什么是Numpy？
Numpy是Python开源的科学计算工具包，是高级的数值编程工具
- 强大的N维数组对象:ndarray
- 可以对数组结构数据进行运算(不用遍历循环)
- 有随机数、线性代数、傅里叶变换等功能
如何安装？
安装anaconda科学计算环境
咸鱼也是从新手一步一坑踩过来,深知新手配置环境的不易，所以这里推荐使用anaconda，里面集成了许多常用的库，并且在配置环境时更容易上手。
下载地址：https://www.anaconda.com/download/
具体安装步骤,这里不再赘述,不懂的朋友可以在交流群中讨论，也可以参考下面的博文：
安装Numpy
方法一：安装anaconda后，numpy是可以直接使用的，无需二次安装。
方法二：没有安装anaconda可以使用pip install numpy安装。
安装jupyter notebooks(推荐使用)
方法一：安装anaconda后，jupyter notebooks是可以直接使用的，无需二次安装。
方法二：没有安装anaconda可以使用pip install jupyter安装。
Numpy基础数据结构
导入
推荐使用from numpy import np
不建议使用from numpy import *, 因为numpy中包含了大量与Python内建函数重名的函数。
生成ndarray
可以使用array生成数组
举个栗子：
import numpy as np ar = np.array([[1,2,3,4],[1,2,3,4]]) print(ar, type(ar)) >>> [[1 2 3 4] [1 2 3 4]] <class 'numpy.ndarray'>
除了np.array之外还有其他函数可以创建新数组，这里列出常用的几个：
arange # python range的数组版 asarray # 将输入转换为ndarray ones # 根据给定的形状和类型生成全1的数组 ones_like # 根据给定的数组生成形状一样的全1的数组 zeros # 根据给定的形状和类型生成全0的数组 zeros_like # 根据给定的数组生成形状一样的全1的数组 eye # 生成一个N*N的特征矩阵(对角线为1，其余为0) linspance # 返回在间隔[开始，停止]上计算的num个均匀间隔的样本
这里以zeros，zeros_like以及linspance分别举例：
arr = np.zeros((3,5)) print(arr) >>> [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]] s = np.array([list(range(10)),list(range(10,20))]) print(s) print(np.zeros_like(s)) >>> [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] [[0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0]] print(np.linspace(10,20,num = 21)) #在10，21之间生成 print(np.linspace(10,20,num = 21, endpoint = False)) #endpoint默认为True，为False时不包含左边的值 print(np.linspace(10,20,num = 21, retstep = True))# restep显示步长 >>> [10. 10.5 11. 11.5 12. 12.5 13. 13.5 14. 14.5 15. 15.5 16. 16.5 17. 17.5 18. 18.5 19. 19.5 20. ] [10. 10.47619048 10.95238095 11.42857143 11.9047619 12.38095238 12.85714286 13.33333333 13.80952381 14.28571429 14.76190476 15.23809524 15.71428571 16.19047619 16.66666667 17.14285714 17.61904762 18.0952381 18.57142857 19.04761905 19.52380952] (array([10. , 10.5, 11. , 11.5, 12. , 12.5, 13. , 13.5, 14. , 14.5, 15. , 15.5, 16. , 16.5, 17. , 17.5, 18. , 18.5, 19. , 19.5, 20. ]), 0.5)
这里除了常用的几个生成数组的函数外，列举一些常用的方法：
import numpy as np ar = np.array([[1,2,3,4],[1,2,3,4]]) print(ar, type(ar)) print(ar.ndim)#返回数组的维度的个数 print(ar.shape)#数组的维度，返回几行几列 print(ar.size)#数组元素的个数 print(ar.dtype)#元素的类型 print(ar.itemsize)#数组中元素的大小 >>> [[1 2 3 4] [1 2 3 4]] <class 'numpy.ndarray'> 2 (2, 4) 8 int64 8
Numpy通用函数
数组形状变换（.T/.reshape()/.resize()）
.T是转置函数,转置函数对一维数组无影响
# .T import numpy as np ar1 = np.arange(10) ar2 = np.zeros((2,5)) print(ar1.T) print(ar2.T)#转置函数 >>> [0 1 2 3 4 5 6 7 8 9] [[0. 0.] [0. 0.] [0. 0.] [0. 0.] [0. 0.]]
.reshape(),直接更改数组的形状，但更改前后数组元素个数必须相同
ar1 = np.arange(10) print(ar1.reshape(2,5)) print(np.reshape(np.arange(16),(2,8))) >>> [[0 1 2 3 4] [5 6 7 8 9]] [[ 0 1 2 3 4 5 6 7] [ 8 9 10 11 12 13 14 15]]
.resize()
print(np.resize(np.arange(16),(3,5))) # resize当后面的数组元素个数小于前面生成的数量时，按照顺序迭代 print(np.resize(np.arange(12),(3,5))) # resize当后面的数组元素个数大于前面的生成的数量，则随机填充 >>> [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 0 1 2]]
数组的复制
和python中的深浅拷贝类似：Python | Python学习之深浅拷贝
数组的类型转化
.astype()可以将数组中元素的类型进行转化,在numpy中元素类型有以下几种(太多了就不都写了)：
int8, uint8 #有符号和无符号的8整位整数 int16, uint16 #有符号和无符号的16整位整数 int32, uint32 #有符号和无符号的32整位整数 int64, uint64 #有符号和无符号的64整位整数 float16 #半精度 float32 #单精度 float64 #双精度 bool #布尔 .....
举个类型转换的栗子：
ar1 = np.arange(10,dtype=float) ar2 = ar1.astype(np.int64) print(ar1,ar2) >>> [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] [0 1 2 3 4 5 6 7 8 9]
数组的堆叠
数组的堆叠有hstack(),vstack()以及stack(),下面分别举例：
a = np.arange(10) b = np.arange(10,20) print(ar1,ar2) # 横向链接 print(np.hstack((a,b))) # 竖向链接 a = np.array([[1],[2],[3]]) b = np.array([['a'],['b'],['c']]) print(np.vstack((a,b))) # 任意堆叠 a = np.arange(10) b = np.arange(10,20) print(np.stack((a,b),axis=1)) # 竖向堆叠 print(np.stack((a,b))) # 横向堆叠 >>>> [0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19] [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19] [['1'] ['2'] ['3'] ['a'] ['b'] ['c']] [[ 0 10] [ 1 11] [ 2 12] [ 3 13] [ 4 14] [ 5 15] [ 6 16] [ 7 17] [ 8 18] [ 9 19]] [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]]
数组拆分
数组拆分同样分为横向拆分和竖向拆分。
# 数组拆分 ar = np.arange(16).reshape(4,4) print(ar) print(np.hsplit(ar,2)) #纵向拆分 print(np.vsplit(ar,2)) #横向拆分 >>> [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] [array([[ 0, 1], [ 4, 5], [ 8, 9], [12, 13]]), array([[ 2, 3], [ 6, 7], [10, 11], [14, 15]])] [array([[0, 1, 2, 3], [4, 5, 6, 7]]), array([[ 8, 9, 10, 11], [12, 13, 14, 15]])]
常用计算函数
这里的计算函数与Python中的计算函数用法相同，这里不再过多论述。
#计算函数 np.mean() #求平均值 np.max() #最大值 np.min() #最小值 np.gtd() #标准差 np.var() #方差 np.sum() # 其中参数axis=0按列求和axis=1按行求和
巩固练习
- 生成一个一维数组、二维数组，并且查看其shape
- 生成一个一维数组，起始值为5，终点值为15，样本数为10个
- 按照要求创建以下数组
- 创建一个20个元素的数组，分别改变成两个形状：(4,5),(5,6)
- 创建一个(4,4)的数组，把其元素类型改为字符型
- 创建一个二维数组ar，起始值为0，终点值为15，运用数组的运算方法得到结果：result = ar * 10 +100，并求出result的均值及求和
