarray 对象的内存信息 |
1， ndarray.ndim
ndarray.ndim 用于返回数组的维度，说实话个人觉得shape也可以看数组维度比ndim函数更好用。
import numpy as np
a = np.array([1,2,3])
print(a.ndim)# 1
b = np.array([[1,2,3]])
print(b.ndim)# 2
2，ndarray.shape
ndarray.shape 表示数组的维度，返回一个元组，元组的长度表示维度的数目，元组中的每个元素表示维度中的数组数量。shape在后面作为参数也十分常见。
也可以用于改变数组的形状。
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print(a.shape)# (2, 3)
a.shape = (3,2)
print(a)
'''
输出：
[[1 2]
[3 4]
[5 6]]
'''
在Numpy中也提供了一个reshape函数用来调整数组形状。
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print(b)
'''
输出：
[[1 2]
[3 4]
[5 6]]
'''
3，Numpy 创建数组
ndarray 数组除了可以使用底层 ndarray 构造器来创建外，也可以通过以下几种方式来创建。
1，numpy.empty
用来创建指定形状的数组
numpy.empty(shape, dtype = float, order = 'C')
参数说明
| 参数 | 描述 |
|---|---|
| shape | 数组形状 |
| dtype | 数据类型，可选 |
| order | 有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。 |
import numpy as np
a = np.empty((2,3), dtype=np.int8)
# a = np.empty([2,3], dtype=np.int8) 用列表形式创建也可以
print(a)
'''
输出：
[[-16 70 37]
[ 82 58 2]]
'''
注：数组元素为随机值，因为它们没有初始化
2，numpy.zeros
创建指定大小的数组，用0来填充。
numpy.zeros(shape, dtype = float, order = 'C')
参数说明
| 参数 | 描述 |
|---|---|
| shape | 数组形状 |
| dtype | 数据类型，可选 |
| order | ‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组 |
import numpy as np
# 默认为浮点型
a = np.zeros((3,3))
print(a)
'''
输出：
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
'''
# 转为整型
a = np.zeros((3,3), dtype=np.int8)
print(a)=
3，numpy.ones
创建指定大小的数组，用1来填充。
numpy.ones(shape, dtype = None, order = 'C')
参数说明
| 参数 | 描述 |
|---|---|
| shape | 数组形状 |
| dtype | 数据类型，可选 |
| order | ‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组 |
import numpy as np
a = np.ones((3,3))
print(a)
'''
输出：
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
'''
# 默认为浮点型
a = np.ones((3,3), dtype=np.int8)
print(a)
# 转为整型
4、numpy.zeros_like
numpy.zeros 可以直接指定要创建的数组的形状，而 numpy.zeros_like 则是创建一个与给定数组具有相同形状的数组。
numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)
参数说明
| 参数 | 描述 |
|---|---|
| a | 给定要创建相同形状的数组 |
| dtype | 创建的数组的数据类型 |
| order | 数组在内存中的存储顺序，可选值为 ‘C’（按行优先）或 ‘F’（按列优先），默认为 ‘K’（保留输入数组的存储顺序） |
| subok | 是否允许返回子类，如果为 True，则返回一个子类对象，否则返回一个与 a 数组具有相同数据类型和存储顺序的数组 |
| shape | 创建的数组的形状，如果不指定，则默认为 a 数组的形状。 |
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.zeros_like(a)
print(b)
'''
输出：
[[0 0 0]
[0 0 0]
[0 0 0]]
'''
5、numpy.ones_like
numpy.ones 可以直接指定要创建的数组的形状，而 numpy.ones_like 则是创建一个与给定数组具有相同形状的数组。
numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)
参数说明
| 参数 | 描述 |
|---|---|
| a | 给定要创建相同形状的数组 |
| dtype | 创建的数组的数据类型 |
| order | 数组在内存中的存储顺序，可选值为 ‘C’（按行优先）或 ‘F’（按列优先），默认为 ‘K’（保留输入数组的存储顺序） |
| subok | 是否允许返回子类，如果为 True，则返回一个子类对象，否则返回一个与 a 数组具有相同数据类型和存储顺序的数组 |
| shape | 创建的数组的形状，如果不指定，则默认为 a 数组的形状。 |
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.ones_like(a)
print(b)
'''
输出：
[[1 1 1]
[1 1 1]
[1 1 1]]
'''
4，NumPy 从已有的数组创建数组
1、numpy.asarray
numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。
numpy.asarray(a, dtype = None, order = None)
参数说明
| 参数 | 描述 |
|---|---|
| a | 任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组 |
| dtype | 数据类型，可选 |
| order | 可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。 |
import numpy as np
# 将列表转换为数组
x1 = [1,2,3,4,5]
a1 = np.asarray(x1)
print(a1)
# 将元组转换为数组
x2 = (1,2,3,4,5)
a2 = np.asarray(x2)
print(a2)
# 将列表元组转换为数组,元素必须对齐
x3 = [(1,2,3),(4,5,6)]
a3 = np.asarray(x3)
print(a3)
2、numpy.fromiter
numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。
numpy.fromiter(iterable, dtype, count=-1)
参数说明
| 参数 | 描述 |
|---|---|
| iterable | 可迭代对象 |
| dtype | 返回数组的数据类型 |
| count | 读取的数据数量，默认为-1，读取所有数据 |
import numpy as np
# 创建一个列表
list1 = range(5)
it=iter(list)
# 使用迭代器创建 ndarray
arr = np.fromiter(it, dtype=np.float16, count=3)
print(arr)# 输出[0. 1. 2.]
5，NumPy 从数值范围创建数组
1，numpy.arange
numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：
numpy.arange(start, stop, step, dtype)
参数说明
| 参数 | 描述 |
|---|---|
start |
起始值，默认为0 |
stop |
终止值（不包含） |
step |
步长，默认为1 |
dtype |
返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。 |
import numpy as np
# 创建一个0-4的数组
arr = np.arange(5)
print(arr)
# 设置步长和类型
arr1 = np.arange(10,20,2, dtype=np.float16)
print(arr1)
2，numpy.linspace
numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
参数说明
| 参数 | 描述 |
|---|---|
start |
序列的起始值 |
stop |
序列的终止值，如果endpoint为true，该值包含于数列中 |
num |
要生成的等步长的样本数量，默认为50 |
endpoint |
该值为 true 时，数列中包含stop值，反之不包含，默认是True。 |
retstep |
如果为 True 时，生成的数组中会显示间距，反之不显示。 |
dtype |
ndarray 的数据类型 |
import numpy as np
# 创建一个1-10的等差数列数组,不设置值时默认为浮点型
arr = np.linspace(1,10,10)
print(arr)# [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
# 生成一个全为一的等差数列数组
arr1 = np.linspace(1,1,10)
print(arr1)
# 设置endpoint 为 False 返回数组不包含 stop 的值
arr2 = np.linspace(1,11,10, endpoint=False)
print(arr2)# [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]不包含11
# 生成10个等间距的数列，并且会返回步长
arr3 = np.linspace(1,10,10, retstep=True)
print(arr3)# (array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]), 1.0)
总结
以上就是关于Numpy的简单介绍，以及Numpy中数组创建的相关操作。
接下来我会继续介绍关于Numpy的相关操作，作者也在学习中有错误望指正，谢谢。
作者：Rhryal
