Python計算類庫(Numpy)

Python計算庫（Numpy）思維導圖

1. Numpy是什么？

NumPy（Numerical Python的縮寫）是一個開源的Python科學計算庫。使用NumPy，就可以很自然地使用數組和矩陣。 NumPy包含很多實用的數學函數，涵蓋線性代數運算、傅里葉變換和隨機數生成等功能

這個庫的前身是1995年就開始開發的一個用于數組運算的庫。經過了長時間的發展，基本上成了絕大部分Python科學計算的基礎包，當然也包括所有提供Python接口的深度學習框架

2. 為什么使用Numpy？

a) 便捷：

• 對于同樣的數值計算任務，使用NumPy要比直接編寫Python代碼便捷得多。這是因為NumPy能夠直接對數組和矩陣進行操作，可以省略很多循環語句，其眾多的數學函數也會讓編寫代碼的工作輕松許多

b) 性能：

• NumPy中數組的存儲效率和輸入輸出性能均遠遠優于Python中等價的基本數據結構（如嵌套的list容器）。其能夠提升的性能是與數組中元素的數目成比例的。對于大型數組的運算，使用NumPy的確很有優勢。對于TB級的大文件，NumPy使用內存映射文件來處理，以達到最優的數據讀寫性能

c) 高效：

• NumPy的大部分代碼都是用C語言寫成的，這使得NumPy比純Python代碼高效得多

注意：

• NumPy也有其不足之處，由于NumPy使用內存映射文件以達到最優的數據讀寫性能，而內存的大小限制了其對TB級大文件的處理；此外，NumPy數組的通用性不及Python提供的list容器。因此，在科學計算之外的領域，NumPy的優勢也就不那么明顯

3. Numpy的安裝：

（1）官網安裝：http://www.numpy.org/

（2）pip 安裝：pip install numpy

（3）LFD安裝，針對windows用戶：http://www.lfd.uci.edu/~gohlke/pythonlibs/

（4）Anaconda安裝（推薦），Anaconda里面集成了很多關于python科學計算的第三方庫，主要是安裝方便。下載地址：https://www.anaconda.com/download/

4. numpy 基礎：

NumPy的主要對象是同種元素的多維數組。這是一個所有的元素都是一種類型。在NumPy中維度(dimensions)叫做軸(axes)，軸的個數叫做秩(rank)。NumPy的數組類被稱作 ndarray（矩陣也叫數組） 。通常被稱作數組。常用的ndarray對象屬性有：ndarray.ndim(數組軸的個數,軸的個數被稱作秩)，ndarray.shape(數組的維度。這是一個指示數組在每個維度上大小的整數元組。

Numpy的數據類型：

例如：一個n行m列的矩陣：

• .ndim
• .shape
• .size
• .dtype

Numpy內置的特征碼：

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

5. 創建數組并查看其屬性：

(1) 用np.array從python列表和元組創建數組：

• 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()創建數組：

• 例：
  • import numpy as np a = np.arange(10).reshape(2, 5) # 創建2行5列的二維數組，

也可以創建三維數組，
a = np.arange(12).reshape(2,3,2)
print(a)

(3)用np.random.randint(最小值，最大值，個數，類型).reshape(#,#)

• 左閉右開
• 隨機整數

(4)用np.random.rand(#).reshape(#,#)

• 左閉右開
• [0,1)均勻分布（小數）
• 個

(5)用np.random.randn(#）

• 左閉右開
• 標準正態分布
• 均值為0，方差為1

(6)用np.emty(#),reshape(#）

• 固定值#生成（無限趨近于零）

(7)用np.ones(#),reshape(#）

• 固定值1生成
• 個

(8)用np.zeros(),reshape(#）

• 固定值0生成
• 個

(6)用np.emty(),reshape(#）

• 固定值生成

6. 基本運算：

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. 常用函數：

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:
• 多維數組的索引
  • b = np.arange(20).reshape(5,4) b[2,3] b[0:5, 1] b[ : ,1] b[1:3, : ]

當少于軸數的索引被提供時，確失的索引被認為是整個切片
b[-1] #相當于b[-1,:]
b[i] 中括號中的表達式被當作 i 和一系列 : ，來代表剩下的軸。NumPy也允許你使用“點”像 b[i,...] 。
點 (…)代表許多產生一個完整的索引元組必要的分號。如果x是
秩為5的數組(即它有5個軸)，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,:].

• 三維數組的索引：
  • c = np.arange(12).reshape(2,3,2) c[1] c[2,1] # 等價于c[2][1] c[2,1,1] # 等價于c[2][1][1]

通過數組索引
d = np.arange(10)**2 e = np.array ([3, 5, 6])

切片（起始值，結束值，最后值）：

• 實例：
  • 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. 形狀操作：

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,#)

關注查看往期

總結

以上是生活随笔為你收集整理的numpy均匀分布_Python计算类库(Numpy)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。