Python Numpy基础教程：数组创建、属性与广播机制详解

Numpy概述与核心功能

Numpy是Python生态中极为常用的基础库，常与pandas配合用于机器学习数据处理，或与pylab结合进行数据可视化，是标准的技术栈组合。

Numpy

NumPy的官方中文文档地址为：NumPy 中文

NumPy是Python科学计算的基础软件包，其核心功能包括：

• 功能强大的N维数组对象；
• 精密的广播功能函数；
• 集成C/C++和Fortran代码的工具；
• 强大的线性代数、傅立叶变换和随机数处理功能。

简而言之，Numpy可视为Python版的Matlab数学计算包，利用它，Python能够更简单便捷地对矩阵和向量进行计算。

通常，我们在代码中引用该包并简写为np：

import numpy as np

ndarray对象创建与数据类型

Numpy的ndarray对象

ndarray的创建

Numpy中最重要的数据类型是N维数组对象ndarray。它由一系列同类型数据组成，索引从0开始。

该对象具备以下两个主要特点：

• ndarray用于存放同类型元素的多维数组；
• ndarray中的每个元素在内存中占据相同大小的存储区域。

创建一个ndarray对象：

np.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

参数说明：

一般而言，无需记住所有可选参数：

import numpy as np

if __name__ == "__main__":
 x = np.array([1, 2, 3])
 print(x)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [1 2 3]

除了使用array方法创建ndarray对象外，Numpy还提供了其他几种创建方式：

np.empty(shape, dtype = float, order = 'C')     # 指定形状的未初始化数组

np.zeros(shape, dtype = float, order = 'C')     # 指定形状的全0数组
np.ones(shape, dtype = None, order = 'C')      # 指定形状的全1数组

np.arange(start = 0, stop, step = 1, dtype)     # 从起始值到终止值(不包含)时，按步长从范围内创建数组

np.linspace(start, stop, num = 50, endpoint = True, retstep = False, dtype = None)  # 从起始值到终止值(默认包含)创建一个等差数组的一维数组
np.logspace(start, stop, num = 50, endpoint = True, base = 10.0, dtype = None) # 从起始值到终止值(默认包含)创建一个等比数组的一维数组

Numpy也支持从Python其他类型直接转换为ndarray：

np.asarray(a, dtype = None, order = None)      # 列表形式
np.frombuffer(buffer, dtype = float, count = -1, offset = 0)      # 以流的形式读入
np.fromiter(iterable, dtype, count=-1)     # 从可迭代对象中，以迭代器的形式读入

例如：

import numpy as np

if __name__ == "__main__":
 a = [[1, 2 ,3], [4, 5]]
 b = 'Hello World'
 c = iter(range(5))

 x = np.asarray(a)
 y = np.frombuffer(b, dtype = 'S1')
 z = np.fromiter(c, dtype = float)

 print(x)
 print(y)
 print(z)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [list([1, 2, 3]) list([4, 5])] ['H' 'e' 'l' 'l' 'o' ' ' 'W' 'o' 'r' 'l' 'd'] [0. 1. 2. 3. 4.]

ndarray的数据结构

Numpy支持多种数据类型，以下列举部分常见类型：

若需自定义数据类型，则需通过dtype来确定：

numpy.dtype(object, align, copy)

参数说明：

例如，可以创建一个包含学生信息的对象：

import numpy as np

if __name__ == "__main__":
 student = np.dtype([('name', 'S20'), ('age', 'i8'), ('score', 'f4')])
 a = np.array([('zhangsan', 18, 80), ('lisi', 19, 85)], dtype=student)
 print(a)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [('zhangsan', 18, 80.) ('lisi', 19, 85.)]

ndarray属性与格式变换

ndarray的属性

ndarray有两个常用属性：shape和size。shape表示数组维度，二维数组中即行数和列数；size表示数组元素总个数，二维数组中为行数与列数的乘积。

例如：

import numpy as np

if __name__ == "__main__":
 a = np.array([[1, 2, 3], [4, 5, 6]])
 print(a.shape)
 print(a.size)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py (2, 3) 6

ndarray对象提供了两种方式在不改变数据内容的情况下改变数组格式，但两者有所区别：

import numpy as np

if __name__ == "__main__":
 a = np.array([[1, 2, 3], [4, 5, 6]])
 a.shape = (3, 2)         # 直接改变本体
 print(a)
 b = a.reshape(2, 3)        # 本体不改变，将改变后的对象返回
 print(b)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [[1 2] [3 4] [5 6]] [[1 2 3] [4 5 6]]

ndarray内容访问与高级索引

ndarray的内容访问

ndarray对象的内容可通过索引或切片访问和修改，操作方式与Python中list的切片操作类似。

ndarray既支持基于下标的切片，也可通过内置的slice函数并设置start、stop及step参数，从原数组中切割出新数组。

例如：

import numpy as np

if __name__ == "__main__":
 a = np.arange(10)
 b = a[1:7:1]
 s = slice(1,7,1)
 c = a[s]

 print(a)
 print(b)
 print(c)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [0 1 2 3 4 5 6 7 8 9] [1 2 3 4 5 6] [1 2 3 4 5 6]

对冒号:的解释：

• 若为一维数组，仅放置一个参数如[2]，将返回该索引对应的单个元素；若为[2:]，表示提取该索引及之后的所有项；若使用两个参数如[2:7]，则提取两个索引（不含停止索引）之间的项；
• 若是多维数组，使用,区分不同维数。

例如：

import numpy as np

if __name__ == "__main__":
 a = np.arange(25)
 a.shape = (5, 5)

 b = a[1:4, 2:4]
 print(a)
 print(b)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [[ 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]] [[ 7 8] [12 13] [17 18]]

ndarray除了基于下标切片，还支持高级索引方式，如布尔索引和花式索引。

例如：

import numpy as np

if __name__ == "__main__":
 a = np.arange(25)
 a.shape = (5, 5)

 b = a[a > 6]
 c = a[[3, 2, 4]]
 print(a)
 print(b)
 print(c)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [[ 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]] [ 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24] [[15 16 17 18 19] [10 11 12 13 14] [20 21 22 23 24]]

其他

判断元素是否为NaN：

np.isnan(...)

Numpy广播机制详解

Numpy的广播

若两个ndarray：a和b形状相同，即满足a.shape==b.shape，则a与b的算术结果为对应位置元素的运算。这要求维数相同，且各维度长度一致。

例如：

import numpy as np

if __name__ == "__main__":
 a = np.array([1, 2, 3])
 b = np.array([1, 2, 3])
 c = a + b
 d = a * b
 
 print(c)
 print(d)
 

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [2 4 6] [1 4 9]

而，广播是Numpy对不同形状(shape)的ndarray进行数值计算的方式，对ndarray的算术运算通常在相应的元素上进行。

如何确定相应的元素？

虽然广播针对不同形状(shape)，但需满足两个条件：列数相同，且其中一个行数为1。在此前提下，每行相同列的元素即为对应元素。

直接看文字可能难以理解，可参考以下例子：

import numpy as np

if __name__ == "__main__":
 a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
 b = np.array([1, 2, 3])
 c = a + b
 d = a * b
 
 print(c)
 print(d)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [[ 2 4 6] [ 5 7 9] [ 8 10 12]] [[ 1 4 9] [ 4 10 18] [ 7 16 27]]

所谓广播即：当列数相同时，行数为1的ndarray会进行扩行操作，新增行的内容与原行内容相同。

扩行可通过tile函数实现：

np.tile(obj, (行, 列))    # 在行上和列上分别重复一定的次数

因此，上文的广播也可通过以下方式替代：

import numpy as np

if __name__ == "__main__":
 a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
 b = np.array([1, 2, 3])
 bb = np.tile(b, (3, 1))
 c = a + bb
 d = a * bb
 
 print(bb)
 print(c)
 print(d)

运行该脚本：

yngzmiao@yngzmiao-virtual-machine:~/test$ python numpy_test.py [[1 2 3] [1 2 3] [1 2 3]] [[ 2 4 6] [ 5 7 9] [ 8 10 12]] [[ 1 4 9] [ 4 10 18] [ 7 16 27]]

ndarray常用数学与排序函数

ndarray的函数

ndarray提供了多种数学函数、算术函数和排序函数，以便进行各类运算。

ndarray的数学函数，例如：

np.pi          # 圆周率
np.sin(obj)       # 三角运算
np.cos(obj)
np.tan(obj)
np.arcsin(obj)     # 反三角运算
np.arccos(obj)
np.arctan(obj)
np.degrees(obj)     # 将弧度值转换为角度值

np.around(obj, decimals) # 返回ndarray每个元素的四舍五入值，decimals为舍入的小数位数，默认为0
np.floor(obj)      # 向下取整
np.ceil(obj)      # 向上取整

ndarray的算术函数，例如：

np.add(obj1, obj2)        # 加减乘除运算，与+-*/效果一致，需要符合广播原则
np.subtract(obj1, obj2)
np.multiply(obj1, obj2)
np.divide(obj1, obj2)
np.mod(obj1, obj2)        # 求余数运算

np.reciprocal(obj)        # 元素取倒数

np.power(obj1, obj2)       # 计算前参数为底，后参数为幂的值

ndarray的排序函数，例如：

np.sort(obj, axis=1, kind='quicksort', order)

参数说明：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。