1、什么是numpy？

一言以蔽之，numpy是python中基于數組對象的科學計算庫。

提煉關鍵字，可以得出numpy以下三大特點：

• 擁有n維數組對象;

• 擁有廣播功能（后面講到）；

• 擁有各種科學計算API，任你調用；

2、如何安裝numpy？

因為numpy是一個python庫，所以使用python包管理工具pip或者conda都可以安裝。

安裝python后，打開cmd命令行，輸入：

pip install numpy

即可完成安裝。

3、什么是n維數組對象？

n維數組（ndarray）對象，是一系列同類數據的集合，可以進行索引、切片、迭代操作。

numpy中可以使用array函數創建數組:

import?numpy?as?np np.array([1,2,3]) #?輸出：array([1, 2, 3])

4、如何區分一維、二維、多維？

判斷一個數組是幾維，主要是看它有幾個軸（axis）。

一個軸表示一維數組，兩個軸表示二維數組，以此類推。

每個軸都代表一個一維數組。

比如說，二維數組第一個軸里的每個元素都是一個一維數組，也就是第二個軸。

一維數組一個軸：

[1,2,3]

二維數組兩個軸：

[[0, 1, 2],[3, 4, 5]]

三維數組三個軸：

[[[ 0, 1, 2],[ 3, 4, 5]],[[ 6, 7, 8],[ 9, 10, 11]]]

以此類推n維數組。

5、如何創建n維數組？

numpy中常用array函數創建數組，傳入列表或元組即可。

創建一維數組，并指定數組類型為int：

import?numpy?as?np np.array([1,2,3],dtype=int) #?輸出：array([1, 2, 3])

創建二維數組：

import?numpy?as?np np.array(((1,2),(3,4)))''' 輸出： array([[1,?2],[3,?4]]) '''

還可以使用arange函數創建一維數字數組，用法類似python的range函數.

import?numpy?as?np np.arange(1,6) ''' 輸出：array([1, 2, 3, 4, 5]) '''

6、如何創建隨機數組？

numpy的random模塊用來創建隨機數組。

• random.rand函數，生成[0,1)均勻分布的隨機數組

import?numpy?as?np #?創建2行2列取值范圍為[0,1)的數組 np.random.rand(2,2) ''' 輸出： array([[0.99449146,?0.92339551],[0.1837405?,?0.41719798]]) '''

• random.randn函數，生成數值成標準正態分布（平均值為0，標準差為1）的數組

import?numpy?as?np #?創建2行3列，取值范圍為標準正態分布的數組 np.random.randn(3,2) ''' 輸出： array([[-1.27481003,?-1.5888111?],[?0.16985203,?-2.91526479],[?1.75992671,?-2.81304831]]) '''

• random.randint函數，生成可以指定范圍的隨機整數數組

import?numpy?as?np #?創建2行2列,取值范圍為[2,10)的隨機整數數組 np.random.randint(2,10,size=(2,2)) ''' 輸出： array([[5,?4],[3,?7]]) '''

• random.normal函數，生成數值成正態分布（可指定平均值、標準差）的數組

import?numpy?as?np #?創建一維，數值成正態分布（均值為1，標準差為2）的數組 #?參數loc代表均值，scale代表標準差 np.random.normal(loc=1,scale=2,size=5) ''' 輸出： array([?0.82962241,??0.41738042,??0.0470862?,??1.79446076,?-1.47514478]) '''

random模塊還有其他函數，這里不多說。

7、如何查看數組的維度？

前面說到，數組維度即代表軸的數量。

我們可以通過數組（ndarray）對象的ndim或shape屬性，來查看軸的數量。

• ndim屬性直接返回維度值；

• shape屬性返回一個元組，元組的長度即代表維度值，里面的數字從左往右分別代表每一軸的元素數量。

import?numpy?as?np #?創建一維數組 x1?=?np.array([1,2,3]) #?返回維度值 x1.ndim ''' 輸出：1 ''' #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]]) #?返回形狀 x2.shape ''' 輸出：(2, 3) 元素長度為2代表二維， 元素2代表0軸有兩個元素， 元素3代表1軸有3個元素。 '''

8、如何查看數組有多少個元素？

數組（ndarray）對象的size屬性可以查看數組包含元素總數。

import?numpy?as?np #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]]) #?查看元素總數 x2.size ''' 輸出：6 '''

還可以通過shape屬性返回元素的乘積，來計算數組元素數量。

import?numpy?as?np from?functools?import?reduce #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]]) #?查看元素總數 reduce(lambda?x,y:x*y?,?x2.shape) ''' 輸出：6 shape形狀： (2,3) '''

9、Numpy數組支持哪些數據類型？

Numpy支持的數據類型非常多，所以很適合做數值計算。下面給出常見的數據類型：

10、如何查看數組的類型？

數組（ndarrry）對象提供dtype屬性，用來查看數組類型。

import?numpy?as?np #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]],dtype=int) #?返回類型 x2.dtype ''' 輸出：dtype('int32') '''

11、如何改變數組的形狀？

前面說過，數組的shape屬性返回一個元組，能夠反映數組的形狀，包括維度以及每個軸的元素數量。

那么如果給定一個數組，怎么改變其形狀呢？

常用的方式有兩種：

• reshape方法，它返回一個新的數組，而不能改變原始數組。

• resize方法，無返回值，它更改了原始數組。

比如說我要將一個二維數組轉換為三維數組。

import?numpy?as?np #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]]) #?將x2轉換為三維數組，并且自定義每個軸的元素數量 x2.reshape(1,2,3) ''' 輸出： array([[[1,?2,?3],[4,?5,?6]]]) '''

reshape方法可以傳入整數或者元組形式的參數。

傳入的參數和shape屬性返回的元組的含義是一樣的。

例如， x2.reshape(1,2,3)是將二維數組轉換成三維數組，參數個數代表要轉換的維度，參數數字從左到右分別表示0軸、1軸、2軸的元素數量。

resize方法和reshape方法使用形式一樣，區別是resize方法改變了原始數組形狀。

import?numpy?as?np #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]]) #?將x2轉換為三維數組，并且自定義每個軸的元素數量 x2.resize((1,2,3)) x2 ''' 輸出： array([[[1,?2,?3],[4,?5,?6]]]) '''

12、如何對數組進行索引和切片操作？

numpy一維數組的索引和切片操作類似python列表，這里不多講。

比如說取一維數組前三個元素。

import?numpy?as?np #?創建一維數組 x1?=?np.array([1,2,3,4]) #?切片，取前三個元素 x1[:3] ''' 輸出： array([1,?2,?3]) '''

重點是對多維數組的索引和切片。

多維數組有多個軸，那么就需要對每個軸進行索引。

例如，三維數組形狀為(x,y,z)，分別代表：0軸有x個元素、1軸有y個元素，2軸有z個元素。

對0、1、2軸進行索引，如果取o軸第2個元素、1軸第0個元素、2軸第3個元素，那么索引形式就為[2,0,3]。

import?numpy?as?np #?創建三維數組 x3?=?np.arange(24).reshape(3,2,4) #?對該三維數組進行索引 x3[2,0,3]''' 輸出：19三維數組形式： array([[[?0,??1,??2,??3],[?4,??5,??6,??7]],[[?8,??9,?10,?11],[12,?13,?14,?15]],[[16,?17,?18,?19],[20,?21,?22,?23]]]) '''

切片也是同樣道理。

如果取o軸前2個元素、1軸前1個元素、2軸后2個元素，那么切片形式就為[:2,:1,-2:]。

import?numpy?as?np #?創建三維數組 x3?=?np.arange(24).reshape(3,2,4) #?對該三維數組進行切片 x3[:2,:1,-2:]''' 輸出： array([[[?2,??3]],[[10,?11]]])三維數組形式： array([[[?0,??1,??2,??3],[?4,??5,??6,??7]],[[?8,??9,?10,?11],[12,?13,?14,?15]],[[16,?17,?18,?19],[20,?21,?22,?23]]]) '''

13、如何對數組里每個元素進行迭代？

說到迭代，大家很容易想到直接對數組直接使用for循環操作，對于一維數組來說，當然是可以的。

import?numpy?as?np #?創建一維數組 x1?=?np.array([1,2,3,4]) #?迭代 for?i?in?x1:print(i) ''' 輸出： 1 2 3 4 '''

但對于多維數組，迭代是相對于0軸完成的，就是多維數組最外層的那一維。

你沒有辦法直接遍歷數組里每一個元素，嵌套循環又太低效。

這個時候就需要用到flat方法，它可以將多維數組平鋪為一維的迭代器。

import?numpy?as?np #?創建二維數組 x2?=?np.array([[1,2,3],[4,5,6]]) #?先平鋪，再迭代 for?i?in?x2.flat:print(i) ''' 輸出： 1 2 3 4 5 6 '''

14、如何將多維數組展開為一維數組？

數組（ndarray）對象提供了ravel方法，用來將多維數組展開為一維數組。

import?numpy?as?np #?創建er維數組 x3?=?np.arange(12).reshape(3,4) #?對該三維數組進行索引 x3.ravel() ''' 輸出： array([?0,??1,??2,??3,??4,??5,??6,??7,??8,??9,?10,?11]) '''

15、什么廣播機制？

廣播(Broadcast)是 numpy 對不同形狀(shape)的數組進行數值計算的方式， 對多個數組的算術運算通常在相應的元素上進行。

較小的數組在較大的數組上“廣播”，以便它們具有兼容的形狀。

比如說一個一維數組乘以一個數字，相當于一維數組里每個元素都乘以這個數。

import?numpy?as?np #?創建一維數組 x1?=?np.array([1,2,3]) #?廣播 x1?*?2 ''' 輸出： array([2,?4,?6]) '''

如果相同維度的數組進行運算，其shape相同，那么廣播就是兩個數組相同位數的元素進行運算。

import?numpy?as?np #?創建一維數組 x1?=?np.array([1,2,3]) x2?=?np.array([4,5,6]) #?廣播 x1?+?x2 ''' 輸出： array([5,?7,?9]) '''

如果兩個數組維度不同，進行運算，這里就觸發了廣播的兩個規則。

• 讓所有輸入數組都向其中形狀最長的數組看齊，形狀中不足的部分都通過在前面加 1 補齊；

• 當輸入數組的某個維度的長度為 1 時，沿著此維度運算時都用此維度上的第一組值。

這兩個規則保證了不同維度數組進行運算時，其維度自動調整成一致。

import?numpy?as?np #?創建一維數組 x1?=?np.array([[1,2,3],[4,5,6]]) x2?=?np.array([2,3,4]) #?廣播 x1?-?x2 ''' 輸出： array([[-1,?-1,?-1],[?2,??2,??2]]) '''

16、numpy中如何進行數值舍入操作？

• around函數，用于四舍五入，返回一個新數組

import?numpy?as?np #?創建一維數組 x1?=?np.array([1.45,2.78,3.12]) #?四舍五入，到小數點后1位 np.around(x1,1) ''' 輸出： array([1.4,?2.8,?3.1]) '''

• floor函數，用于向下取整，返回一個新數組

import?numpy?as?np #?創建一維數組 x1?=?np.array([1.45,2.78,3.12]) #?向下取整 np.floor(x1) ''' 輸出： array([1.,?2.,?3.]) '''

• ceil函數，用于向上取整，返回一個新數組

import?numpy?as?np #?創建一維數組 x1?=?np.array([1.45,2.78,3.12]) #?向下取整 np.ceil(x1) ''' 輸出： array([2.,?3.,?4.]) '''

17、如何對數組進行轉置操作？

numpy提供了transpose函數用以對數組進行維度的調換，也就是轉置操作。

轉置后返回一個新數組。

import?numpy?as?np #?創建二維數組 x1?=?np.arange(12).reshape(3,4) #?轉置 np.transpose(x1) ''' 輸出： array([[?0,??4,??8],[?1,??5,??9],[?2,??6,?10],[?3,??7,?11]]) 原數組： array([[?0,??1,??2,??3],[?4,??5,??6,??7],[?8,??9,?10,?11]]) '''

當然，可以用更簡單的方法。

數組對象提供了T方法，用于轉置，同樣會返回一個新數組。

import?numpy?as?np #?創建二維數組 x1?=?np.arange(12).reshape(3,4) #?轉置 x1.T ''' 輸出： array([[?0,??4,??8],[?1,??5,??9],[?2,??6,?10],[?3,??7,?11]]) 原數組： array([[?0,??1,??2,??3],[?4,??5,??6,??7],[?8,??9,?10,?11]]) '''

18、如何連接兩個相同維度的數組？

numpy的concatenate 函數用于沿指定軸連接相同形狀的兩個或多個數組。

import?numpy?as?np #?創建兩個二維數組 x1?=?np.array([[1,2,3],[4,5,6]]) x2?=?np.array([[7,8,9],[10,11,12]]) #?連接,默認沿0軸連接 np.concatenate((x1,x2))''' 輸出： array([[?1,??2,??3],[?4,??5,??6],[?7,??8,??9],[10,?11,?12]]) '''#?指定沿1軸連接 np.concatenate((x1,x2),axis=1)''' 輸出： array([[?1,??2,??3,??7,??8,??9],[?4,??5,??6,?10,?11,?12]]) '''

19、如何向數組添加值？

• numpy的append 函數向數組末尾追加值，可以指定不同的軸。

import?numpy?as?np #?創建一個二維數組 x1?=?np.array([[1,2,3],[4,5,6]]) #?直接向數組末尾添加元素，返回平鋪的一維數組 np.append(x1,[7,8,9]) ''' 輸出： array([1,?2,?3,?4,?5,?6,?7,?8,?9]) '''#?沿軸?0?添加元素 np.append(x1,?[[7,8,9]],axis?=?0) ''' 輸出： array([[1,?2,?3],[4,?5,?6],[7,?8,?9]]) '''#?沿軸?1?添加元素 np.append(x1,?[[5,5,5],[7,8,9]],axis?=?1) ''' 輸出： array([[1,?2,?3,?5,?5,?5],[4,?5,?6,?7,?8,?9]]) '''

• numpy的insert 函數可以沿給定軸，在數組中任意位置插入數據。

import?numpy?as?np #?創建一個二維數組 x1?=?np.array([[1,2,3],[4,5,6],[7,8,9]]) #?直接在指定位置插入元素，返回平鋪的一維數組 np.insert(x1,2,[0,0,0]) ''' 輸出： array([1,?2,?0,?0,?0,?3,?4,?5,?6,?7,?8,?9])原數組： array([[1,?2,?3],[4,?5,?6],[7,?8,?9]]) '''#?指定位置，沿軸?0?插入元素 np.insert(x1,1,[0,0,0],axis=0) ''' 輸出： array([[1,?2,?3],[0,?0,?0],[4,?5,?6],[7,?8,?9]]) '''#?指定位置，沿軸?1插入元素 np.insert(x1,2,[0,0,0],axis=1) ''' 輸出： array([[1,?2,?0,?3],[4,?5,?0,?6],[7,?8,?0,?9]]) '''

20、如何對數組進行去重操作？

numpy的unique 函數用于去除數組中的重復元素，返回一個新數組。

import?numpy?as?np #?創建一個一維數組 x1?=?np.array([2,3,5,1,3,8,1,0]) np.unique(x1) ''' 輸出： array([0,?1,?2,?3,?5,?8]) '''

unique函數還能返回重復元素的索引、計數等信息，可去查文檔自定義參數。

未完待續！

參考資料

[1]

numpy文檔: https://www.numpy.org.cn/

[2]

菜鳥教程: https://www.runoob.com/numpy/numpy-tutorial.html

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊AI基礎下載（pdf更新到25集）本站qq群1003271085，加入微信群請回復“加群”獲取一折本站知識星球優惠券，請回復“知識星球”喜歡文章，點個在看

總結

以上是生活随笔為你收集整理的【入门基础】Numpy基础20问的全部內容，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。