Python计算类库(Numpy)

Python计算库（Numpy）思维导图

1. Numpy是什么？

NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。 NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能

这个库的前身是1995年就开始开发的一个用于数组运算的库。经过了长时间的发展，基本上成了绝大部分Python科学计算的基础包，当然也包括所有提供Python接口的深度学习框架

2. 为什么使用Numpy？

a) 便捷：

• 对于同样的数值计算任务，使用NumPy要比直接编写Python代码便捷得多。这是因为NumPy能够直接对数组和矩阵进行操作，可以省略很多循环语句，其众多的数学函数也会让编写代码的工作轻松许多

b) 性能：

• NumPy中数组的存储效率和输入输出性能均远远优于Python中等价的基本数据结构（如嵌套的list容器）。其能够提升的性能是与数组中元素的数目成比例的。对于大型数组的运算，使用NumPy的确很有优势。对于TB级的大文件，NumPy使用内存映射文件来处理，以达到最优的数据读写性能

c) 高效：

• NumPy的大部分代码都是用C语言写成的，这使得NumPy比纯Python代码高效得多

注意：

• NumPy也有其不足之处，由于NumPy使用内存映射文件以达到最优的数据读写性能，而内存的大小限制了其对TB级大文件的处理；此外，NumPy数组的通用性不及Python提供的list容器。因此，在科学计算之外的领域，NumPy的优势也就不那么明显

3. Numpy的安装：

（1）官网安装：http://www.numpy.org/

（2）pip 安装：pip install numpy

（3）LFD安装，针对windows用户：http://www.lfd.uci.edu/~gohlke/pythonlibs/

（4）Anaconda安装（推荐），Anaconda里面集成了很多关于python科学计算的第三方库，主要是安装方便。下载地址：https://www.anaconda.com/download/

4. numpy 基础：

NumPy的主要对象是同种元素的多维数组。这是一个所有的元素都是一种类型。在NumPy中维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。NumPy的数组类被称作 ndarray（矩阵也叫数组） 。通常被称作数组。常用的ndarray对象属性有：ndarray.ndim(数组轴的个数,轴的个数被称作秩)，ndarray.shape(数组的维度。这是一个指示数组在每个维度上大小的整数元组。

Numpy的数据类型：

例如：一个n行m列的矩阵：

• .ndim
• .shape
• .size
• .dtype

Numpy内置的特征码：

• int8, int16, int32,int64 可以由字符串’i1’, ‘i2’,’i4’, ‘i8’代替，其余的以此类推

5. 创建数组并查看其属性：

(1) 用np.array从python列表和元组创建数组：

• 例：
  • import numpy as np a = np.array([[1,2,3], [4, 5, 6]], dtype=int) print(a.shape) # a.ndim, a.size, a.dtype
• 例：
  • import numpy as np a = np.array([(1,2,3), (4, 5, 6)], dtype=float) print(a.shape) # a.ndim, a.size, a.dtype

(2) 用np.arange().reshape()创建数组：

• 例：
  • import numpy as np a = np.arange(10).reshape(2, 5) # 创建2行5列的二维数组，

也可以创建三维数组，
a = np.arange(12).reshape(2,3,2)
print(a)

(3)用np.random.randint(最小值，最大值，个数，类型).reshape(#,#)

• 左闭右开
• 随机整数

(4)用np.random.rand(#).reshape(#,#)

• 左闭右开
• [0,1)均匀分布（小数）
• 个

(5)用np.random.randn(#）

• 左闭右开
• 标准正态分布
• 均值为0，方差为1

(6)用np.emty(#),reshape(#）

• 固定值#生成（无限趋近于零）

(7)用np.ones(#),reshape(#）

• 固定值1生成
• 个

(8)用np.zeros(),reshape(#）

• 固定值0生成
• 个

(6)用np.emty(),reshape(#）

• 固定值生成

6. 基本运算：

array.sum()

• 所有值累加和
• array.sum(0)
  • 每一列的累加和
• array.sum(1)
  • 每一行的累加和

+

• array+array

-

• array-array

*

• np.dot(array,array)

T

• array.T

linalg.inv

• np.linalg.inv(array)

7. 常用函数：

import numpy as np

array = np.random.randint(1,10,9).reshape(3,3) print(np.where(array>5,array,0))

8、索引、切片、迭代

索引：

• import numpy as np a = arange(10)**3 a[2] a[2:5] a[:6:2] = -1000 a[ : :-1] for i in a:
• 多维数组的索引
  • b = np.arange(20).reshape(5,4) b[2,3] b[0:5, 1] b[ : ,1] b[1:3, : ]

当少于轴数的索引被提供时，确失的索引被认为是整个切片
b[-1] #相当于b[-1,:]
b[i] 中括号中的表达式被当作 i 和一系列 : ，来代表剩下的轴。NumPy也允许你使用“点”像 b[i,...] 。
点 (…)代表许多产生一个完整的索引元组必要的分号。如果x是
秩为5的数组(即它有5个轴)，那么:x[1,2,…] 等同于 x[1,2,:,:,:],x[…,3] 等同于 x[:,:,:,:,3]，x[4,…,5,:] 等同 x[4,:,:,5,:].

• 三维数组的索引：
  • c = np.arange(12).reshape(2,3,2) c[1] c[2,1] # 等价于c[2][1] c[2,1,1] # 等价于c[2][1][1]

通过数组索引
d = np.arange(10)**2 e = np.array ([3, 5, 6])

切片（起始值，结束值，最后值）：

• 实例：
  • 取第一行所有值：
    • array[0]
  • 取第一列所有值：
    • array[:,0]

• • 取第一行和第三行：
    • array[0::2,]
  • 取第二列和第四列：
    • array[::,1::2]
  • 取第一行和第三行的取第二列和第四列：
    • array[0::2,1::2]

迭代：

• for i in range(0,array.shape[0]): for j in range (0,array.shape[1]): print(array[i][j],end="t") print()

9. 形状操作：

ravel()

• array.ravel()

vstack()

• np.vstack((array,array))

hstack()

• np.hstack((array,array))

stack()

• np.stack((array,array,axis=0))

split()

• np.split(array,#)

hsplit()

• np.hsplit(array,#)

vsplit()

• np.vsplit(array,#)