[[440906]]

Numpy定義

NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。NumPy 通常與 SciPy(Scientific Python)和 Matplotlib(繪圖庫)一起使用，這種組合廣泛用于替代 MatLab，是一個強大的科學計算環境，有助于我們通過 Python 學習數據科學或者機器學習。

NumPy 主要應用包括：

機器學習模型：在編寫機器學習算法時，需要對矩陣進行各種數值計算。例如矩陣乘法、換位、加法等。NumPy提供了一個非常好的庫，用于簡單(在編寫代碼方面)和快速(在速度方面)計算。NumPy數組用于存儲訓練數據和機器學習模型的參數。

圖像處理和計算機圖形學：計算機中的圖像表示為多維數字數組。NumPy成為同樣情況下最自然的選擇。實際上，NumPy提供了一些優秀的庫函數來快速處理圖像。例如，鏡像圖像、按特定角度旋轉圖像等。

數學任務：NumPy對于執行各種數學任務非常有用，如數值積分、微分、內插、外推等。因此，當涉及到數學任務時，它形成了一種基于Python的MATLAB的快速替代。

為什么要用numpy

Python中提供了list容器，可以當作數組使用。但列表中的元素可以是任何對象，因此列表中保存的是對象的指針，這樣一來，為了保存一個簡單的列表[1,2,3]。就需要三個指針和三個整數對象。對于數值運算來說，這種結構顯然不夠高效。Python雖然也提供了array模塊，但其只支持一維數組，不支持多維數組(在TensorFlow里面偏向于矩陣理解)，也沒有各種運算函數。因而不適合數值運算。NumPy的出現彌補了這些不足。(——摘自張若愚的《Python科學計算》)

詳情請參考：

https://numpy.org/doc/stable/index.html

NumPy安裝

因為numpy通常跟 scipy matplotlib一起使用,所以一起安裝三個模塊即可

pip3 install --user numpy scipy matplotlib

numpy array基礎使用

np數組的創建

import numpy as np 
 
a = np.array([1,2,3,4])，#1行4列矩陣，即一維數組 
 
b = np.arange(4) # 1行4列矩陣，元素遞增1的一維數組 
 
c = np.array([[1,2],[3,4]]) # 2行2列矩陣，即二維數組d = np.arange(4).reshape((2,2)) #變換輸出 2行2列print (a) 
 
print(type(a)) #輸出a的類型print (b) 
 
print (c) 
 
print (d) 

 分別輸出：

[1 2 3 4] 
 
[0 1 2 3] 
 
[[1 2] 
 
[3 4]] 
 
[[0 1] 
 
[2 3]] 

np數組的廣播

廣播(Broadcast)是 numpy 對不同形狀(shape)的數組進行數值計算的方式，對數組的算術運算通常在相應的元素上進行。如果兩個數組 a 和 b 形狀相同，即滿足a.shape == b.shape，那么 a*b 的結果就是 a 與 b 數組對應位相乘。這要求維數相同，且各維度的長度相同。

例如代碼

a = np.array([1,2,3]) 
b = np.array([10,20,30]) 
c = a * b 
print (c) 

 輸出

[10 40 90] 

數組廣播相加操作

a = np.array([[ 0, 0, 0], [10,10,10], [20,20,20], [30,30,30]]) #4x3 的二維數組 
b = np.array([1,2,3]) 
print(a + b) 

 輸出

[[11 12 13] 
 
[2122 23]] 

 下面的圖片展示了數組 b 如何通過廣播來與數組 a 兼容。4x3 的二維數組與長為 3 的一維數組相加，等效于把數組 b 在二維上重復 4 次再運算：

np數組的切片和索引

ndarray對象的內容可以通過索引或切片來訪問和修改，與 Python 中 list 的切片操作一樣。ndarray數組可以基于0-n的下標進行索引，切片對象可以通過內置的 slice 函數，并設置 start, stop 及 step 參數進行，從原數組中切割出一個新數組。相信大家理解python list切片相關操作，一定會對該部分的內容感到熟悉，這里舉幾個經典的例子：

基礎實例

import numpy as np 
a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9] 
b = a[5] #下標5元素的值 
c = np.array([[1,2,3],[3,4,5],[6,7,8]])print(b) 
print(a[3:5]) #輸出下標3-5的值，注意這里可以輸出下限3，而不包括上限5 
print(c[0,0]) #輸出第一行第一列的元素即[1,2,3]中的1 
print (c[...,1]) #第2列元素print (c[1,...]) # 第2行元素print (c[...,1:]) # 第2列及剩下的所有元素 

 輸出

5 
 
[3 4] 
 
1 
 
[2 4 7] 
 
[3 4 5] 
 
[[2 3] 
 
[45] 
 
[78]] 

布爾索引實例

我們可以通過一個布爾數組來索引目標數組。布爾索引通過布爾運算(如：比較運算符)來獲取符合指定條件的元素的數組。

c = np.array([[1,2,3],[3,4,5],[6,7,8]]) 
print (c[c > 3]) #打印出大于3的元素 

 輸出

[4 5 6 7 8] 

numpy array遍歷

直接上代碼，普通一維數組

arr = np.array([1, 2, 3]) 
for x in arr: 
    print(x) 

 輸出

1 
 
2 
 
3 

 定義一個numpy的二維數組，二維以上的數組這里不做討論

arr = np.array([[1, 2, 3], [4, 5, 6]]) 
#遍歷 
for x in arr: 
     print(x) 

 輸出

[1 2 3] 
 
[4 5 6] 

如果想一個一個地輸出每一個元素，可以這樣編寫代碼

for x in arr: 
     for y in x: 
           print(y) 

 輸出

1 
 
2 
 
3 
 
4 
 
5 
 
6 

 上面的方式比較麻煩，我們可以通過方法np.nditer實現一個一個地輸出每一個元素

for x in np.nditer(arr): 
     print(x) 

 輸出

1 
 
2 
 
3 
 
4 
 
5 
 
6 

numpy array元素過濾

實例，在np數組中，過濾大于2的元素

arr = np.array([1, 2, 3, 4]) 
newarr = arr[arr >2] 
print(newarr) 

 輸出

[3 4] 

怎么樣，是不是非常非常簡單!

numpy array 關于字符的處理

如果np數組中存儲的是字符，如果相對字符元素進行相關操作，需要使用api —np.char

有這樣一個需求，把字符'0.01%','1.1%','1.21%' 中的%去掉，并把字符轉型為float類型。如何實現呢?代碼如下：

b=np.array(['0.01%','1.1%','1.21%']) 
newb=np.char.rstrip(b,'%').astype(float) 
print(newb) 

 輸出

[0.01 1.1 1.21] 

其中:

rstrip表示刪除某個字符

astype(float)表示把元素轉型為float