NumPy科学计算库-学习笔记

文章目录

NumPy科学计算库
- 0 准备
- - 安装python库
  - jupyter 启动：jupyter notebook
  - jupyter扩展插件
- 1 基本操作
- - 1.1 数组创建
  - 1.2 查看属性
  - 1.3 文件操作
  - - 存储
    - 读取
    - 读写csv、txt
- 2 数据类型
- 3 数组运算
- - 基本运算
  - 逻辑运算
  - 数组与标量计算
- 4 复制和视图
- - 完全没有复制
  - 浅拷贝
  - 深拷贝
- 5 索引、切片和迭代
- - 5.1 基本索引和切片
  - 5.2 boolean值索引
- 6 形状操作
- - 数组变形
  - 数组转置
  - 数组堆叠
  - split数组拆分
- 7 广播机制
- - 一维数组广播
  - ⼆维数组的广播
  - 三维数组广播
- 8 通用函数
- - 8.1 元素级数字函数
  - 8.2 where函数
  - 8.3 排序方法
  - 8.4 集合运算函数
  - 8.5 数学和统计函数
- 9 线性代数
- - 9.1 矩阵乘积
  - 9.2 矩阵其他计算

NumPy科学计算库

0 准备

文档参考：https://www.numpy.org.cn/

安装python库

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

jupyter 启动：jupyter notebook

jupyter扩展插件

pip install jupyter_contrib_nbextensions -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install jupyter_nbextensions_configurator -i https://pypi.tuna.tsinghua.edu.cn/simple
jupyter contrib nbextension install --user
jupyter nbextensions_configurator enable --user

1 基本操作

1.1 数组创建

# 将列表转为NumPy数组
l = [1,2,3,4,5]
arr = np.array(l)# 生成int随机数
arr6 = np.random.randint(0,100,size = 10)
arr6# 生成正态分布数
arr7 = np.random.randn(5)
arr7

1.2 查看属性

arr = np.random.randint(0,100,size = (3,4,5))
display(arr)
print("数组的维度：", arr.ndim)
print("数组的形状：", arr.shape)
print("数组元素的总数：", arr.size)
print("数据类型：", arr.dtype)
print("数组总每个元素的大小：", arr.itemsize)

1.3 文件操作

存储

x = np.random.randn(5)
y = np.arange(0,10,1)
# save⽅法可以存⼀个ndarray
np.save("x_arr",x)
# 如果要存多个数组，要是⽤savez⽅法，保存时以key-value形式保存，key任意（xarr、yarr）
np.savez("some_array.npz",xarr = x,yarr=y)

读取

# 直接加载
np.load('x_arr.npy')
# 通过key获取保存的数组数据
np.load('some_array.npz')['yarr']

读写csv、txt

arr = np.random.randint(0,10,size = (3,4))
# 储存数组到txt⽂件
np.savetxt("arr.csv",arr,delimiter=',') # ⽂件后缀是txt也是⼀样的
# 读取txt⽂件，delimiter为分隔符，dtype为数据类型
np.loadtxt("arr.csv",delimiter=',',dtype=np.int32)

2 数据类型

ndarray数据类型

int : int8、uint8、int16、int32、int64
float: float16、float32、float64
str

# 创建时指定数据类型
np.array([1,2,5,8,2],dtype = 'float32')# asarray转换时指定
arr = [1,3,5,7,2,9,0]
np.asarray(arr,dtype = 'float32')# 数据类型转换astype
arr = np.random.randint(0,10,size = 5,dtype = 'int16')
arr.astype('float32') # 输出：array([1., 4., 0., 6., 6.], dtype=float32)

3 数组运算

基本运算

arr1 = np.array([1,2,3,4,5])
arr2 = np.array([2,3,1,5,9])
arr1 + arr2 # +
arr1 - arr2 # 减法
arr1 * arr2 # 乘法
arr1 / arr2 # 除法
arr1 ** arr2 # 两个星号表示幂运算

逻辑运算

arr1 < 5
arr1 >= 5
arr1 == 5
arr1 == arr2
arr1 > arr2

数组与标量计算

arr = np.arange(1,10)
1/arr
arr+5
arr*5

4 复制和视图

完全没有复制

a = np.random.randint(0,100,size = (4,5))
b = a
a is b # 返回True a和b是两个不同名字对应同⼀个内存对象
b[0,0] = 1024 # 命运共同体
display(a,b)

浅拷贝

a = np.random.randint(0,100,size = (4,5))
b = a.view() # 使⽤a中的数据创建⼀个新数组对象
a is b # 返回False a和b是两个不同名字对应同⼀个内存对象
b.base is a # 返回True，b视图的根数据和a⼀样
b.flags.owndata # 返回False b中的数据不是其⾃⼰的
a.flags.owndata # 返回True a中的数据是其⾃⼰的
b[0,0] = 1024 # a和b的数据都发⽣改变
display(a,b)

深拷贝

import numpy as np
a = np.random.randint(0,100,size = (4,5))
b = a.copy()
b is a # 返回False
b.base is a # 返回False
b.flags.owndata # 返回True
a.flags.owndata # 返回True
b[0,0] = 1024 # b改变，a不变，分道扬镳
display(a,b)

5 索引、切片和迭代

5.1 基本索引和切片

arr = np.array([0,1,2,3,4,5,6,7,8,9])
arr[5] #索引 输出 5
arr[5:8] #切⽚输出：array([5, 6, 7])
arr[2::2] # 从索引2开始每两个中取⼀个 输出 array([2, 4, 6, 8])
arr[::3] # 不写索引默认从0开始，每3个中取⼀个 输出为 array([0, 3, 6, 9])
arr[1:7:2] # 从索引1开始到索引7结束，左闭右开，每2个数中取⼀个 输出 array([1, 3, 5])
arr[::-1] # 倒序 输出 array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
arr[::-2] # 倒序 每两个取⼀个 输出 array([9, 7, 5, 3, 1])
arr[5:8]=12 # 切⽚赋值会赋值到每个元素上，与列表操作不同
temp = arr[5:8]
temp[1] = 1024
arr # 输出：array([ 0, 1, 2, 3, 4, 12, 1024, 12, 8, 9])

5.2 boolean值索引

names = np.array(['softpo','Brandon','Will','Michael','Will','Ella','Daniel','softpo','
Will','Brandon'])
cond1 = names == 'Will'
cond1
# 输出array([False, False, True, False, True, False, False, False, True,
False])
names[cond1] # array(['Will', 'Will', 'Will'], dtype='<U7')
arr = np.random.randint(0,100,size = (10,8)) # 0~100随机数
cond2 = arr > 90
# 找到所有⼤于90的索引，返回boolean类型的数组 shape(10,8)，⼤于返回True，否则False
arr[cond2] # 返回数据全部是⼤于90的

6 形状操作

数组变形

arr1 = np.random.randint(0,10,size = (3,4,5))
arr2 = arr1.reshape(12,5) # 形状改变，返回新数组
arr3 = arr1.reshape(-1,5) # ⾃动“整形”，⾃动计算

数组转置

arr1 = np.random.randint(0,10,size = (3,5)) # shape(3,5)
arr1.T # shape(5,3) 转置
arr2 = np.random.randint(0,10,size = (3,6,4)) # shape(3,6,4)
np.transpose(arr2,axes=(2,0,1)) # transpose改变数组维度 shape(4,3,6)

数组堆叠

import numpy as np
arr1 = np.array([[1,2,3]])
arr2 = np.array([[4,5,6]])
np.concatenate([arr1,arr2],axis = 0)
# 串联合并shape(2,3) axis = 0表示第⼀维串联 输出为
# array([[1, 2, 3],
# [4, 5, 6]])
np.concatenate([arr1,arr2],axis = 1)
# shape(1,6) axis = 1表示第⼆维串联 输出为：array([[1, 2, 3, 4, 5, 6]])
np.hstack((arr1,arr2)) # ⽔平⽅向堆叠 输出为：array([[1, 2, 3, 4, 5, 6]])
np.vstack((arr1,arr2))
# 竖直⽅向堆叠，输出为：
# array([[1, 2, 3],
# [4, 5, 6]])

split数组拆分

arr = np.random.randint(0,10,size = (6,5)) # shape(6,5)
np.split(arr,indices_or_sections=2,axis = 0) # 在第⼀维（6）平均分成两份
np.split(arr,indices_or_sections=[2,3],axis = 1) # 在第⼆维（5）以索引2，3为断点分割
成3份
np.vsplit(arr,indices_or_sections=3) # 在竖直⽅向平均分割成3份
np.hsplit(arr,indices_or_sections=[1,4]) # 在⽔平⽅向，以索引1，4为断点分割成3份

7 广播机制

当两个数组的形状并不相同的时候，我们可以通过扩展数组的⽅法来实现相加、相减、相乘等操作，这种机制叫做⼴播（broadcasting）

一维数组广播

arr1 = np.sort(np.array([0,1,2,3]*3)).reshape(4,3) #shape(4,3)
arr2 = np.array([1,2,3]) # shape(3,)
arr3 = arr1 + arr2 # arr2进⾏⼴播复制4份 shape(4,3)

⼆维数组的广播

arr1 = np.sort(np.array([0,1,2,3]*3)).reshape(4,3) # shape(4,3)
arr2 = np.array([[1],[2],[3],[4]]) # shape(4,1)
arr3 = arr1 + arr2 # arr2 进⾏⼴播复制3份 shape(4,3)

三维数组广播

arr1 = np.array([0,1,2,3,4,5,6,7]*3).reshape(3,4,2) #shape(3,4,2)
arr2 = np.array([0,1,2,3,4,5,6,7]).reshape(4,2) #shape(4,2)
arr3 = arr1 + arr2 # arr2数组在0维上复制3份 shape(3,4,2)

8 通用函数

8.1 元素级数字函数

abs、sqrt、square、exp、log、sin、cos、tan，maxinmum、minimum、all、any、inner、clip、
round、trace、ceil、floor

arr1 = np.array([1,4,8,9,16,25])
np.sqrt(arr1) # 开平⽅
np.square(arr1) # 平⽅
np.clip(arr1,2,16) # 输出 array([ 2, 4, 8, 9, 16, 16])
x = np.array([1,5,2,9,3,6,8])
y = np.array([2,4,3,7,1,9,0])
np.maximum(x,y) # 返回两个数组中的⽐较⼤的值
arr2 = np.random.randint(0,10,size = (5,5))
np.inner(arr2[0],arr2) #返回⼀维数组向量内积

8.2 where函数

where 函数，三个参数，条件为真时选择值的数组，条件为假时选择值的数组

arr1 = np.array([1,3,5,7,9])
arr2 = np.array([2,4,6,8,10])
cond = np.array([True,False,True,True,False])
np.where(cond,arr1,arr2) # True选择arr1，False选择arr2的值
# 输出 array([ 1, 4, 5, 7, 10])
arr3 = np.random.randint(0,30,size = 20)
np.where(arr3 < 15,arr3,-15) # ⼩于15还是⾃身的值，⼤于15设置成-15

8.3 排序方法

直接改变原数组

arr = np.array([9,3,11,6,17,5,4,15,1])
arr.sort() # 直接改变原数组
np.sort(arr) # 返回深拷⻉排序结果
arr = np.array([9,3,11,6,17,5,4,15,1])
arr.argsort() # 返回从⼩到⼤排序索引 array([8, 1, 6, 5, 3, 0, 2, 7, 4])

8.4 集合运算函数

A = np.array([2,4,6,8])
B = np.array([3,4,5,6])
np.intersect1d(A,B) # 交集 array([4, 6])
np.union1d(A,B) # 并集 array([2, 3, 4, 5, 6, 8])
np.setdiff1d(A,B) #差集，A中有，B中没有 array([2, 8])

8.5 数学和统计函数

min、max、mean、median、sum、std、var、cumsum、cumprod、argmin、argmax、
argwhere、cov、corrcoef

arr1 = np.array([1,7,2,19,23,0,88,11,6,11])
arr1.min() # 计算最⼩值 0
arr1.argmax() # 计算最⼤值的索引 返回 6
np.argwhere(arr1 > 20) # 返回⼤于20的元素的索引
np.cumsum(arr1) # 计算累加和
arr2 = np.random.randint(0,10,size = (4,5))
arr2.mean(axis = 0) # 计算列的平均值
arr2.mean(axis = 1) # 计算⾏的平均值
np.cov(arr2,rowvar=True) # 协⽅差矩阵
np.corrcoef(arr2,rowvar=True) # 相关性系数

9 线性代数

9.1 矩阵乘积

#矩阵的乘积
A = np.array([[4,2,3],[1,3,1]]) # shape(2,3)
B = np.array([[2,7],[-5,-7],[9,3]]) # shape(3,2)
np.dot(A,B) # 矩阵运算 A的最后⼀维和B的第⼀维必须⼀致
A @ B # 符号 @ 表示矩阵乘积运算

9.2 矩阵其他计算

下⾯可以计算矩阵的逆、⾏列式、特征值和特征向量、qr分解值，svd分解值

#计算矩阵的逆
from numpy.linalg import inv,det,eig,qr,svd
A = np.array([[1,2,3],[2,3,4],[4,5,8]]) # shape(3,3)
inv(t) # 逆矩阵
det(t)#计算矩阵⾏列式

NumPy科学计算库-学习笔记相关推荐

科学计算库学习笔记（持续更新）
文章目录数据处理与分析学习的思想与流程科学计算库的主要数据结构 dataframe dataframe的创建 datetime和str 数据处理的流程数据的导入数据的预处理(数据清理) 重复值 ...
MOOC网神经网络与深度学习TensorFlow实践2——numpy科学计算库、matplotlib
numpy科学计算库只打乱第一维的数据: Matplotlib 散点图折线图和柱状图波士顿房价数据集可视化鸢尾花数据集可视化
神经网络与深度学习——TensorFlow2.0实战(笔记)(五)(NumPy科学计算库＜1＞python)
多维数组形状(Shape): 是一个元组,描述数组的维度,以及各个维度的长度. 长度(Length): 某个维度中的元素个数. 数字单门课程成绩 1*课程成绩一维数组多门课程成绩 n*课程成绩 ...
python【Numpy科学计算库】Numpy的超实用基础详细教程（看不懂你来打我）
文章目录 Numpy简单介绍 1.Numpy是什么 2. 多维数组 numpy数据类型设定与转换 numpy索引与切片多维数组索引.切片数组文件输入输出使用numpy.arange方法使用nu ...
神经网络与深度学习——TensorFlow2.0实战(笔记)(五)(NumPy科学计算库＜2＞python)
数组元素的切片一维数组 #一维数组 #切片方法和Python序列数据结构的切片一样 a=np.array([0,1,2,3,4],dtype=np.int64)#占用新的内存 #不包括结束位置 pr ...
【学习笔记】Numpy科学计算库基础学习
01 Numpy属性 Numpy常用于矩阵的运算 np.array()定义array矩阵 array.ndim矩阵的维度 array.shape矩阵的形状 array.size矩阵的大小 array. ...
神经网络与深度学习——TensorFlow2.0实战(笔记)(五)(NumPy科学计算库＜矩阵和随机数＞python)
矩阵和随机数矩阵创建矩阵 #创建矩阵 astring = np.mat("1 2 3; 4 5 6") alist = [[1,2,3],[4,5,6]] anplist = ...
NumPy科学计算库（1）Python数据分析
1 NumPy简介简单来说NumPy的功能就是就是对可以一个数值集合(eg:数组)进行各种各样的操作. NumPy(Numerical Python)是Python的一种开源的数值计算扩展.提供 ...
python【Numpy科学计算库】连女朋友都会用的Numpy（真の能看懂~！）
文章目录 1 Numpy属性 2 Numpy的创建array 3 Numpy 基础运算1 4 Numpy 基础运算2 5 Numpy索引 6 Numpy array合并 7 Numpy array分割 ...