這里對Numpy庫常用的函數進行總結。詳細的函數內容可以查閱。Numpy是科學計算庫,是一個強大的N維數組對象ndarray，是廣播功能函數。其整合C/C++.fortran代碼的工具 ，更是Scipy、Pandas等的基礎

————————————————

注意，基本所有語句都可以使用兩種寫法，如下面的例子

# dot()函數可以通過numpy庫調用，也可以由數組實例對象進行調用 a.dot(b) 與 numpy.dot(a,b) #a，b是數組（矩陣）b=a.reshape(shape) 與 b=np.reshape(a,shape) b=a.resize(shape) 與 b=np.resize(a,shape) #如b=a.reshape((3,2)) 與 b=np.reshape(a,(3,2))

另外，習慣上， 數組元素編號、行列編號都是從0開始的。如一維數組有n個元素，元素編號為0到n-1；如三維數組有3層4行5列，(0,1,3)表示第1層第2行第4列的元素。

三維數組維度順序為（層數、行、列），代號表示為0,1,2, 即z,y,x，即深度、高度、寬度。

-數組信息查詢

.ndim ：維度。說白了就是[]括號的層數 .shape ：各維度的尺度,注意(x,y)表x行y列,(x,1)表x行1列,(y,)表1行y列。不知道為什么1行時這么特殊，不把1寫出來?？聪旅娼貓D例子 .size ：元素的個數。與元素位于第幾層[]無關，表所有獨立的元素的總數 .dtype ：元素的類型 dtype(‘int32’) .itemsize ：每個元素的大小，以字節為單位 ，每個元素占4個字節

.shape 表各維度的尺度,注意(x,y)表x行y列,(x,1)表x行1列,(y,)表1行y列。

-ndarray數組的創建

np.arange(m,n) ; 1行n-m列數組，元素從m到n-1 np.arange(n)或np.arange(n,); 1行n列數組，元素從0到n-1.即不輸入m,則默認m=0np.ones((m,n)): m行n列數組，元素全為1 np.ones((n))或np.ones((n,)) np.ones(n)或np.ones(n,): 1行n列數組，元素全為1.即不輸入m則默認m=1np.zeros((m,n),dtype = np.int32): 生成int32型的全0,dtype參數可加可不加，上面幾個語句也是一樣 np.zeros((n,))或np.zeros(n,)或np.zeros((n))或np.zeros(n) 默認m=1，1行n列數組 注意np.zeros(m,n)會報錯，np.zeros(shape）參數shape必須是坐標形式(x,y),帶括號np.full(shape, val): 參數shape是坐標形式(x,y),元素全為val.若不輸入x則默認x=1np.eye(n) : 生成單位矩陣，默認m=n np.eye(m,n) : 生成類似單位矩陣，多余的行或列全為0.參見下面截圖np.ones_like(a) : 按數組a的形狀生成全1的數組 np.zeros_like(a): 同理 np.full_like (a, val) : 同理np.linspace(m,n,x) : 閉區間[m,n]內，等間距生成1行x列數組，包含m和n np.linspace(m,n,x, endpoint = False) : 半開區間[m,n）內，等間距生成1行x列數組，包含m，不含n 注意endpoint=False表示n不含在內，實際上是m到n,取x+1個點中間夾x段，只取前x個點. 注意沒有endpoint=Ture。只有False參數np.concatenate((a1, a2, ...), axis) :將若干數組沿行方向或列方向連接起來 a1, a2, ...是相同類型的數組，axis連接數組所沿的軸，默認為 0。axis=0表列方向，axis=1表行方向

-數組的維度變換

.reshape(shape) : 不改變數組元素，根據shape重新組織行列。如1行4列reshape為2行2列、4行1列。3行2列等不合理的，會報錯注意，三維數組維度順序為0,1,2,即z,y,x，即深度、高度、寬度，即層數、行、列a = np.arange(24).reshape((3,4,2))，表3層4行2列 .resize(shape) : 改變當前數組，依shape生成。resize功能>=reshape如1行4列resize為2行2列、4行1列，則實際等同于reshape。resize為3行2列,多出來的位置則會用已有的元素（按照順序）填充。見截圖 .swapaxes(ax1,ax2) : 將兩個維度調換。若數組有n維，則ax1,ax2可取0,1,2...n-1.高維情況換軸還是很抽象的。見截圖 .flatten() : 對數組進行降維，保留全部元素降成1維數組。元素順序，排完原數組第一行，開始第二行，類推

-數組的類型變換

數據類型的轉換 ：a.astype(new_type) : eg, a.astype (np.float), a.astype(float)也是對的 數組向列表的轉換： a.tolist() 注意[]層數不會改變，例如三維數組變成列表后，[]依然保留，只不過沒有數組行列形式了

-數組的索引和切片

一維數組索引 a = np.array([9, 8, 7, 6, 5, ]) 一維數組有n個元素，元素編號為0到n-1 a[0]=9, a[1]=8一維數組切片 a = np.array([9, 8, 7, 6, 5, ]) a[1:4:2] = array([8, 6]) ： a[起始編號：終止編號（不含）： 步長] a[::2] = array([9, 7, 5]) 缺省時，表示從第0個元素開始，到最后一個元素 a[::1] = array([9, 8, 7, 6, 5])- 多維數組索引 a = np.arange(24).reshape((2, 3, 4)) a[1, 2, 3] 表示3個維度上的編號，即第2層第3行第4列的元素。編號從0開始- 多維數組切片 a [:,:,::2 ] 缺省時,表從第0個元素開始,到最后一個元素.注意比較一維數組切片的關聯。這里列切片2個冒號

-數組的運算

np.abs(a) 和 np.fabs(a) : 取各元素的絕對值 .fabs()取絕對值并使成為float類型 np.sqrt(a) : 計算各元素的平方根 np.square(a): 計算各元素的平方 np.log(a) np.log10(a) np.log2(a) : 計算各元素的自然對數、10、2為底的對數 np.ceil(a) np.floor(a) : 計算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整） np.rint(a) : 各元素 四舍五入。對于負數元素，先取其絕對值進行四舍五入，然后再加負號。如-1.5變成-2，-1.4變成-1例如np.rint(np.array([-1.5,1.5,-4.4]))=array([-2.,2.,-4.]) np.modf(a) : 將數組各元素的小數和整數部分以兩個獨立數組形式返回 np.exp(a) : 計算各元素的指數值 np.sign(a) : 計算各元素的符號值 1（+），0，-1（-） np.maximum(a, b) np.fmax() :a,b數組具有相同的形式，一一比較相應位置處的元素取大者. fmax()取最大值并使成為float類 np.minimum(a, b) np.fmin() : 同上，取最小值。a,b形式不同，則會報錯如例，a=[1,2,-1],b=[0,3,-2],則np.maximum(a, b)=[1,3,-1],np.minimum(a, b)=[0,2,-2] np.mod(a, b) : 元素級的模運算 np.copysign(a, b) : 將b中各元素的符號賦值給數組a的對應元素

- NumPy IO 數據存取于文件。

主要是np.savetxt()和np.loadtxt()、numpy.save()和numpy.load()、numpy.savez()和numpy.load()、array.tofile()和np.fromfile()

np.savetxt(FILENAME, array, fmt="%d", delimiter=",") np.loadtxt(FILENAME, dtype=int, delimiter=' ') savetxt(),只能存儲一維和二維數組.存儲三維及以上則會報錯。 savetxt() 函數將數據以文本形式存儲到txt文件中 fmt表示元素的格式如 %d, %.2f, %.18e delimiter指定各種分隔符、針對特定列的轉換器函數、需要跳過的行數等。默認是空格 實例1： a = np.array([1,2,3,4,5]) np.savetxt('out.txt',a) b = np.loadtxt('out.txt') 實例2： a=np.arange(0,10,0.5).reshape(4,-1) np.savetxt("out.txt",a,fmt="%d",delimiter=",") # 改為保存為整數，以逗號分隔 b = np.loadtxt("out.txt",delimiter=",") # load 時也要指定為逗號分隔numpy.save(file, arr, allow_pickle=True, fix_imports=True) numpy.load('outfile.npy') numpy.save() 函數一次保存一個數組到.npy文件中 file是要保存的文件，擴展名為 .npy，如果文件路徑末尾沒有擴展名 .npy，該擴展名會被自動加上。 allow_pickle: 可選，布爾值，允許使用 Python pickles 保存對象數組，Python 中的 pickle 用于在保存到磁盤文件或從磁盤文件讀取之前，對對象進行序列化和反序列化。 fix_imports: 可選，為了方便 Pyhton2 中讀取 Python3 保存的數據 實例： a = np.array([1,2,3,4,5]) # 保存到 outfile.npy 文件上 np.save('outfile.npy',a) # 保存到 outfile2.npy 文件上，如果文件路徑末尾沒有擴展名 .npy，該擴展名會被自動加上 np.save('outfile2',a) b = np.load('outfile.npy') numpy.savez(file, *args, **kwds) numpy.load("runoob.npz") numpy.savez() 函數一次可以保存多個數組到.npz文件中 file：要保存的文件，擴展名為 .npz，如果文件路徑末尾沒有擴展名 .npz，該擴展名會被自動加上。 args: 要保存的數組，可以使用關鍵字參數為數組起一個名字，非關鍵字參數傳遞的數組會自動起名為 arr_0, arr_1, … kwds: 要保存的數組使用關鍵字名稱 實例： a = np.array([[1,2,3],[4,5,6]]) b = np.arange(0, 1.0, 0.1) c = np.sin(b) # c 使用了關鍵字參數 sin_array np.savez("runoob.npz", a, b, sin_array = c) r = np.load("runoob.npz") print(r.files) # 查看各個數組名稱 print(r["arr_0"]) # 數組 a print(r["arr_1"]) # 數組 b print(r["sin_array"]) # 數組 ca.tofile(frame, sep=’’, format=’%s’ ) ##注意沒有numpy.tofile()，這個寫法報錯 np.fromfile(frame, dtype = float, count=-1, sep=’’) 用于多維數據的存取，a.tofile() 和np.fromfile（）要配合使用，要知道數據的類型和維度。 frame：文件、字符串；dtype：讀取的數據以此類型存儲； count：讀入元素個數，-1表示讀入整個文件； sep: 數據分割字符串，如果是空串，寫入文件為二進制 format:： 寫入數據的格式 實例： a = np.arange(100).reshape(5, 10, 2) a.tofile(“b.dat”, sep=”,”, format='%d') np.fromfile(“b.dat”)

- numpy隨機數函數

numpy 的random子庫，注意numpy.random子庫和獨立的random庫不是同一個庫。二者有差別，numpy.random子庫主要產生隨機數作為多維數組的元素，而random獨立庫單純產生隨機數，因此二者盡管有很多同名的隨機數產生方式，但numpy.random一般會多一個shape數組維度參數

np.random.* np.random.rand(d0, d1, …,dn) d0到dn指定各維度結構，如rand(3,4,5)表3層4行5列三維數組。各元素是[0, 1）的浮點數，服從均勻分布 np.random.randn(d0, d1, …,dn) d0到dn含義同上。元素服從標準正態分布 np.random.randint() randint(low,high,shape): 依shape創建隨機整數或整數數組，范圍是[low, high).如randint(1,10,(2,3,4)) seed(s) ：隨機數種子，s是給定種子值。給定隨機數組種子后，隨后使用randrandnrandint產生的隨機數組不變。見截圖shuffle(a) : 根據數組a的第一軸進行隨機排列，改變數組a。隨意調換兩軸，作用結果就是改變了的數組a permutation(a) : 根據數組a的第一軸進行隨機排列， 隨意調換兩軸，但是不改變原數組a，將生成新數組 choice(a[, size, replace, p]) : 從一維數組a中以概率p抽取元素， 形成size形狀新數組，replace表示是否可以重用元素，缺省值為True。 實例： b=np.random.randint(100,200,(8,)) np.random.choice(b,(3,2)) #會有重復的元素 np.random.choice(b,(3,2),replace=False) #沒有重復的元素 np.random.choice(b,(3,2),p=b/np.sum(b)) #p是出現幾率，與數字大小成正比np.random.uniform(low,high,shape) ##在上下限間，產生均勻分布的數組 np.random.normal(avr,scale,shape) ##avr均值，scale標準差，產生正太分布的數組 np.random.poisson(lam,shape) ##lam隨機事件發生率，產生具有泊松分布的數組。這個lam是什么意思？只要是非負數就行

- numpy的統計函數

sum(a, axis = None) : 依給定軸axis計算數組a相關元素之和，axis為整數或者元組 mean(a, axis = None) : 同理，計算平均值 average(a, axis =None, weights=None) : 依給定軸axis計算數組a相關元素的加權平均值 std（a, axis = None） ：同理，計算標準差 var（a, axis = None）: 計算方差 #注意，以上axis參數可選0,1,2表示分別在相應方向上操作。如果不填，則表示對數組中全部元素操作 實例： np.mean(a, axis =1) ： 對數組a的行維度的數據進行求平均（注意，是固定第幾列，求第1、2、3...行的平均） a = np.arange(12).reshape(2,3,2) np.average(a, axis=1, weights =[10, 5, 1]) : 對a數組 行維度加權求平均，weights為權重系數，分別對應求第1、2、3行min(a) max(a) : 計算數組a的最小元素值和最大元素值 ptp(a) : 計算數組a最大值和最小值的差 median(a) : 計算數組a中元素的中位數（中值） argmin(a) argmax(a) : 計算數組a的最小、最大值的下標（注意：返回值是假想將多維數組解折疊為一維數組時的下標） unravel_index(index, a.shape) : 輸入a.shape和一維下標index，找到相應元素的實際多維下標（不需要假想為一維） 實例： a = [[15, 14, 13], [12, 11, 10] ] np.argmax(a) = 0 #最大值為假想的一維數組中的第一個元素 np.unravel_index( np.argmax(a), a.shape) = (0,0) #最大值在實際數組的坐標為第1行第1列

np.average(a, axis=1, weights =[10, 5, 1])和np.mean(a, axis =1)

- numpy的梯度函數

np.gradient(a) ： 計算數組a中元素的梯度，f為多維時，返回每個維度的梯度 離散梯度計算： 三個數a, b, c 其中a的梯度是(b-a)/1, b的梯度是(c-a)/2，而c的梯度是(c-b)/1當為二維數組時，np.gradient(a) 得出兩個數組. 第一個數組由依次兩行的相應元素相減得到，如第2行減第1行，第3行減第2行... 第二個數組由依次兩列的相應元素相減得到，如第2列減第1列，第3列減第2列... 多維數組時類似

- 圖像的表示和變換

圖像實際是一個二維數組，numpy結合python PIL(python image library)庫常使用與圖像處理

from PIL import Image # Image是PIL庫中代表一個圖像的類（對象）im = np.array(Image.open(“.jpg”))im = Image.fromarray(b.astype(‘uint8’)) # 生成 im.save(“路徑.jpg”) # 保存im = np.array(Image.open(“.jpg”).convert('L')) # convert(‘L’)表示轉為灰度圖

————————————————

-數組的運算

numpy.dot()函數用于數組相乘

基本用法和matlab類似 使用dot()函數的寫法，有兩種：dot()函數可以通過numpy庫調用，也可以由數組實例對象進行調用 a.dot(b) 與 numpy.dot(a,b) #a，b是數組（矩陣）dot()返回的是兩個數組的點積(dot product) 1. 若a和b是一維數組，則得到的是兩數組的內積（inner product） 2. 若a和b是二維數組（矩陣）之間的運算，則得到的是矩陣積（mastrix product） 實例見截圖此外，矩陣積計算不遵循交換律, np.dot(a,b) 和 np.dot(b,a) 得到的結果是不一樣的。

總結

以上是生活随笔為你收集整理的astype函数_Python库收录——数值计算numpy库常用函数(含注释)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。