https://www.toutiao.com/a6670751745192231435/

Numpy是一个Python库/模块，在Python编程中用于科学计算。在本教程中，你将学习如何在Numpy数组上执行一系列操作，例如以多种方式添加、删除、排序和操作元素。

Numpy提供一个多维数组对象和其他派生数组，如掩码数组或掩码多维数组。

为什么使用Numpy？

Numpy模块提供一个ndarray对象，我们可以用这个对象来对任意维度的数组执行操作。ndarray代表N维数组，其中N是任意数字。这意味着Numpy数组可以是任意维度的数组。

与Python列表相比，Numpy有很多优点。我们可以对Numpy数组执行高性能操作，例如：

1. 数组成员排序

2. 数学和逻辑运算

3. 输入/输出功能

4. 统计和线性代数运算

如何安装Numpy?

想要安装Numpy，需要在电脑系统上安装Python和Pip。

在Windows操作系统上执行以下命令：

pip install numpy

现在可以像这样在脚本中导入Numpy：

import numpy

添加数组元素

你可以使用NumPy模块的append（）方法添加一个NumPy数组元素。append的使用操作如下：

numpy.append(array, value, axis)

这些值将附加在数组的末尾，新的ndarray将与上面所示的新值和旧值一起返回。

axis是一个可选的整数，用于定义数组的显示方式。如果没有指定axis，数组结构将被展平，如你稍后将看到的一样。

请看下面的示例，首先创建一个数组，然后使用append方法向该数组添加更多值：

a = numpy.array([1, 2, 3])
newArray = numpy.append (a, [10, 11, 12])

添加列

使用Numpy的append（）方法插入列。

请看下面的示例，创建了一个二维数组并插入了两列：

a = numpy.array([[1, 2, 3], [4, 5, 6]])
b = numpy.array([[400], [800]])
newArray = numpy.append(a, b, axis = 1)

如果未使用axis属性，则输出如下：

这就是数组结构的扁平化过程。

在NumPy中，还可以使用insert（）方法插入元素或列。insert（）和append（）两种方法之间的区别在于我们在使用insert（）方法时，可以指定要在哪个索引处添加元素，而append（）方法则会在数组末尾添加一个值。

请看以下示例：

a = numpy.array([1, 2, 3])
newArray = numpy.insert(a, 1, 90)

这里，insert（）方法在索引1处添加元素。请记住数组索引从0开始。

添加行

在本节中，我们将使用append（）方法向数组添加行。此方法就像在数组中添加元素一样简单。请看以下示例：

a = numpy.array([[1, 2, 3], [4, 5, 6]])
newArray = numpy.append(a, [[50, 60, 70]], axis = 0)

删除元素

可以使用NumPy模块的delete（）方法删除NumPy数组元素，以下示例对此进行了演示：

a = numpy.array([1, 2, 3])
newArray = numpy.delete(a, 1, axis = 0)

输出如下：

在上面的例子中，可以看到一个单维数组。delete（）方法从数组中删除索引1处的元素。

删除行

同样，可以使用delete（）方法删除行。

请看以下示例，从二维数组中删除了一行：

a = numpy.array([[1, 2, 3], [4, 5, 6], [10, 20, 30]])
newArray = numpy.delete(a, 1, axis = 0)

在delete（）方法中，首先给出数组，然后给出要删除元素的索引。在上面的示例中，删除索引为1的第二个元素。

检查 NumPy 数组是否为空值

使用size方法得出数组中元素的总数。

在下面的示例中，我们将会使用一个if语句，该语句通过ndarray.size去检查数组中是否有元素，其中ndarray是任意给定的NumPy数组：

import numpy
a = numpy.array([1, 2, 3])
if(a.size == 0):
print("The given Array is empty")

其他：

print("The array = ", a)

输出如下：

在上面的代码中，有三个元素，因此这个数组不是空的，if条件将返回false。

如果没有元素，if条件将变为true，并将显示空白数组。

如果我们的数组等于：

a = numpy.array([])

上述代码的输出如下：

查找值的索引

使用Numpy模块的where（）方法查找值的索引，如下例所示：

import numpy
a = numpy.array([1, 2, 3, 4, 5])
print("5 is found at index: ", numpy.where(a == 5))

Where（）方法还将返回数据类型。如果你只想获取索引，请使用以下代码：

import numpy
a = numpy.array([1, 2, 3, 4, 5])
index = numpy.where(a == 5)
print("5 is found at index: ", index[0])

NumPy 数组切片

数组切片是从给定数组中提取子集的过程。可以使用冒号运算符对数组进行切片，并指定数组索引的起点和终点，例如：

array[from:to]

下面的示例突出了这点：

import numpy
a = numpy.array([1, 2, 3, 4, 5, 6, 7, 8])
print("A subset of array a = ", a[2:5])

这里我们提取索引2到索引5中的元素。输出将是：

如果想要提取最后三个元素，可以通过使用负片切片来完成此操作，如下所示：

import numpy
a = numpy.array([1, 2, 3, 4, 5, 6, 7, 8])
print("A subset of array a = ", a[-3:])

将函数应用于所有数组元素

在下面的示例中，我们将创建一个lambda函数，在该函数上传递数组以将其应用于所有元素：

import numpy
addition = lambda x: x + 2
a = numpy.array([1, 2, 3, 4, 5, 6])
print("Array after addition function: ", addition(a))

在此示例中，创建了一个lambda函数，它将每个元素递增2个值。

NumPy 数组长度

你可以通过使用NumPy模块的size属性来获取NumPy数组的长度，如下例所示：

import numpy
a = numpy.array([1, 2, 3, 4, 5, 6])
print("The size of array = ", a.size)

从列表中创建numpy数组

Python中的列表是方括号之间的多个元素。

假设有一个列表：

l = [1, 2, 3, 4, 5]

现在要根据这个列表创建一个数组，我们将使用NumPy模块的array（）方法：

import numpy
l = [1, 2, 3, 4, 5]
a = numpy.array(l)
print("The NumPy array from Python list = ", a)

同样地，通过使用array（）方法，我们可以根据元组创建一个NumPy数组。一个元组包含多个用圆括号括起来的元素，如下所示：

import numpy
t = (1, 2, 3, 4, 5)
a = numpy.array(t)
print("The NumPy array from Python Tuple = ", a)

将NumPy数组转换为列表

想要将数组转换为列表，我们可以使用NumPy模块的tolist（）方法。

请看以下代码：

import numpy
a = numpy.array([1, 2, 3, 4, 5])
print("Array to list = ", a.tolist())

在这段代码中，我们简单地运用了能将数组转换为列表的tolist（）方法。然后将新创建的列表打印到输出屏幕。

从NumPy 到CSV

使用NumPy模块的savetxt（）方法将数组导出为CSV文件，如下例所示：

import numpy
a = numpy.array([1, 2, 3, 4, 5])
numpy.savetxt("myArray.csv", a)

代码将在Python代码文件存储位置生成一个CSV文件。你还可以指定其路径。运行脚本时，文件将生成如下代码：

该文件的内容如下：

你可以删除额外的零填充，如下所示：

numpy.savetxt("myArray.csv", a,fmt='%.2f')

将 NumPy 数组排序

可以使用Numpy模块的sort（）方法对numpy数组进行排序：

Sort（）函数采用一个可选的axis（整数），默认值为-1。此axis指定要对数组进行排序的axis。-1表示数组将根据最后一个axis进行排序。

请看以下示例：

import numpy
a = numpy.array([16, 3, 2, 6, 8, 10, 1])
print("Sorted array = ", numpy.sort(a))

在本例中，我们在print语句中运用了sort（）方法。数组“a”被传递给排序函数。其输出如下：

规范化数组

规范化数组是将数组值设置为某个定义范围内的过程。例如，我们可以说我们想要规范化一个介于-1和1之间的数组，依此类推。

规范化公式如下：

x = (x – xmin) / (xmax – xmin)

现在将这个公式应用于数组，对它进行规范化操作。要查找数组中的最大和最小项，分别使用NumPy的max（）和min（）方法。

import numpy
x= numpy.array([400, 800, 200, 700, 1000, 2000, 300])
xmax = x.max()
xmin = x.min()
x = (x - xmin)/(xmax - xmin)
print("After normalization array x =
", x)

数组索引

索引指的是数组的一个元素。在以下示例中，我们在单维和二维数组中都使用了索引：

import numpy
a = numpy.array([20, 13, 42, 86, 81, 9, 11])
print("Element at index 3 = ", a[3])

现在使用二维数组进行索引：

import numpy
a = numpy.array([[20, 13, 42], [86, 81, 9]])
print("Element at index a[1][2] = ", a[1][2])

索引[1] [2]表示第二行和第三列（索引从0开始）。因此，我们在输出屏幕上能看到9个索引。

将numpy数组附加到另一个数组上

你可以使用append（）方法将一个NumPy数组附加到另一个NumPy数组上。请看以下示例：

import numpy
a = numpy.array([1, 2, 3, 4, 5])
b = numpy.array([10, 20, 30, 40, 50])
newArray = numpy.append(a, b)
print("The new array = ", newArray)

在本例中，我们创建一个numpy数组“a”，然后创建另一个名为“b”的数组。然后我们使用append（）方法传递两个数组。当数组“b”作为第二个参数传递时，将被添加到数组“a”的末尾。

正如我们所见，使用Numpy数组非常简单。在使用大多数机器学习库时，Numpy数组非常重要。所以，我们可以说Numpy是通往人工智能的大门。

代码详解：Numpy——通往人工智能的大门相关推荐

石头剪刀布人工智能代码详解
石头剪刀布人工智能代码详解 #include <iostream> #include <fstream> #include <stdlib.h> #include ...
BilSTM 实体识别_NLP入门实体命名识别（NER）+BilstmCRF模型原理Pytorch代码详解——最全攻略...
来自 | 知乎作者 | seven链接 | https://zhuanlan.zhihu.com/p/79552594编辑 | 机器学习算法与自然语言处理公众号本文仅作学术分享,如有侵权,请联系 ...
Make your own Neural NetWork之代码详解中
这篇博客接上一篇博客Make Your Own Neural Network之代码详解上.本文也是出自Make your own Neural NetWork这本书.上一篇博客讲了神经网络类的功能模块 ...
【CV】Pytorch一小时入门教程-代码详解
目录一.关键部分代码分解 1.定义网络 2.损失函数(代价函数) 3.更新权值二.训练完整的分类器 1.数据处理 2. 训练模型(代码详解) CPU训练 GPU训练 CPU版本与GPU版本代码区别 ...
代码详解|tensorflow实现聊天AI--PigPig养成记(1)
Chapter1.代码详解完整代码github链接,Untitled.ipynb文件内. [里面的测试是还没训练完的时候测试的,今晚会更新训练完成后的测试结果] 修复了网上一些代码的bug,解决了由 ...
python怎么画条形图-python绘制条形图方法代码详解
1.首先要绘制一个简单的条形图 import numpy as np import matplotlib.pyplot as plt from matplotlib import mlab from ...
DeepLearning tutorial（1）Softmax回归原理简介+代码详解
FROM: http://blog.csdn.net/u012162613/article/details/43157801 DeepLearning tutorial(1)Softmax回归原理简介 ...
DeepLearning tutorial（3）MLP多层感知机原理简介+代码详解
FROM:http://blog.csdn.net/u012162613/article/details/43221829 @author:wepon @blog:http://blog.csdn.n ...
DeepLearning tutorial（4）CNN卷积神经网络原理简介+代码详解
FROM: http://blog.csdn.net/u012162613/article/details/43225445 DeepLearning tutorial(4)CNN卷积神经网络原理简介 ...

代码详解：Numpy——通往人工智能的大门