文章目錄

• • 一、創建ndarry
  • • • 1、使用`np.array()` 由 python list 創建
      • 2、使用np的常規函數創建
  • 二、ndarry 的屬性
  • 三、ndarry 的基本操作
  • 四、ndarry 的矩陣操作

Numpy 是python的數值計算的擴展

# 查看版本 .__version__ import numpy as np np.__version__ >>> '1.16.2'

Numpy 包的核心是 ndarry 對象，n維數組，電腦上所有數據都是數字形式保存。

Numpy 中文手冊

一、創建ndarry

1、使用np.array() 由 python list 創建

l = [1,2,3,4,5] print(type(l)) nd = np.array(l) print(type(nd)) >>> <class 'list'> <class 'numpy.ndarray'> l2 = [[1,3,5,7],[2,4,6,8]] print(l2) nd = np.array(l2) print(nd) >>> [[1, 3, 5, 7], [2, 4, 6, 8]] [[1 3 5 7][2 4 6 8]]

np.array 和 list 的異同：

• np.arrry 更加強大，可調用的方法很多
• 底層是 c 和 c++ 實現的，運行速度快

%timeit nd.sum() >>> 2.13 μs ± 44.9 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each) def sum2(x):ret = 0for i in x:ret += ireturn ret %timeit sum2(nd) >>> 2.78 μs ± 81.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

2、使用np的常規函數創建

1、np.ones(shape,dtype=None,order='C)

np.ones((5,5),np.int8) >>> array([[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1],[1, 1, 1, 1, 1]], dtype=int8)

2、np.zeros()

np.zeros((2,3,4),np.float16) >>> array([[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]], dtype=float16)

3、np.full(shape, fill_value, dtype=None,order='C'

np.full((3,5),3.14) >>> array([[3.14, 3.14, 3.14, 3.14, 3.14],[3.14, 3.14, 3.14, 3.14, 3.14],[3.14, 3.14, 3.14, 3.14, 3.14]])

4、np.eye(N, M=None, k=0, dtype = float)

np.eye(5) >>> array([[1., 0., 0., 0., 0.],[0., 1., 0., 0., 0.],[0., 0., 1., 0., 0.],[0., 0., 0., 1., 0.],[0., 0., 0., 0., 1.]])

5、np.linespace(start, stop, num=50, endpoint=True,retstep=False,dtype=None)

# 也叫等差數列 np.linspace(0,100,num=101) >>> 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., 24., 25., 26., 27., 28., 29., 30., 31., 32.,33., 34., 35., 36., 37., 38., 39., 40., 41., 42., 43.,44., 45., 46., 47., 48., 49., 50., 51., 52., 53., 54.,55., 56., 57., 58., 59., 60., 61., 62., 63., 64., 65.,66., 67., 68., 69., 70., 71., 72., 73., 74., 75., 76.,77., 78., 79., 80., 81., 82., 83., 84., 85., 86., 87.,88., 89., 90., 91., 92., 93., 94., 95., 96., 97., 98.,99., 100.])

6、np.arange(start, stop, step, dtype=None)

# 等間隔數列 np.arange(1,10,2) >>> array([1, 3, 5, 7, 9])

7、np.random.randint(low,high=None,size=None,dtype='l')

# 一定范圍內的隨機數 np.random.randint(0,100,(2,4)) >>> array([[98, 63, 18, 11],[40, 58, 62, 12]])

8、np.random.randn(d0, d1,...,dn)

# 正態分布，均值為 0，方差為 1 np.random.randn(4,5)array([[ 0.41147432, -0.56841502, -0.64467238, -0.88004511, -0.22976166],[-0.14085248, -0.47433223, -0.20435651, 0.42996496, 1.0578385 ],[-0.60056564, 1.10390688, -0.66069103, 0.3525401 , -0.75591328],[-1.22475853, -0.18057379, 0.56044618, 2.00066107, 1.47393763]])

9、np.random.normal(loc=0.0, scale = 1.0, size = None)

# 自定義正態分布 # loc 均值，scale 標準差，size 尺寸 np.random.normal(1.75,0.5,10) >>> array([1.36952483, 2.34225265, 1.09145538, 2.71158254, 0.96843264,1.79764286, 1.7570981 , 1.8556677 , 2.7517673 , 2.18922818]) # .round(n) 小數點后保留n位 np.random.normal(1.75,0.5,10).round(2) >>> array([1.42, 2.12, 0.84, 1.72, 1.52, 1.17, 1.61, 2.05, 2.68, 1.7 ])

10、np.random.random(size=None)

# 生成 0~1 的隨機數，左閉右開 np.random.random(10) >>> array([0.62466642, 0.71381154, 0.63322465, 0.36875306, 0.41764157,0.11489776, 0.53775854, 0.56280265, 0.24020451, 0.37022401])

二、ndarry 的屬性

四個必記的參數：

• ndim：維度
• shape：形狀
• size：總長
• dtype：元素類型

nd = np.random.normal(1.75,10,10).round(2) print(nd) >>> [ 6.7 12.78 -10.42 -3.69 8.15 -0.28 13.65 -0.48 17.71 4.11] nd.shape nd.size nd.ndim nd.dtype >>> (10,) 10 1 dtype('float64')

三、ndarry 的基本操作

1、索引

ndarry 索引和列表完全一致，多維索引和一維、二維索引規律完全相同

nd2 = np.random.randint(0,150,(4,5)) print(nd2) >>> [[ 91 115 78 49 145][141 78 117 21 18][ 53 93 110 26 128][ 38 93 105 27 65]] nd2[1,1] nd2[2] >>> 78 array([ 53, 93, 110, 26, 128])

2、切片

nd2[0:2] >>> array([[ 91, 115, 78, 49, 145],[141, 78, 117, 21, 18]]) nd2[-2:] >>> array([[ 53, 93, 110, 26, 128],[ 38, 93, 105, 27, 65]]) nd2[0:3,0:3] >>> array([[ 91, 115, 78],[141, 78, 117],[ 53, 93, 110]])

數據翻轉：

print(nd) >>> [ 6.7 12.78 -10.42 -3.69 8.15 -0.28 13.65 -0.48 17.71 4.11] nd[::-1] >>> array([ 4.11, 17.71, -0.48, 13.65, -0.28, 8.15, -3.69, -10.42,12.78, 6.7 ]) nd[::2] >>> array([ 6.7 , -10.42, 8.15, 13.65, 17.71])

練習：對圖像操作

from PIL import Image img = Image.open('resnet18.jpg') img_data = np.array(img) img_data.shape img_data.dtype >>> # 行 列 頁 (3016, 4032, 3) # 圖像是 uint8 類型，2^8=256，可以表示 256 個值（-128,127） dtype('uint8')

int8：8位有符號整型（-127~128）
uint8：8位無符號整型（0~255）

img_data.max() >>> 226 img_data.min() >>> 0

3、變形

# reshape nd >>> array([11. , 2.41, 1.38, 13.22, 4.9 , -2.03, 8.64, -9.92, -1.88, -4.34]) # reshape nd2 = nd.reshape(2,5) print(nd2) >>> [[11. , 2.41, 1.38, 13.22, 4.9 ],[-2.03, 8.64, -9.92, -1.88, -4.34]]

4、轉置

# np.transpose nd2.transpose() >>> array([[11. , -2.03],[ 2.41, 8.64],[ 1.38, -9.92],[13.22, -1.88],[ 4.9 , -4.34]])

5、級聯

# np.concatenate() np.concatenate([nd2,nd2]) >>> array([[11. , 2.41, 1.38, 13.22, 4.9 ],[-2.03, 8.64, -9.92, -1.88, -4.34],[11. , 2.41, 1.38, 13.22, 4.9 ],[-2.03, 8.64, -9.92, -1.88, -4.34]])

6、水平級聯+豎直級聯

# np.hstack 水平方向，axis = 1 nd3 = np.hstack([nd2,nd2]) print(nd3) >>> [[11. 2.41 1.38 13.22 4.9 11. 2.41 1.38 13.22 4.9 ][-2.03 8.64 -9.92 -1.88 -4.34 -2.03 8.64 -9.92 -1.88 -4.34]] # np.vstack 豎直方向，axis=0 nd4 = np.vstack([nd2,nd2]) print(nd4) >>>[[11. 2.41 1.38 13.22 4.9 ][-2.03 8.64 -9.92 -1.88 -4.34][11. 2.41 1.38 13.22 4.9 ][-2.03 8.64 -9.92 -1.88 -4.34]]

7、切分

# np.split(x,N) 平均分成 N 份 print(nd4) nd5 = np.split(nd4, 4) print(nd5) >>> [[11. 2.41 1.38 13.22 4.9 ][-2.03 8.64 -9.92 -1.88 -4.34][11. 2.41 1.38 13.22 4.9 ][-2.03 8.64 -9.92 -1.88 -4.34]][array([[11. , 2.41, 1.38, 13.22, 4.9 ]]), array([[-2.03, 8.64, -9.92, -1.88, -4.34]]), array([[11. , 2.41, 1.38, 13.22, 4.9 ]]), array([[-2.03, 8.64, -9.92, -1.88, -4.34]])]# np.split(x,[N1,N2]) 從 N1 行和 N2 行分別切開 nd6 = np.split(nd4,[1,3]) >>> [array([[11. , 2.41, 1.38, 13.22, 4.9 ]]),array([[-2.03, 8.64, -9.92, -1.88, -4.34],[11. , 2.41, 1.38, 13.22, 4.9 ]]),array([[-2.03, 8.64, -9.92, -1.88, -4.34]])] # np.vsplit np.vsplit(nd4,4) >>> [array([[11. , 2.41, 1.38, 13.22, 4.9 ]]),array([[-2.03, 8.64, -9.92, -1.88, -4.34]]),array([[11. , 2.41, 1.38, 13.22, 4.9 ]]),array([[-2.03, 8.64, -9.92, -1.88, -4.34]])] # np.hsplit nd7 = np.hsplit(nd4,5) [array([[11. ],[-2.03],[11. ],[-2.03]]), array([[2.41],[8.64],[2.41],[8.64]]), array([[ 1.38],[-9.92],[ 1.38],[-9.92]]), array([[13.22],[-1.88],[13.22],[-1.88]]), array([[ 4.9 ],[-4.34],[ 4.9 ],[-4.34]])]

8、副本

nd7 = nd5 id(nd7) id(nd5) >>> 2179900151752 2179900151752 # 使用 copy nd7 = nd5 id(nd7) id(nd5) >>> 2179871747976 2179900151752

9、numpy 的統計學：

平均值、中位數、方差、標準差、協方差、關聯

# 直方圖 import numpy as np nd = np.random.randint(0,1000,100) np.histogram(nd, bins=10) >>> # 第一個 array 是每個 bin 里邊的數值個數 # 第二個 array 是 bin 的取值范圍 (array([13, 10, 7, 12, 8, 5, 11, 11, 5, 18], dtype=int64),array([ 10. , 108.8, 207.6, 306.4, 405.2, 504. , 602.8, 701.6, 800.4, 899.2, 998. ]))

10、操作文件

# 保存 npy 文件，np.save，npy 文件是二進制文件 np.save('./data.npy',nd) # load 文件 np.load('./data.npy') # 保存 txt 文件 np.savetxt('./data.txt',nd) # 加載 txt 文件 np.loadtxt('./data.txt')

四、ndarry 的矩陣操作

1、基本矩陣操作

1）算數運算符：

2）矩陣積

a = np.random.randint(0,100,(4,5)) b = np.random.randint(0,100,(5,4)) np.dot(a,b) >>> array([[16215, 14663, 15557, 21490],[ 9840, 9357, 9573, 16708],[14834, 14976, 16061, 20842],[15684, 16925, 17148, 15196]])

2、廣播機制

• 規則一：為缺失的維度補1
• 規則二：假定缺失元素用已有的值填充

m = np.ones((2,3)) print('m:',m) a = np.arange(3) print('a:',a) m+a >>>m: [[1. 1. 1.][1. 1. 1.]] a: [0 1 2] array([[1., 2., 3.],[1., 2., 3.]])

3、排序

1、排序

# np.sort(nd) # nd.sort

2、部分排序

# np.partition(x, kth=N)，排前 N 個最小的 # np.partition(x, kth=-N)，排前 N 個最大的 nd2 = np.random.randint(2,30,10) print(nd2) np.partition(nd2,kth = 2) # 只排前兩個最小的 >>> [10 4 22 13 24 16 28 22 22 22] array([ 4, 10, 13, 22, 24, 16, 28, 22, 22, 22])

總結

以上是生活随笔為你收集整理的【python 6】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。