背景

什么是 NumPy 呢？

NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景：

执行各种数学任务，如：数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于 Python 的 MATLAB 的快速替代。
计算机中的图像表示为多维数字数组。NumPy 提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
在编写机器学习算法时，需要对矩阵进行各种数值计算。如：矩阵乘法、求逆、换位、加法等。NumPy 数组用于存储训练数据和机器学习模型的参数。

数据类型

Python只定义一种整数类型，一种浮点类型。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。

数组的创建

导入 numpy。

import numpy as np

numpy 提供的最重要的数据结构是ndarray，它是 python 中list的扩展。

利用现有数据

numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

【例】

import numpy as np# 创建一维数组
a = np.array([0, 1, 2, 3, 4])
b = np.array((0, 1, 2, 3, 4))
print(a, type(a))
# [0 1 2 3 4] <class 'numpy.ndarray'>
print(b, type(b))
# [0 1 2 3 4] <class 'numpy.ndarray'># 创建二维数组
c = np.array([[11, 12, 13, 14, 15],[16, 17, 18, 19, 20],[21, 22, 23, 24, 25],[26, 27, 28, 29, 30],[31, 32, 33, 34, 35]])
print(c, type(c))
# [[11 12 13 14 15]
#  [16 17 18 19 20]
#  [21 22 23 24 25]
#  [26 27 28 29 30]
#  [31 32 33 34 35]] <class 'numpy.ndarray'># 创建三维数组
d = np.array([[(1.5, 2, 3), (4, 5, 6)],[(3, 2, 1), (4, 5, 6)]])
print(d, type(d))
# [[[1.5 2.  3. ]
#   [4.  5.  6. ]]
#
#  [[3.  2.  1. ]
#   [4.  5.  6. ]]] <class 'numpy.ndarray'>

array()和asarray()都可以将结构数据转化为 ndarray，但是主要区别就是当数据源是 ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。

numpy.asarray(a, dtype = None, order = None)def asarray(a, dtype=None, order=None):return array(a, dtype, copy=False, order=order)

【例】

import numpy as npx = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x)
# [[1, 1, 1], [1, 1, 2], [1, 1, 1]]print(y)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]]print(z)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]]

【例】

import numpy as npx = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
y = np.array(x)
z = np.asarray(x)
w = np.asarray(x, dtype=np.int)
x[1] = 2
print(x)
# [[1. 1. 1.]
#  [2. 2. 2.]
#  [1. 1. 1.]]print(y)
# [[1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]]print(z)
# [[1. 1. 1.]
#  [2. 2. 2.]
#  [1. 1. 1.]]print(w)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]]

【例】

import numpy as npx = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
print(x, x.dtype)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] int32
x.dtype = np.float# ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last axis of the array.

利用 Ones 和 zeros 填充方式

在机器学习任务中经常做的一件事就是初始化参数，需要用常数值或者随机值来创建一个固定大小的矩阵。

numpy.zeros(shape, dtype=float, order='C') 返回给定形状和类型的新数组，并用零填充。
numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)Return an array of zeros with the same shape and type as a given array.

【例】

import numpy as npx = np.zeros(5)
print(x)  # [0. 0. 0. 0. 0.]
x = np.zeros([2, 3])
print(x)
# [[0. 0. 0.]
#  [0. 0. 0.]]x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(y)
# [[0 0 0]
#  [0 0 0]]

numpy.ones(shape, dtype=float, order='C') 返回给定形状和类型的新数组，并填充为1。
numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None) Return an array of ones with the same shape and type as a given array.

【例】

import numpy as npx = np.ones(5)
print(x)  # [1. 1. 1. 1. 1.]
x = np.ones([2, 3])
print(x)
# [[1. 1. 1.]
#  [1. 1. 1.]]x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
print(y)
# [[1 1 1]
#  [1 1 1]]

numpy.empty(shape, dtype=float, order='C') 返回一个空数组，数组元素为随机数。
numpy.empty_like(prototype, dtype=None, order='K', subok=True, shape=None) Return a new array with the same shape and type as a given array.

【例】

import numpy as npx = np.empty(5)
print(x)
# [1.95821574e-306 1.60219035e-306 1.37961506e-306 9.34609790e-307
#  1.24610383e-306]x = np.empty((3, 2))
print(x)
# [[1.60220393e-306 9.34587382e-307]
#  [8.45599367e-307 7.56598449e-307]
#  [1.33509389e-306 3.59412896e-317]]x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.empty_like(x)
print(y)
# [[  7209029   6422625   6619244]
#  [      100 707539280       504]]

numpy.full(shape, fill_value, dtype=None, order='C') 返回一个常数数组。
numpy.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)Return a full array with the same shape and type as a given array.

【例】

import numpy as npx = np.full((2,), 7)
print(x)
# [7 7]x = np.full((2, 7), 7)
print(x)
# [[7 7 7 7 7 7 7]
#  [7 7 7 7 7 7 7]]x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 7)
print(y)
# [[7 7 7]
#  [7 7 7]]

numpy.eye(N, M=None, k=0, dtype=<type 'float'>) 返回一个二维数组，对角线上为1，其他地方为零。
numpy.identity(n, dtype=None)[source]Return the identity array,The identity array is a square array with ones on the main diagonal.

【例】

import numpy as npx = np.eye(4)
print(x)
# [[1. 0. 0. 0.]
#  [0. 1. 0. 0.]
#  [0. 0. 1. 0.]
#  [0. 0. 0. 1.]]x = np.eye(2, 3)
print(x)
# [[1. 0. 0.]
#  [0. 1. 0.]]x = np.identity(4)
print(x)
# [[1. 0. 0. 0.]
#  [0. 1. 0. 0.]
#  [0. 0. 1. 0.]
#  [0. 0. 0. 1.]]

利用数值范围

numpy.arange([start, ]stop, [step, ]dtype=None) 返回给定间隔内的均匀间隔的值。
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 返回指定间隔内的等间隔数字。
numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0)返回数以对数刻度均匀分布。
numpy.random.random(size=None) 返回一个由[0,1)内的随机数组成的数组。

【例】

import numpy as npx = np.arange(5)
print(x)  # [0 1 2 3 4]
x = np.arange(3, 7, 2)
print(x)  # [3 5]x = np.linspace(start=0, stop=2, num=9)
print(x)
# [0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]x = np.random.random(5)
print(x)  # [0.19918248 0.37849338 0.53131778 0.54145778 0.54659923]
x = np.random.random([2, 3])
print(x)
# [[0.64563931 0.81257475 0.05123273]
#  [0.21415045 0.98966487 0.71510226]]

【例】

import numpy as npx = np.linspace(0, 1, 5)
print(x)
# [0.   0.25 0.5  0.75 1.  ]x = np.logspace(0, 1, 5)
print(np.around(x, 2))
# [ 1.    1.78  3.16  5.62 10.  ]x = [10 ** i for i in x]
print(np.around(x, 2))
# [ 1.    1.78  3.16  5.62 10.  ]

数组的属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
numpy.ndarray.dtype ndarray 对象的元素类型。
numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

【例】

import numpy as npa = np.array([1, 2, 3, 4, 5])
print(a.shape)  # (5,)
print(a.dtype)  # int32
print(a.size)  # 5
print(a.ndim)  # 1
print(a.itemsize)  # 4b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b.shape)  # (2, 3)
print(b.dtype)  # float64
print(b.size)  # 6
print(b.ndim)  # 2
print(b.itemsize)  # 8

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str。

【例】

import numpy as npa = np.array([1, 2, 3, 4, 5])
print(a)  # [1 2 3 4 5]
b = np.array([1, 2, 3, 4, '5'])
print(b)  # ['1' '2' '3' '4' '5']
c = np.array([1, 2, 3, 4, 5.0])
print(c)  # [1. 2. 3. 4. 5.]

当前活动

我是终身学习者“老马”，一个长期践行“结伴式学习”理念的 中年大叔。

我崇尚分享，渴望成长，于2010年创立了“LSGO软件技术团队”，并加入了国内著名的开源组织“Datawhale”，也是“Dre@mtech”、“智能机器人研究中心”和“大数据与哲学社会科学实验室”的一员。

愿我们一起学习，一起进步，相互陪伴，共同成长。

后台回复「搜搜搜」，随机获取电子资源！
欢迎关注，请扫描二维码：

Numpy入门教程：01. 数组的创建与属性相关推荐

python 创建空的numpy数组_Numpy入门教程：01. 数组的创建与属性
背景什么是 NumPy 呢? NumPy 这个词来源于两个单词 -- Numerical和Python.其是一个功能强大的 Python 库,可以帮助程序员轻松地进行数值计算,通常应用于以下场景: ...
numpy 数组抽取_清晰易懂的Numpy入门教程
原标题:清晰易懂的Numpy入门教程翻译 | 石头来源 | Machine Learning Plus Numpy是python语言中最基础和最强大的科学计算和数据处理的工具包,如数据分析工具pa ...
React 全家桶入门教程 01
React 全家桶入门教程 01 前面是基础课程(难度小,略过),后面是案例目的巩固react基础知识,查漏补缺(熟悉的部分快进) 学习相关的库的使用 https://study.163.com/ ...
python numpy教程_Python中的Numpy入门教程
这篇文章主要介绍了 Python 中的 Numpy 入门教程,着重讲解了矩阵中的数组操作 , 需要的朋友可以参考下 1 . Numpy 是什么很简单, Numpy 是 Python 的一个科学计算 ...
ES6 入门教程 9 数组的扩展 9.1 扩展运算符
ES6 入门教程 ECMAScript 6 入门作者:阮一峰本文仅用于学习记录,不存在任何商业用途,如侵删文章目录 ES6 入门教程 9 数组的扩展 9.1 扩展运算符 9.1.1 含义 9.1 ...
VAPS XT开发入门教程01：软件安装包
本文首发于:VAPS XT开发入门教程01:软件安装包上一篇:VAPS XT开发入门教程00:基本介绍 VAPS XT软件包括三个部分: 主程序,按照版本不同大小也不同,大概在800M~2GB左右 ...
Python 数学运算库Numpy入门基础（一）创建数组
安装 c:\> pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple 官方指南 NumPy quickstart - Num ...
Numpy入门教程：练习作业01
序言什么是 NumPy 呢? NumPy 这个词来源于两个单词 – Numerical和Python.其是一个功能强大的 Python 库,可以帮助程序员轻松地进行数值计算,通常应用于以下场景: 执 ...
Numpy入门教程：03.数组操作
背景什么是 NumPy 呢? NumPy 这个词来源于两个单词 – Numerical和Python.其是一个功能强大的 Python 库,可以帮助程序员轻松地进行数值计算,通常应用于以下场景: 执 ...

Numpy入门教程：01. 数组的创建与属性

背景

数据类型

数组的创建

数组的属性

Numpy入门教程：01. 数组的创建与属性相关推荐

最新文章

热门文章