王玉祥

Appearance

NumPy ​

numpy是python中科学计算的基础包

它是一个Python库，提供多维数组对象，各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法

Anaconda安装 ​

优点:

  1. 方便安装: 就像安装一个软件一样简单，它为您预先安装好了许多常用的工具，无需单独配置。
  2. 包管理器: 包含一个名为Conda的包管理器，用于安装、更新和管理软件包。
  3. 环境管理: 可以轻松的创建和管理多个独立的Python环境，比如可以安装 python2 和 3 环境，实现自由切换
  4. 集成工具和库: 捆绑了许多用于数据科学、机器学习和科学计算的重要工具和库，如: NumPy、Pandas、Matplotlib、SciPy、Scikit-learn等。
  5. 跨平台性: 可在Windows、macOS和Linux等操作系统上运行，使其称为一个跨平台的解决方案。

alt text

下载与安装 ​

官网下载: https://www.anaconda.com/download/success?reg=skipped

ndarray ​

Numpy数组(ndarray)的核心特性

多维性: 支持0维、1维（向量）、2维（矩阵）及更高维数组。
同质性: 所有元素类型必须一致(通过dtype指定)
高效性: 基于连续内存块存储，支持向量化运算

多维性

python
import numpy as np

arr = np.array(5) # 创建0维的ndarray
print(arr)
print(arr.ndim) # 查看arr的维度



import numpy as np

arr = np.array([1,2,3,4,5]) # 创建1维的ndarray
print(arr)
print(arr.ndim) # 查看arr的维度


import numpy as np

arr = np.array([[1,2,3],[4,5,6]]) # 创建2维的ndarray
print(arr)
print('arr的维度：',arr.ndim) # 查看arr的维度

同质性

python
import numpy as np

arr = np.array([1,2,'hello',4,5]) # 不同的数据类型会被强制转换成相同的数据类型
print(arr)
print(arr.ndim) # 查看arr的维度

ndarray的属性 ​

shape: 数组的形状: 行数和列数(或更高维度的尺寸)

ndim 维度数量: 数组是几维的

size 总元素个数: 数组中所有元素的总数

dtype 元素类型: 数组中元素的类型(整数、浮点数等)

T 转置L 行变列，列变行

itemsize 单个元素占用的内存大小(以字节为单位)

python
arr= np.array([[1,2,3],[4,5,6]])
print(arr)
print('ndarray的形状',arr.shape)
print('ndarray的维度',arr.ndim)
print('ndarray的元素的个数',arr.size)
print('ndarray的元素的数据类型',arr.dtype)
print('ndarray的元素的转置',arr.T)

# [[1 2 3]
#  [4 5 6]]
# ndarray的形状 (2, 3)
# ndarray的维度 2
# ndarray的元素的个数 6
# ndarray的元素的数据类型 [[1 4]
#  [2 5]
#  [3 6]]

ndarray的创建 ​

1. 基础构造: 适用于手动构建小规模数组或复制已有数据。 ​

python
# 基础的创建方法
list1 = [4,5,6]
arr = np.array(list1,dtype=np.float64)
print(arr.ndim) # 属性
print(arr.dtype) # 属性
print(arr)



arr1 = np.copy(arr) # 元素跟原始的数组相同，但是不是一个数组了
print(arr1)
arr1[0] = 8
print(arr1)
print(arr)

2. 预定义形状填充: 用于快速初始化固定形状的数组(如全0占位、全1初始化)。 ​

全0

python
arr = np.zeros((3,4)) # 创建一个3行4列的数组，每个元素都是0
print(arr)

全1

python
arr = np.ones((3,4)) # 创建一个3行4列的数组，每个元素都是1
print(arr)

固定值

python
arr = np.full((3,4),7) # 创建一个3行4列的数组，每个元素都是7
print(arr)

未初始化

python
# 未初始化
arr = np.empty((4,2))
print(arr.dtype)
print(arr)

创建形状相同的数组

python
arr1 = np.zeros_like(arr)
print(arr1)
arr1 = np.empty_like(arr)
print(arr1)
arr1 = np.ones_like(arr)
print(arr1)
arr1 = np.full_like(arr, 10)
print(arr1)

3. 基于数值范围生成: 生成数值序列，常用于模拟事件序列、坐标网格等。 ​

等差数列

python
arr = np.arange(1,10,2)
print(arr)

等间隔数列

python
# 等间隔数列
app = np.linspace(0,10,5)
print(app)

对数间隔数列

python
# 对数间隔数列
arr = np.logspace(0,4,3,base=2)
print(arr)

4. 特殊矩阵生成: 数学运算专用(如线性代数中的单位矩阵)。 ​

矩阵是一个由行和列排列成的矩形数组
形状: 这个矩阵有2行3列，记作2*3矩阵
alt text 单位矩阵: 主对角线上的数字为1，其他的数字为0

python
# 特殊矩阵
# 单位矩阵: 主对角线上的数字为1，其他的数字为0
arr = np.eye(3)
print(arr)

对角矩阵： 主对角线上非零,其他的数字为0

python
# 对角矩阵： 主对角线上非零,其他的数字为0
arr = np.diag([5,1,2,3])
print(arr)

5. 随机数组生成: 模拟实验数据、初始化神经网络权重等场景。 ​

生成0到1之间的随机浮点数(均匀分布)

python
# 随机数组的生成
# 生成0到1之间的随机浮点数(均匀分布)
arr = np.random.rand(2,3)
print(arr)

生成指定范围区间的随机浮点数

python
# 生成指定范围区间的随机浮点数
arr = np.random.uniform(3,6,(2,3))
print(arr)

生成指定范围区间的随机浮点数

python
# 生成指定范围区间的随机整数
arr = np.random.randint(3,30,(2,3))
print(arr)

生成随机数列(正态分布)(-3到3之间的概率大)

python
# 生成随机数列(正态分布)
# 两边的概率小，中间的概率大
arr = np.random.randn(2,3)
print(arr)

设置随机种子

python
# 设置随机种子
np.random.seed(10)
arr = np.random.randint(1,10,(2,5))
print(arr)

6. 高级构造方法: 处理非结构化数据(如文件、字符串)或通过函数生成复杂数组。 ​

ndarray的数据类型 ​

alt text 布尔类型

python
arr = np.array([1,0,1,0],dtype='bool')
print(arr)

arr = np.array([1,0,1,0],dtype=np.bool)
print(arr)

整数类型

python
arr = np.array([1,0,127,0],dtype=np.int8)
print(arr)

索引与切片 ​

alt text 一维数组的索引与切片

python
# 一维数组的索引与切片
# np.random.seed(2)
arr = np.random.randint(1,100,20)
print(arr)


print(arr[10])


print(arr[:]) # 获取全部的数据
print(arr[1:])
print(arr[2:5]) # start:end+1 左包又不包
print(arr[ (arr > 10) & (arr < 70)]) # 布尔索引
print(arr[slice(2,15,3)]) # 布尔索引

二位数组的索引与切片

python
# 二位数组的索引与切片

arr = np.random.randint(1,100,(4,8))
print(arr)


print(arr[1][3])   # 索引
print(arr[1,2:5])
print(arr[2][arr[2]>50])
print(arr[:,3])

ndarray的运算 ​

python
import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6])

print(a + b)
print(a - b)
print(a * b)
print(a / b)
python
c = [1,2,3]
d = [4,5,6]
print(c + d)
python
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([[4,5,6],[7,8,9],[1,2,3]])
print(a + b)
print(a - b)
print(a * b)
print(a / b)
print(a ** b)

数组与标量之间的算数运算

python
# 数组与标量之间的算数运算
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a + 3)

广播机制 ​

  1. 获取形状
  2. 是否可以广播
python
a = np.array([1,2,3])
b = np.array([[4],[5],[6]])

print(a + b)

Numpy中的常用函数 ​

  1. 基本的数学函数
    计算平方根
python
print(np.sqrt(4))
print(np.sqrt([1,4,9]))
print(np.sqrt(np.array([1,25,81])))

计算指数 e^x

python
print(np.exp(1)) # e^x

计算自然对数

python
print(np.log(2.71))

计算正弦值、余弦值

python
print(np.sin(np.pi/2))
print(np.cos(np.pi))

计算绝对值

python
arr = np.array([-1,1,2,-3])
print(np.abs(arr))

计算a的b次幂

python
print(np.power(arr,2))

四舍五入

python
print(np.round([3.2,4.5,8.1,9.6]))

向上取整，向下取整

python
arr = np.array([1.6,25.1,81.7])
print(np.ceil(arr))  # 向上取整
print(np.floor(arr))  # 向下取整

检测缺失值NaN

python
np.isnan([1,2,3])
np.isnan([1,2,np.nan])
  1. 统计函数 求和、计算平均值、计算中位数、标准差、方差 查找最大值、最小值 计算分位数、累积和、累积差
    求和
python
arr = np.random.randint(1,20,8)
print(arr)
# 求和
print(np.sum(arr))

计算平均值

python
print(np.mean(arr))

计算中位数

python
# 奇数: 排序后中间的数值
# 偶数: 中间的两个数的平均值
print(np.median([1,2,3]))
print(np.median([1,2,4]))

print(np.median([1,2,4,8]))
print(np.median([1,2,5,80]))

计算标准差、方差

python
print(np.var([1,2,3]))
print(np.std([1,2,3]))

计算最大值、最小值

python
print(arr)
print(np.max(arr),np.argmax(arr))
print(np.min(arr),np.argmin(arr))

分位数
中位数

python
print(np.median([1,2,3]))
print(np.median([1,2,3,4]))
np.random.seed(0)
arr= np.random.randint(0,100,4)
print(arr)
print(np.median(arr))
print(np.percentile(arr,25))

累积和、累积

python
arr= np.array([1,2,3,4])
print(np.sum(arr))

print(np.cumsum(arr))

print(np.cumprod(arr))
python
# 是否大于
print(np.greater([3,4,5,6],4))
# 是否小于
print(np.less([3,4,5,6,7,8],4))
# 是否等于
print(np.equal([3,4,5,6,7,8],4))


print(np.logical_and([1,0],[1,1]))
print(np.logical_or([0,0],[1,1]))
print(np.logical_not([1,0]))


# 检查元素是否至少有一个元素为True
print(np.any([0,1,0,0,1]))
print(np.any([0,0,0,0,0]))


# 检查元素是否全部元素为True
print(np.all([1,1,0,1,1]))
print(np.all([1,1,1,1,1]))


# 自定义条件
# print(np.where(条件,符合条件的,不符合条件的))
arr = np.array([1,2,3,4,5])
print(np.where(arr > 3,arr,0))
print(np.where(arr < 3,arr,0))


arr = np.array([1,2,3,4,5])
print(np.where(arr < 3,1,0))

print(np.where(
    score < 60,'不及格',np.where(
        score < 80,'良好','优秀'
    )
))



# np.select(条件,返回的结果)
print(np.select([score > 80,(score >= 60) & (score <=80),score < 60],['优秀','良好','不及格'],default='未知'))

排序函数 ​

python
# 排序函数
np.random.seed(0)
arr = np.random.randint(1,100,20)
print(arr)
# arr.sort() # 修改原数组
# print(arr)
print(np.sort(arr))
print(np.argsort(arr)) # 索引
print(arr)


# 去重函数
print(np.unique(arr))


# 数组的拼接
arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])
print(arr1 + arr2)
print(np.concatenate((arr1,arr2)))

Copyright © 2023-至今 王玉祥