NumPy（Numerical Python） 是使用python進行機器學習不可或缺的第三方庫，它支持數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。ndarray對象是numpy中的基本對象之一，和python列表不同之處在于：python列表可以存放任何類型的元素，而ndarray對象則只能存放相同類型的元素。

?

python列表中的元素其實是一個指針，指向包含這個python對象所有信息的某個內存位置。由于這里面包含了大量的額外信息，因此python可以自由、動態地編碼。但是這些額外信息也會成為負擔。當python列表中的元素都是同一類型時，此時如果將數據存儲在固定類型的數組中會更高效。python的數組對象提供了數組型數據的有效存儲，而numpy則加上了高效的操作。

?

一. 導入numpy庫

import numpy as np

?

二. 創建numpy數組（numpy array）

1. 從python列表創建（from python lists）

list=[4,5,6,7] array=np.array(list) [4 5 6 7]

?

注意：當使用乘號（*）時，python list做的是復制（replicate），而numpy array做的是乘法（multiply）。

print("list replication:", list*4) print("array multiplication:", array*4) list replication: [4, 5, 6, 7, 4, 5, 6, 7, 4, 5, 6, 7, 4, 5, 6, 7] array multiplication: [16 20 24 28]

?

2.?從python元組創建（from python tuples）

tuple=(1,2,3,4) array=np.array(tuple) [1 2 3 4]

?

3. np.arange([start,?]stop,?[step])

array=np.arange(7) [0 1 2 3 4 5 6] array=np.arange(7,12) [ 7 8 9 10 11] array=np.arange(7,12,2) [ 7 9 11]

?

4. np.linspace(start,?stop,?num_of_elements,?endpoint=True)

array=np.linspace(5,15,9) [ 5. 6.25 7.5 8.75 10. 11.25 12.5 13.75 15. ]

?

5. np.zeros(shape)，np.ones(shape)，np.full(shape, num)

array=np.zeros(5) [0. 0. 0. 0. 0.] array=np.ones((4,5)) [[1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.]] array=np.full((3,2),4.4) [[4.4 4.4][4.4 4.4][4.4 4.4]]

?

6. np.asarray(data) --- 把數據轉變成numpy數組格式

?

7.?使用隨機數創建：具體請見下面隨機數

?

三. 查看numpy數組的屬性（attributes）

1. size ---?查看numpy array的元素個數

2. shape ---?查看numpy array的形狀（每個維度的大小）

3. ndim ---?查看numpy array的維度

4. dtype ---?查看numpy array的元素的數據類型

?

四.?視圖和拷貝（view&copy）

1. view() ---?僅復制值（a shallow copy: same location, same value, different shape）

2. copy() ---?產生獨立拷貝（deep copy: different location）

array=np.arange(12).reshape((3,4)) x=array[:2,::2].copy()

?

五. 索引（Indexing）和切片（Slicing）

1. array[num] ---?對于一維數組，返回該數組的某個元素；對于多維數組，返回該數組的某一行

2. array[num:] ---?對于一維數組，返回該數組的某個元素以及其之后所有的元素；對于多維數組，返回該數組的某一行以及其之后的所有行

3. array[:num] ---?對于一維數組，返回該數組的某個元素之前的所有元素；對于多維數組，返回該數組的某一行之前的所有行

4. array[row_num, col_num] ---?對于多維數組，返回該數組某一行某一列的元素

5. array[row_num][col_num]?---?對于多維數組，返回該數組某一行某一列的元素

6. array[start:stop:step] ---?對于一維數組，返回該數組中從某一個元素到某一個元素，步長為step

7. array[::-1] ---?返回逆序的數組

8.?array[::2]?---?返回數組中每隔一個元素的元素

9. array[row_num:row_num, col_num:col_num]?---?對于多維數組，返回該數組從某一行到某一行，以及從某一列到某一列的元素

?

注意：索引操作返回的是copy，而切片操作返回的是view（如果此view的數組的值發生改變，那么原數組的值也隨之改變）

?

五.?使用掩碼過濾(（Mask Arrays）

1. array[mask]

一般在mask里寫一些條件，例如：array[array>0]，array[array%7==0]。一些條件表示方法：&（和） ，|（或），^（異或），~（非），>（大于），<（小于），==（等于），>=（大于等于），<=（小于等于），!=（不等于）。

（注：and和or用于比較整個對象是否相同，而&和|用于比較每個對象中的內容的比特位是否相同）

?

六.?廣播（Broadcassting）

用于操作不同大小和形狀的數組

a1=np.arange(4).reshape((2,2)) a2=np.array([6,7]) array=a1+a2 a1: [[0 1][2 3]] a2: [6 7] array: [[ 6 8][ 8 10]]

?

七.?改變numpy數組的形狀

1. reshape(new_shape)

array=np.arange(6).reshape((2,3)) [[0 1 2][3 4 5]]

?

2. ravel() ---?把原數組變成一維數組，返回的是變形后的數組

array=np.arange(6).reshape((2,3)).ravel() [0 1 2 3 4 5]

?

3. flatten() ---?把原數組變成一維數組，返回的是數組的拷貝

?

4. flat ---?把原數組變成一維數組，返回的是數組的迭代器（iterator）

?

5. array[:, np.newaxis] ---?在原來的數組上增加一個維度（等價于array.reshape((-1,1))）

array=np.arange(4) x=array[:,np.newaxis] [[0][1][2][3]]

?

八. 隨機數

1. np.random.randn(dimensions) ---?生成服從標準正態分布的隨機數（平均值為0，標準差為1）

array=np.random.randn(4,5) [[ 2.21603303 -1.64664239 2.45001994 -1.37329856 -0.69289112][-0.125158 -0.88744257 0.39569274 0.82625695 -1.08780716][ 0.69045662 -0.37110748 -1.23273598 0.0291697 -1.85835357][-0.02345338 0.10072476 0.3590989 -0.0499124 -0.46932103]]

?

2. np.random.uniform(low,high,size) ---?生成服從均勻分布的隨機數

array=np.random.uniform(4,5,10) [4.98608384 4.70541334 4.50306141 4.44011335 4.21199919 4.329290914.94769774 4.75963238 4.86165138 4.39888279]

?

3. np.random.binomial(n trials,p probability of success,size) ---?生成服從二項分布的隨機數

array=np.random.binomial(10,0.7,10) [6 8 9 7 4 7 6 8 9 8]

?

4. np.random.normal(mean,std,size) ---?生成服從正態分布的隨機數

array=np.random.normal(2,4,(4,5)) [[-2.16965713 7.9465455 6.47141735 6.22990766 0.4211604 ][-6.09374231 6.55291348 3.72097759 1.97147291 -7.87745844][ 3.52418805 -9.37185049 5.6932117 0.35741766 1.5608389 ][ 3.98630581 0.30948976 -2.24940441 3.19326126 -8.51553261]]

?

5. np.random.randint(low,high,size) ---?生成從low（inclusive）到high（exclusive）的隨機整數

array=np.random.randint(2,4,10) [3 3 2 2 2 2 2 2 3 3]

?

6. np.random.rand(size) ---?生成[0,?1)區間內的隨機數

array=np.random.rand(10) [0.06581389 0.65264403 0.97450565 0.08616934 0.55040952 0.698409240.40490815 0.12367222 0.88993262 0.77037247]

?

7. np.random.choice(array) ---?從一維數組中生成隨機樣本

array=np.random.rand(10) num=np.random.choice(array) 0.95955024664668

?

8. np.random.seed(num) ---?設置隨機數種子

?

9. np.random.RandomState(num) ---?設置隨機數種子，是隨機數種子的容器

rng=np.random.RandomState(4) array=rng.rand(10) [0.96702984 0.54723225 0.97268436 0.71481599 0.69772882 0.21608950.97627445 0.00623026 0.25298236 0.43479153]

?

九. 數學運算

1. +, -, *, / ---?加，減，乘，除

2. // ---?地板除法（取整）

3. % ---?模運算（取余）

4. ** ---?指數運算

5. np.abs() ---?返回絕對值

6. np.exp() ---?返回e的冪次方

7. np.sqrt() ---?返回平方根

8. np.log() ---?返回自然對數（以e為底）

9. np.log2() ---?返回以2為底對數

10. np.log10() ---?返回以10為底對數

11. np.sin() ---?返回正弦

12. np.cos() ---?返回余弦

13. np.std() ---?返回標準差

14. np.var() ---?返回方差

15. np.prod() ---?返回乘積

16. np.sum() ---?返回總和

17. np.mean() ---?返回平均值

18. np.min() ---?返回最小值

19. np.max() ---?返回最大值

20. np.median() ---?返回中位數

?

十. 合并numpy數組

1. np.concatenate((array1,array2,...), axis=0) ---?按行或列合并數組（數組在合并方向的維度需一致），axis=0表示按行合并，axis=1表示按列合并

a1=np.arange(4).reshape((2,2)) a2=np.array([[6,7]]) array=np.concatenate((a1,a2),axis=0) [[0 1][2 3][6 7]]

?

2. np.stack((array1,array2,...), axis=0) ---?堆疊數組，增加一個維度

3. np.hstack((array1,array2,...)) ---?相當于按列合并數組

4. np.vstack((array1,array2,...)) ---?相當于按行合并數組

?

十一. 分隔numpy數組

1. np.split(array, n, axis=0) ---?按行或列將數組均勻分隔成n份，axis=0表示按行分隔，axis=1表示按列分隔

a1=np.array([[6,7],[8,9]]) array=np.split(a1,2) [array([[6, 7]]), array([[8, 9]])]

?

2. np.hsplit(array, n) ---?相當于按列分隔數組

3. np.vsplit(array, n) ---?相當于按行分隔數組

?

十二. 線性代數相關（linear algebra）

1. np.mat(array) ---?將數組轉換成矩陣

2. np.dot(a,b) ---?對于一維數組（向量），計算這兩個數組的點積，對于多維數組（矩陣），運行矩陣乘法

3. np.outer(a,b) ---?計算兩個向量的外積

4. np.eye(num) ---?創建一個num*num的單位矩陣（identity matrix）

5. np.linalg.solve(“Coefficient” matrix, y) ---?求解線性方程組

6. np.linalg.eig(matrix) ---?求矩陣的特征值，特征向量

7. np.linalg.lstsq(“Coefficient” matrix, y) ---?返回線性矩陣用最小二乘法獲得的解

8. np.linalg.det(matrix) ---矩陣求行列式

9. np.linalg.inv(matrix) ---?矩陣求逆

10. np.linalg.norm(array) ---?求范數

11. np.trace(array) ---?求矩陣的跡（對角線元素的和）

12. np.diag(matrix) ---?返回矩陣的對角線元素

13. np.linalg.svd(array) --- 奇異值分解

?

十三. 其他

1. np.argmax(array) ---?返回最大值的索引

2. np.argmin(array) ---?返回最小值的索引

3. np.any(array, axis=None) ---?測試數組（按行或按列）中的任意一個元素是否為真

4. np.all(array, axis=None) ---?測試數組（按行或按列）中的所有元素是否都為真

5. np.meshgrid(x,y) ---?生成網格點坐標矩陣

x=np.arange(4) y=np.arange(4,7)X,Y=np.meshgrid(x,y) x: [0 1 2 3] y: [4 5 6] X: [[0 1 2 3][0 1 2 3][0 1 2 3]] Y: [[4 4 4 4][5 5 5 5][6 6 6 6]]

X,Y = meshgrid(x,y) ：將向量x和y定義的區域轉換成矩陣X和Y，其中矩陣X的行向量是向量x的簡單復制，而矩陣Y的列向量是向量y的簡單復制。假設x是長度為m的向量，y是長度為n的向量，則最終生成的矩陣X和Y的維度都是 n*m 。

?

6. astype(dtype) ---?轉換數據類型

7. np.where(condition, x, y) ---?如果滿足條件(condition)，輸出x，不滿足則輸出y

8. np.count_nonzero(array) ---?統計數組中非零值的個數

9. np.sort(array) ---?返回排好序的數組，默認的排序算法為快速排序

10. np.argsort(array) ---?返回原始數組排好序的索引值

11.?np.partition(array, k)?---?找出數組中第k小的值，輸出一個新數組，最左邊是第k小的值，往右是任意順序的其他值

12. np.argpartition(array, k) ---?找出數組中第k小的值的索引，輸出一個新數組，最左邊是第k小的值的索引，往右是任意順序的其他值的索引

13. np.percentitle(array, percentile, axis=None)?---?返回數組百分比分位數

array=np.array([[6,7],[8,9]]) x=np.percentile(array,60,axis=0) [7.2 8.2]

?

轉載于:https://www.cnblogs.com/HuZihu/p/10394880.html

總結

以上是生活随笔為你收集整理的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。

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。