NumPy是一個(gè)用于科學(xué)計(jì)算和數(shù)據(jù)分析的Python庫(kù)，也是機(jī)器學(xué)習(xí)的支柱。可以說(shuō)NumPy奠定了Python在機(jī)器學(xué)習(xí)中的地位。NumPy提供了一個(gè)強(qiáng)大的多維數(shù)組對(duì)象，以及廣泛的數(shù)學(xué)函數(shù)，可以對(duì)大型數(shù)據(jù)集進(jìn)行有效的操作。這里的“大”是指數(shù)百萬(wàn)行。

Numpy快速而高效的原因是底層的C代碼，這比使用Python進(jìn)行數(shù)組的操作要快上幾百倍，并且隨著數(shù)據(jù)量級(jí)的上升而上升。

本文中整理了一些可以解決常見(jiàn)問(wèn)題的主要的NumPy函數(shù)。

1、創(chuàng)建數(shù)組

numpy.array：創(chuàng)建新的NumPy數(shù)組

# Create an array using np.array()
 arr = np.array([1, 2, 3, 4, 5])
 
 print(arr)
 Ouput: [1 2 3 4 5]

numpy.zeros：創(chuàng)建一個(gè)以零填充的數(shù)組。

# Create a 2-dimensional array of zeros
 arr = np.zeros((3, 4))
 
 [[0. 0. 0. 0.]
  [0. 0. 0. 0.]
  [0. 0. 0. 0.]]

類似的還有numpy.ones：創(chuàng)建一個(gè)都是1的數(shù)組 / numpy.empty:在不初始化數(shù)組元素的情況下創(chuàng)建數(shù)組。

使用numpy.random：生成隨機(jī)數(shù)組的函數(shù)。

# Generate a random integer between 0 and 9
 rand_int = np.random.randint(10)
 print(rand_int)

numpy.linspace：在指定范圍內(nèi)生成均勻間隔的數(shù)字。

# Generate an array of 5 values from 0 to 10 (inclusive)
 arr = np.linspace(0, 10, 5)
 
 # Print the array
 print(arr)
 [ 0.   2.5 5.   7.5 10. ]

numpy.range：用間隔的值創(chuàng)建數(shù)組。

# Generate an array from 0 to 10 (exclusive) with step size 1
 arr = np.arange(0, 10, 2)
 
 # Print the array
 print(arr)
 [1 3 5 7 9]

2、查看數(shù)組信息

numpy.shape：返回一個(gè)表示數(shù)組形狀的元組。

numpy.ndim：返回?cái)?shù)組的維度數(shù)。

numpy.dtype：獲取數(shù)組中元素的數(shù)據(jù)類型?？梢允莍nt型，float型，bool型等等。

3、數(shù)組操作函數(shù)

numpy.reshape：改變數(shù)組的形狀。

# Create a 1-dimensional array
 arr = np.array([1, 2, 3, 4, 5, 6])
 
 # Reshape the array to a 2x3 matrix
 reshaped_arr = np.reshape(arr, (2, 3))
 
 [[1 2 3]
  [4 5 6]]

numpy.transpose：用于排列數(shù)組的維度。它返回一個(gè)軸調(diào)換后的新數(shù)組。

# Create a 2-dimensional array
 arr = np.array([[1, 2, 3],
                [4, 5, 6]])
 
 # Transpose the array
 transposed_arr = np.transpose(arr)
 [[1 4]
  [2 5]
  [3 6]]

numpy.concatate：沿現(xiàn)有軸連接數(shù)組。

# Create two 1-dimensional arrays
 arr1 = np.array([1, 2, 3])
 arr2 = np.array([4, 5, 6])
 
 # Concatenate the arrays along axis 0 (default)
 concatenated_arr = np.concatenate((arr1, arr2))
 [1 2 3 4 5 6]

numpy.split：分割數(shù)據(jù)，numpy.resize:改變數(shù)組的形狀和大小。

numpy.vstack：將多個(gè)數(shù)組垂直堆疊以創(chuàng)建一個(gè)新數(shù)組。

# Create two 1-dimensional arrays
 arr1 = np.array([1, 2, 3])
 arr2 = np.array([4, 5, 6])
 
 # Vertically stack the arrays
 stacked_arr = np.vstack((arr1, arr2))
 [[1 2 3]
  [4 5 6]]

numpy.hstack：與vstack類似，但是是水平堆疊數(shù)組。

4、數(shù)學(xué)函數(shù)

numpy.sum：計(jì)算數(shù)組元素的和。

numpy.mean：計(jì)算數(shù)組的算術(shù)平均值。

numpy.max：返回?cái)?shù)組中的最大值。

numpy.min：返回?cái)?shù)組中的最小值。

numpy.abs：計(jì)算元素的絕對(duì)值。

numpy.exp：計(jì)算所有元素的指數(shù)。

numpy.subtract：對(duì)兩個(gè)數(shù)組的對(duì)應(yīng)元素進(jìn)行減法運(yùn)算。

numpy.multiply：對(duì)兩個(gè)數(shù)組的對(duì)應(yīng)元素進(jìn)行乘法運(yùn)算。

numpy.divide：對(duì)兩個(gè)數(shù)組的對(duì)應(yīng)元素進(jìn)行除法運(yùn)算。

numpy.sin：計(jì)算數(shù)組中每個(gè)元素的正弦值。

numpy.cos：計(jì)算數(shù)組中每個(gè)元素的余弦值。

numpy.log：計(jì)算數(shù)組中每個(gè)元素的自然對(duì)數(shù)（以e為底的對(duì)數(shù)）。

5、統(tǒng)計(jì)函數(shù)

numpy.std:計(jì)算數(shù)組的標(biāo)準(zhǔn)差。

# Create a 1-dimensional array
 arr = np.array([1, 2, 3, 4, 5])
 
 # Compute the standard deviation of the array
 std = np.std(arr)
 1.4142135623730951

numpy.var：計(jì)算數(shù)組的方差。

numpy.histogram：計(jì)算一組數(shù)據(jù)的直方圖。

numpy.percentile：計(jì)算數(shù)組的第n個(gè)百分位數(shù)。它返回低于給定百分比的數(shù)據(jù)的值。

data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
 
 # Calculate the 50th percentile (median) of the data
 median = np.percentile(data, 50)
 
 # Calculate the 25th and 75th percentiles (quartiles) of the data
 q1 = np.percentile(data, 25)
 q3 = np.percentile(data, 75)
 
 Median: 5.5
 Q1: 3.25
 Q3: 7.75

numpy.corcoef：計(jì)算兩個(gè)數(shù)組之間的相關(guān)系數(shù)。numpy.mean: 計(jì)算數(shù)組元素的平均值。numpy.median：計(jì)算數(shù)組元素的中位數(shù)。

numpy.random.rand：在區(qū)間[0,1]內(nèi)從均勻分布生成隨機(jī)數(shù)數(shù)組

# Generate a 1-dimensional array of random numbers
 random_array = np.random.rand(5)
 [0.35463311 0.67659889 0.5865293 0.77127035 0.13949178]

numpy.random.normal：從正態(tài)(高斯)分布生成隨機(jī)數(shù)

# Generate a random number from a normal distribution
 random_number = np.random.normal()
 -0.6532785285205665

6、線性代數(shù)函數(shù)

numpy.dot：計(jì)算兩個(gè)數(shù)組的點(diǎn)積。

# Create two arrays
 a = np.array([1, 2, 3])
 b = np.array([4, 5, 6])
 
 # Compute the dot product of the arrays
 dot_product = np.dot(a, b)
 
 32

numpy.linalg.inv:計(jì)算一個(gè)方陣的逆, numpy.linalg.eig:一個(gè)方陣的特征值和特征向量。numpy.linalg.solve:求解一個(gè)線性方程組。

7、排序函數(shù)

numpy.sort：沿指定軸返回?cái)?shù)組的排序副本

# Create a 2D array
 arr = np.array([[3, 1, 5], [2, 4, 6]])
 
 # Sort the array along the second axis (columns)
 sorted_arr = np.sort(arr, axis=1)
 
 [[1 3 5]
  [2 4 6]]

numpy.argsort：返回按升序?qū)?shù)組排序的索引

# Create an array
 arr = np.array([3, 1, 5, 2, 4])
 
 # Get the indices that would sort the array
 sorted_indices = np.argsort(arr)
 
 [1 3 0 4 2]

8、其他一些高級(jí)的函數(shù)

numpy.unique：在數(shù)組中查找唯一的元素。

arr = np.array([2, 1, 3, 2, 1, 4, 5, 4])
 
 # Get the unique elements of the array
 unique_values = np.unique(arr)
 [1 2 3 4 5]

numpy.fft：傅里葉變換的函數(shù)。

numpy.ma：供對(duì)掩碼數(shù)組的支持。

• numpy.ma.array：從現(xiàn)有的數(shù)組或序列創(chuàng)建一個(gè)掩碼數(shù)組。
• numpy.ma.masked_array：從現(xiàn)有數(shù)組和掩碼中創(chuàng)建一個(gè)掩碼數(shù)組。
• numpy.ma.mask：表示掩碼數(shù)組中的掩碼值。
• numpy.ma.masked_invalid：屏蔽數(shù)組中無(wú)效的(NaN, Inf)元素。
• numpy.ma.masked_greate, numpy.ma.masked_less：掩碼大于或小于給定值的元素。

arr = np.array([1, 2, 3, np.nan, 5])
 
 # Create a masked array by masking the invalid values
 masked_arr = ma.masked_invalid(arr)
 [1 2 3 5]

numpy.apply_along_axis：沿著數(shù)組的特定軸應(yīng)用函數(shù)。

numpy.wheres：一個(gè)條件函數(shù)，根據(jù)給定條件返回?cái)?shù)組中滿足條件的元素的索引或值。

condition = np.array([True, False, True, False])
 
 # Create two arrays
 array_true = np.array([1, 2, 3, 4])
 array_false = np.array([5, 6, 7, 8])
 
 result = np.where(condition, array_true, array_false)
 
 [1 6 3 8]

以上就是Numpy最經(jīng)常被使用的函數(shù)，希望對(duì)你有所幫助。