Numpy常用属性与方法

n维数组对象：ndarray

ndarray对象主要由两部分构成，即实际的数据和描述这些数据的元数据（数据维度、类型）等。

相比于Python列表的优势

1、数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据，如下：

Python中的数组对象进行平方：

l = [1, 2, 3]
for i in range(len(a));
	a[i] = a[i]**2

ndarray进行平方

import numpy as np
a = np.array([1, 2, 3])
a = a**2

2、设置专门的数组对象，经过优化，可以提升这类应用的运算速度

3、数组对象采用相同的数据类型，有助于节省运算和存储空间

ndarray对象属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

ndarray元素类型

包括主要的一些类型，类型后面的数字代表长度，常见的如bool、int32、float32、complex64（虚数）等等。

常用方法

创建方法

从Python中的列表、元组等类型创建

x = np.array(list/tuple)

使用相应函数创建

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余为0
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0数组
np.full_like(a,val)	根据数组a的形状生成一个数组，每个元素值都是val

创建网格（meshgrid）

其他方法创建

函数	说明
np.linspace(begin, end, bia)	根据起止数据等间距地填充数据，形成数组（从begin到end，共bia个数）
np.concatenate()	将两个或多个数组合并成一个新的数组

示例：

>>> a = np.linspace(1,10,3)
>>> a
array([ 1. ,  5.5, 10. ])
>>> b = np.linspace(1,10,3, endpoint=False)
>>> b
array([1., 4., 7.])
>>> c = np.concatenate((a, b))
>>> c
array([ 1. ,  5.5, 10. ,  1. ,  4. ,  7. ])

变换方法

维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

如果只想指示一个维度，而自动决定其他维度有多少个值，可以使用-1的写法（如果不能整除会报错）

# 想让数组有5行，列数自动决定
x.reshape(5, -1)

类型变换

astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

new_l = l.astype(new_type)

转换为列表

l = n.tolist()

数组的操作

索引与切片

ndarray数组的索引与切片与Python中的索引与切片大致相同

运算

ndarray数组与标量之间的运算作用于数组的每一个元素，包括平方立方等等，示例如下：

np.abs(n)	// 各元素的绝对值
np.sqrt(x)	// 各元素的平方根

同时使用数组中进行大小比较等运算时，会返回一个数值为布尔类型的数组（也是每个元素进行比较）

X = np.array([[1,2,3],[4,5,6]])
print(X > 3)
#######################################
[[False False False]
 [ True  True  True]]

借用这个特性，可以完成对满足某一要求的元素进行如赋值等其他操作

X = np.array([[1,2,3],[4,5,6]])
X[X > 3] = 10
print(X)
####################################
[[ 1  2  3]
 [10 10 10]]

合并与分割

函数	说明
np.concatenate([n1, n2], axis=1)	将矩阵n1、n2按照第1个维度合并（axis默认为0）。同时返回一个新的矩阵
np.vstack([n1, n2])	在垂直的维度合并n1，n2
np.hstack([n1, n2])	在水平方向合并n1,n2
x1, x2, x3 = np.split(x, [2,4], axis=1)	将x按照[0, 2)、[2, 4)、[4, end)进行分割并赋值（依此类推）
np.vsplit()、np.hsplit()

矩阵运算

函数	说明
A.dot(B)	矩阵乘法
A.T	矩阵转置
np.linalg.inv(A)	矩阵的逆

函数	说明
np.random.shuffle(x)	对x进行乱序处理
np.sort(x)	返回排序后的x

随机数函数

在numpy的子库numpy.random中

函数	说明
rand(d0,d1,..,dn)	根据d0‐dn作为维度创建随机数数组，浮点数，[0,1)，均匀分布
randn(d0,d1,..,dn)	根据d0‐dn创建随机数数组，标准正态分布
randint(low, high, shape)	根据shape创建随机整数或整数数组，范围是[low, high)
seed(s)	随机数种子，s是给定的种子值（计算机中随机数都是“伪随机数”，依赖于该随机种子）
normal(均值, 方差, shape)	生成给定均值与方差的符合正态分布的数或矩阵，shape为(元组)

统计函数（聚合函数）

函数	说明
sum(a, axis=None)	根据给定轴axis计算数组a相关元素之和，axis整数或元组
mean(a, axis=None)	根据给定轴axis计算数组a相关元素的期望，axis整数或元组
average(a,axis=None,weights=None)	根据给定轴axis计算数组a相关元素的加权平均值，weights是列表
std(a, axis=None)	根据给定轴axis计算数组a相关元素的标准差
var(a, axis=None)	根据给定轴axis计算数组a相关元素的方差
min(a) max(a)	计算数组a中元素的最小值、最大值
argmin(a) argmax(a)	计算数组a中元素最小值、最大值的降一维后下标

梯度函数

np.gradient(f)，计算数组f中元素的梯度（即连续值之间的变化率），当f为多维时，返回每个维度梯度

>>> a = np.arange(5)
>>> a
array([0, 1, 2, 3, 4])
>>> np.gradient(a)
array([1., 1., 1., 1., 1.])

说明：以索引为2的值为例，该处梯度的计算值为(a[3] - a[1]) / 2 = 1

ndarray数据的读写

二维数据读写

CSV文件，以逗号作为分隔符的常见文件格式

np.savetxt()：写入文件

# frame : 文件、字符串或产生器
# array : 存入文件的数组
# fmt : 写入文件的格式
# delimiter : 分割字符串，默认是任何空格
np.savetxt(frame, array, fmt='%.18e', delimiter=None)

例:

np.savetxt('a.csv', a, fmt='%d', delimiter=',')

np.loadtxt()：读取文件

# unpack  : 如果True，读入属性将分别写入不同变量
np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)

多维数据存取

a.tofile()

# frame  : 文件、字符串
# sep : 数据分割字符串，如果是空串，写入文件为二进制
# format : 写入数据的格式
a.tofile(frame, sep='', format='%s')

np.fromfile()

# count  : 读入元素个数，‐1表示读入整个文件
# sep : 数据分割字符串，如果是空串，写入文件为二进制
np.fromfile(frame, dtype=float, count=‐1, sep='')

便捷文件存取

其中文件名称通常以.npy为拓展名

np.save(fname, array)

np.load(fname)

Donate