Python：一篇文章掌握Numpy的基本用法
前言
Numpy是一個開源的Python科學計算庫，它是python科學計算庫的基礎庫，許多其他著名的科學計算庫如Pandas，Scikit-learn等都要用到Numpy庫的一些功能。
本文主要內容如下：
1 Numpy數組對象
Numpy中的多維數組稱為ndarray，這是Numpy中最常見的數組對象。ndarray對象通常包含兩個部分：
- ndarray數據本身
- 描述數據的元數據
Numpy數組的優勢
- Numpy數組通常是由相同種類的元素組成的，即數組中的數據項的類型一致。這樣有一個好處，由于知道數組元素的類型相同，所以能快速確定存儲數據所需空間的大小。
- Numpy數組能夠運用向量化運算來處理整個數組，速度較快；而Python的列表則通常需要借助循環語句遍歷列表，運行效率相對來說要差。
- Numpy使用了優化過的C API，運算速度較快
關于向量化和標量化運算，對比下面的參考例子就可以看出差異
- 使用python的list進行循環遍歷運算
- 使用numpy進行向量化運算
從上面的運行結果可以看出，numpy的向量化運算的效率要遠遠高于python的循環遍歷運算（效率相差好幾百倍）。
（1ms=1000μs）
2 創建ndarray數組
首先需要導入numpy庫，在導入numpy庫時通常使用“np”作為簡寫，這也是Numpy官方倡導的寫法。
當然，你也可以選擇其他簡寫的方式或者直接寫numpy，但還是建議用“np”，這樣你的程序能和大都數人的程序保持一致。
import numpy as np創建ndarray數組的方式有很多種，這里介紹我使用的較多的幾種：
Method 1: 基于list或tuple
# 一維數組# 基于list arr1 = np.array([1,2,3,4]) print(arr1)# 基于tuple arr_tuple = np.array((1,2,3,4)) print(arr_tuple)# 二維數組 (2*3) arr2 = np.array([[1,2,4], [3,4,5]]) arr2 [1 2 3 4] [1 2 3 4] array([[1, 2, 4],[3, 4, 5]])請注意：
- 一維數組用print輸出的時候為 [1 2 3 4]，跟python的列表是有些差異的，沒有“,”
- 在創建二維數組時，在每個子list外面還有一個"[]"，形式為“[[list1], [list2]]”
Method 2: 基于np.arange
# 一維數組 arr1 = np.arange(5) print(arr1)# 二維數組 arr2 = np.array([np.arange(3), np.arange(3)]) arr2 [0 1 2 3 4] array([[0, 1, 2],[0, 1, 2]])Method 3: 基于arange以及reshape創建多維數組
# 創建三維數組 arr = np.arange(24).reshape(2,3,4) arr 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]]])-
請注意：arange的長度與ndarray的維度的乘積要相等，即 24 = 2X3X4
-
用numpy.random創建數組的方法，可以參考下面的文章
為什么你用不好Numpy的random函數？
- 其他創建ndarray的方法，各位小伙伴們自己可以研究下。
3 Numpy的數值類型
Numpy的數值類型如下：
每一種數據類型都有相應的數據轉換函數，參考示例如下：
np.int8(12.334) 12 np.float64(12) 12.0 np.float(True) 1.0 bool(1) True在創建ndarray數組時，可以指定數值類型：
a = np.arange(5, dtype=float) a array([ 0., 1., 2., 3., 4.])-
請注意，復數不能轉換成為整數類型或者浮點數，比如下面的代碼會運行出錯
4 ndarray數組的屬性
- dtype屬性，ndarray數組的數據類型，數據類型的種類，前面已描述。
- ndim屬性，數組維度的數量
- shape屬性，數組對象的尺度，對于矩陣，即n行m列,shape是一個元組（tuple）
- size屬性用來保存元素的數量，相當于shape中nXm的值
- itemsize屬性返回數組中各個元素所占用的字節數大小。
- nbytes屬性，如果想知道整個數組所需的字節數量，可以使用nbytes屬性。其值等于數組的size屬性值乘以itemsize屬性值。
- T屬性，數組轉置
- 復數的實部和虛部屬性，real和imag屬性
real屬性返回數組的實部
d.real array([ 1.2, 2. ])imag屬性返回數組的虛部
d.imag array([ 2., 3.])- flat屬性，返回一個numpy.flatiter對象，即可迭代的對象。
可通過位置進行索引，如下：
f[2] 2 f[[1,4]] array([1, 4])也可以進行賦值
e.flat=7 e array([[7, 7, 7],[7, 7, 7]]) e.flat[[1,4]]=1 e array([[7, 1, 7],[7, 1, 7]])下圖是對ndarray各種屬性的一個小結
5 ndarray數組的切片和索引
- 一維數組
一維數組的切片和索引與python的list索引類似。
a = np.arange(7) a array([0, 1, 2, 3, 4, 5, 6]) a[1:4] array([1, 2, 3]) # 每間隔2個取一個數 a[ : 6: 2] array([0, 2, 4])-
二維數組的切片和索引，如下所示：
插播一條硬廣：技術文章轉發太多。本文涉及的代碼量比較多，如需要查看源代碼，請在微信公眾號“Python數據之道”（ID：PyDataRoad）后臺回復關鍵字“2017026”。
6 處理數組形狀
6.1 形狀轉換
- reshape()和resize()
函數resize（）的作用跟reshape（）類似，但是會改變所作用的數組，相當于有inplace=True的效果
- ravel()和flatten()，將多維數組轉換成一維數組，如下：
兩者的區別在于返回拷貝（copy）還是返回視圖（view），flatten()返回一份拷貝，需要分配新的內存空間，對拷貝所做的修改不會影響原始矩陣，而ravel()返回的是視圖（view），會影響原始矩陣。
參考如下代碼：
- 用tuple指定數組的形狀，如下：
- 轉置
前面描述了數組轉置的屬性（T），也可以通過transpose()函數來實現
b.transpose() array([[ 0, 6],[ 1, 7],[20, 8],[ 3, 9],[ 4, 10],[ 5, 11]])6.2 堆疊數組
b array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11]]) c = b*2 c array([[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])- 水平疊加
hstack()
np.hstack((b,c)) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10],[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]])column_stack()函數以列方式對數組進行疊加，功能類似hstack（）
np.column_stack((b,c)) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10],[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]])- 垂直疊加
vstack()
np.vstack((b,c)) array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11],[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])row_stack()函數以行方式對數組進行疊加，功能類似vstack（）
np.row_stack((b,c)) array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11],[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])- concatenate()方法，通過設置axis的值來設置疊加方向
axis=1時，沿水平方向疊加
axis=0時，沿垂直方向疊加
np.concatenate((b,c),axis=1) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10],[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]]) np.concatenate((b,c),axis=0) array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11],[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])由于針對數組的軸為0或1的方向經常會混淆，通過示意圖，或許可以更好的理解。
關于數組的軸方向示意圖，以及疊加的示意圖，如下：
深度疊加
這個有點燒腦，舉個例子如下，自己可以體會下：
arr_dstack = np.dstack((b,c)) print(arr_dstack.shape) arr_dstack (2, 6, 2)array([[[ 0, 0],[ 1, 2],[20, 40],[ 3, 6],[ 4, 8],[ 5, 10]],[[ 6, 12],[ 7, 14],[ 8, 16],[ 9, 18],[10, 20],[11, 22]]])疊加前，b和c均是shape為（2,6）的二維數組，疊加后，arr_dstack是shape為（2,6,2）的三維數組。
深度疊加的示意圖如下：
6.3 數組的拆分
跟數組的疊加類似，數組的拆分可以分為橫向拆分、縱向拆分以及深度拆分。
涉及的函數為 hsplit()、vsplit()、dsplit() 以及split()
b array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11]])- 沿橫向軸拆分（axis=1）
- 沿縱向軸拆分（axis=0）
- 深度拆分
拆分的結果是原來的三維數組拆分成為兩個二維數組。
這個燒腦的拆分過程可以自行分析下~~
7 數組的類型轉換
- 數組轉換成list，使用tolist()
- 轉換成指定類型，astype()函數
8 numpy常用統計函數
常用的函數如下：
請注意函數在使用時需要指定axis軸的方向，若不指定，默認統計整個數組。
- np.sum()，返回求和
- np.mean()，返回均值
- np.max()，返回最大值
- np.min()，返回最小值
- np.ptp()，數組沿指定軸返回最大值減去最小值，即（max-min）
- np.std()，返回標準偏差（standard deviation）
- np.var()，返回方差（variance）
- np.cumsum()，返回累加值
- np.cumprod()，返回累乘積值
- np.ptp()，返回整個數組的最大值減去最小值，如下：
- np.cumsum()，沿指定軸方向進行累加
- np.cumprod()，沿指定軸方向進行累乘積 （Return the cumulative product of the elements along the given axis）
9 數組的廣播
當數組跟一個標量進行數學運算時，標量需要根據數組的形狀進行擴展，然后執行運算。
這個擴展的過程稱為“廣播（broadcasting）”
b array([[ 0, 1, 20],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) d = b + 2 d array([[ 2, 3, 22],[ 5, 6, 7],[ 8, 9, 10],[11, 12, 13]])寫在最后
numpy涵蓋的內容其實是非常豐富的，本文僅僅介紹了numpy一些常用的基本功能，算是對numpy的一個入門級的簡單的較為全面的描述。
numpy官方的《Numpy Reference》文檔，光頁面數量就有1500+頁，如想要系統的學習numpy，建議仔細閱讀官方的參考文檔，可在其官方網站進行查閱。當然，資料都是英文版的，可能看起來難度稍微大點，看習慣了就好。
作者：leenard
鏈接：https://www.jianshu.com/p/60bf50100c2f
總結
以上是生活随笔為你收集整理的Python：一篇文章掌握Numpy的基本用法的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 图解Numpy的tile函数
- 下一篇： 入门十大Python机器学习算法（附代码