介绍

在上一篇有关21 Pandas操作的文章中，我讨论了一些重要的操作，可以帮助新手开始进行数据分析。本文应该为NumPy提供类似的目的。简要介绍一下，NumPy是一个非常强大的库，可用于执行各种操作，从查找数组的均值到快速傅立叶变换和信号分析。从这个意义上讲，它与MATLAB非常相似。

您将需要将NumPy导入为'np'，然后使用它来执行操作。

操作：

1. 将列表转换为n维NumPy数组

numpy_array = np.array(list_to_convert)

2.使用np.newaxis和np.reshape

np.newaxis用于创建大小为1的新尺寸。

a = [1,2,3,4,5] is a lista_numpy = np.array(a)

如果打印a_numpy.shape，您会得到(5,)。为了使它成为行向量或列向量，可以

row_vector = a_numpy[:,np.newaxis] ####shape is (5,1) nowcol_vector = a_numpy[np.newaxis,:] ####shape is (1,5) now

类似地，np.reshape可以用来对任何数组进行整形。例如：

a = range(0,15) ####list of numbers from 0 to 14b = a.reshape(3,5) b would become:[[0,1,2,3,4], [5,6,7,8,9], [10,11,12,13,14], [15,16,17,18,19]]

3.将任何数据类型转换为NumPy数组

使用np.asarray。例如

a = [(1,2), [3,4,(5)], (6,7,8)]b = np.asarray(a)b::array([(1, 2), list([3, 4, (5, 6)]), (6, 7, 8)], dtype=object)

4.获得零的n维数组。

a = np.zeros(shape,dtype=type_of_zeros)type of zeros can be int or float as it is requiredeg.a = np.zeros((3,4), dtype = np.float16)

5.获得一个n维数组。

类似于np.zeros：

a = np.ones((3,4), dtype=np.int32)

6. np.full和np.empty

np.full用于获取由一个特定值填充的数组，而np.empty通过使用随机值初始化数组来帮助创建数组。例如。

1. np.full(shape_as_tuple,value_to_fill,dtype=type_you_want)a = np.full((2,3),1,dtype=np.float16)a would be:array([[1., 1., 1.], [1., 1., 1.]], dtype=float16)2. np.empty(shape_as_tuple,dtype=int)a = np.empty((2,2),dtype=np.int16)a would be:array([[25824, 25701], [ 2606, 8224]], dtype=int16) The integers here are random.

7.使用np.arrange和np.linspace获取均匀间隔的值的数组

两者都可以用来创建具有均匀间隔的元素的数组。

linspace：

np.linspace(start,stop,num=50,endpoint=bool_value,retstep=bool_value)endpoint specifies if you want the stop value to be included and retstep tells if you would like to know the step-value.'num' is the number of integer to be returned where 50 is default Eg,np.linspace(1,2,num=5,endpoint=False,retstep=True)This means return 5 values starting at 1 and ending befor 2 and returning the step-size.output would be:(array([1. , 1.2, 1.4, 1.6, 1.8]), 0.2) ##### Tuple of numpy array and step-size

人气指数：

np.arange(start=where_to_start,stop=where_to_stop,step=step_size)

如果仅提供一个数字作为参数，则将其视为停止，如果提供2，则将其视为开始和停止。注意这里的拼写。

8.找到NumPy数组的形状

array.shape

9.了解NumPy数组的尺寸

x = np.array([1,2,3])x.ndim will produce 1

10.查找NumPy数组中的元素数

x = np.ones((3,2,4),dtype=np.int16)x.size will produce 24

11.获取n维数组占用的内存空间

x.nbytesoutput will be 24*memory occupied by 16 bit integer = 24*2 = 48

12.在NumPy数组中查找元素的数据类型

x = np.ones((2,3), dtype=np.int16)x.dtype will producedtype('int16')It works better when elements in the array are of one type otherwise typecasting happens and result may be difficult to interpret.

13.如何创建NumPy数组的副本

使用np.copy

y = np.array([[1,3],[5,6]])x = np.copy(y)If,x[0][0] = 1000Then,x is100 35 6y is1 35 6

14.获取n-d数组的转置

使用array_name.T

x = [[1,2],[3,4]]x1 23 4x.T is1 32 4

15.展平n-d数组以获得一维数组

使用np.reshape和np.ravel：

np.reshape：这确实是一个不错的选择。在重塑时，如果您提供-1作为尺寸之一，则从no推断出来。的元素。例如。对于尺寸数组，(1,3,4)如果将其调整为，(-1,2,2),则第一维的长度计算为3。所以，

If x is:1 2 34 5 9Then x.reshape(-1) produces:array([1, 2, 3, 4, 5, 9])

np.ravel

x = np.array([[1, 2, 3], [4, 5, 6]])x.ravel() producesarray([1, 2, 3, 4, 5, 6])

16.更改n-d数组的轴或交换尺寸

使用np.moveaxis和np.swapaxes。

x = np.ones((3,4,5))np.moveaxis(x,axes_to_move_as_list, destination_axes_as_list)For eg.x.moveaxis([1,2],[0,-2])This means you want to move 1st axis to 0th axes and 2nd axes to 2nd last axis. So,the new shape would be.(4,5,3)

转换没有到位，所以不要忘记将其存储在另一个变量中。

np.swapaxes。

x = np.array([[1,2],[3,4]])x.shape is (2,2) and x is1 23 4np.swapaxes(x,0,1) will produce1 32 4If x = np.ones((3,4,5)), andy = np.swapaxes(0,2)y.shape will be(5,4,3)

17.将NumPy数组转换为列表

x = np.array([[3,4,5,9],[2,6,8,0]])y = x.tolist()y will be[[3, 4, 5, 9], [2, 6, 8, 0]]

NumPy文档提到，list(x)如果x是一维数组，使用也将起作用。

18.更改NumPy数组中元素的数据类型。

使用ndarray.astype

x = np.array([0,1,2.0,3.0,4.2],dtype=np.float32)x.astype(np.int16) will producearray([0, 1, 2, 3, 4], dtype=int16)x.astype(np.bool) will produce array([False, True, True, True, True])

19.获取非零元素的索引

使用n-dim_array.nonzero()

x = np.array([0,1,2.0,3.0,4.2],dtype=np.float32)x.nonzero() will produce(array([1, 2, 3, 4]),) It's important to note that x has shape (5,) so only 1st indices are returned. If x were say,x = np.array([[0,1],[3,5]])x.nonzero() would produce (array([0, 1, 1]), array([1, 0, 1]))So, the indices are actually (0,1), (1,0), (1,1). 

20.对NumPy数组进行排序

使用np.ndarray.sort(axis = axis_you_want_to_sort_by)

x = np.array([[4,3],[3,2])x is4 33 2x.sort(axis=1) #sort each row3 42 3x.sort(axis=0) #sort each col3 24 3

21.比较NumPy数组和值

比较将产生布尔类型的NumPy n维数组。例如

x = np.array([[0,1],[2,3]])x==1 will producearray([[False, True], [False, False]])

如果您想计算x中的数字，您可以这样做

(x==1).astype(np.int16).sum()

它应该输出 1

22.乘以两个NumPy矩阵

使用numpy.matmul来获取二维矩阵的矩阵乘积：

a = np.eye(2) #identity matrix of size 2a1 00 1b = np.array([[1,2],[3,4]])b1 23 4np.matmul(a,b) will give1 23 4

如果我们提供一维阵列，则输出将非常不同，因为将使用广播。我们在下面讨论。此外，还有另一个函数称为np.multiply执行元素到元素的乘法。对于前两个矩阵，输出为np.multiply(a,b)。

1 00 4

23.两个阵列的点积

np.dot(矩阵1，矩阵2)

a = np.array([[1,2,3],[4,8,16]])a:1 2 34 8 16b = np.array([5,6,11]).reshape(-1,1)b:5611np.dot(a,b) produces38160Just like any dot product of a matrix with a column vector would produce.

行向量与列向量的点积将产生：

if a is array([[1, 2, 3, 4]])and b is: array([[4], [5], [6], [7]])np.dot(a,b) gives:array([[60]])a's shape was (1,4) and b's shape was (4,1) so the result will have shape (1,1)

24.获得两个numpy向量的叉积

回想一下物理学中的矢量叉积。这是大约一个点的扭矩方向。

x = [1,2,3]y = [4,5,6]z = np.cross(x, y)z is:array([-3, 6, -3]) 

25.获取数组的梯度

使用np.gradient。NumPy使用泰勒级数和中心差法计算梯度。您可以在这篇文章中阅读有关它的更多信息。

x = np.array([5, 10, 14, 17, 19, 26], dtype=np.float16)np.gradient(x) will be:array([5. , 4.5, 3.5, 2.5, 4.5, 7. ], dtype=float16)

26.如何切片NumPy数组？

For single element:x[r][c] where r,c are row and col number of the element.For slicing more than one element.x:2 4 93 1 57 8 0and you want 2,4 and 7,8 then dox[list_of_rows,list_of_cols] which would bex[[0,0,2,2],[0,1,0,1]] producesarray([2, 4, 7, 8])If one of the rows or cols are continuous, it's easier to do it:x[[0,2],0:2] producesarray([[2, 4], [7, 8]])

27. broadcasting

如果不包括broadcasting，则有关NumPy的任何文章都将是不完整的。这是一个重要的概念，可帮助NumPy对操作进行向量化，从而使计算速度更快。理解一些规则将有助于更好地剖析广播。

来自NumPy文档：

在两个数组上进行操作时，NumPy逐元素比较其形状。它从尾随尺寸开始，一直向前发展。两种尺寸兼容

1.他们是平等的，或

2.其中之一是1

要记住的另一件事是，

如果尺寸匹配，则输出将在每个尺寸中具有最大长度。如果其中一个维度的长度为1，则将重复该维度中的值

假设有两个数组A和维度说明B **(3,4,5)**和**(4,1) **分别，你想添加的两个数组。由于它们的形状不同，因此NumPy将尝试广播这些值。它开始比较两个尺寸的最后一个维度的长度：5和1，这些值不相等，但是由于其中一个值为1，因此将重复该值，最终输出在最后一个维度中的长度为5 。

两者的倒数第二个长度相同4。

A中的最后3维或1维具有长度，3而B没有任何长度。当其中一个向量缺少维度时，NumPy在向量前加1。因此，B变为**(1,4,1)**。现在，长度匹配为3和1，并且在B中将值重复3次。最终输出将具有shape **(3,4,5)**。

a :3 5 84 5 69 7 2b :b = [2,3,4]a's shape: (3,3)b's shape: (3,)Last dimension has same length 3 for the two and then 1 is prepended to the the dimension of b as it doesn't have anything in that dimension. So, b becomes [[2,3,4]] having shape (1,3). Now, 1st dimension match and values are repeated for b. Finally, b can be seen as2 3 42 3 42 3 4So, a+b produces5 8 126 8 1011 10 6

查看broadcasting中的这些帖子以了解更多信息：第一和第二

总结

感谢您的阅读。我希望本文能为需要NumPy入门的任何人提供帮助。我发现这些操作非常有帮助，将它们放在我们的提示上总是一件好事。这些操作非常基础，NumPy中可能有不同的方法来实现相同的目标。除了提供了链接的其他几篇文章外，我主要使用NumPy文档作为参考。

翻译自：https://towardsdatascience.com/27-things-that-a-beginner-needs-to-know-about-numpy-edda217fb662