Python Numpy介绍和用法经典指南

Numpy

是通用数组处理程序包。它提供了一个高性能的多维数组对象, 以及用于处理这些数组的工具。它是使用Python进行科学计算的基本软件包。

除了其明显的科学用途外, Numpy还可以用作通用数据的高效多维容器。

numpy中的数组

Numpy中的Array是所有相同类型的元素(通常是数字)表, 由正整数元组索引。在Numpy中, 数组的维数称为数组的秩。给出每个方向的数组大小的整数元组称为数组的形状。 Numpy中的数组类称为ndarray。 Numpy数组中的元素可以使用方括号访问, 并且可以使用嵌套的Python列表进行初始化。

创建一个Numpy数组

Numpy中的数组可以通过多种方式创建, 具有不同数量的Rank, 用于定义数组的大小。也可以使用各种数据类型(例如列表, 元组等)来创建数组。结果数组的类型是根据序列中元素的类型推导出来的。

注意：

创建数组时可以显式定义数组的类型。

# Python program for
# Creation of Arrays
import numpy as np

# Creating a rank 1 Array
arr = np.array([1, 2, 3])
print("Array with Rank 1: \n", arr)

# Creating a rank 2 Array
arr = np.array([[1, 2, 3], [4, 5, 6]])
print("Array with Rank 2: \n", arr)

# Creating an array from tuple
arr = np.array((1, 3, 2))
print("\nArray created using " 
      "passed tuple:\n", arr)

输出如下：

Array with Rank 1: 
 [1 2 3]
Array with Rank 2: 
 [[1 2 3]
 [4 5 6]]

Array created using passed tuple:
 [1 3 2]

访问数组索引

在numpy数组中, 可以通过多种方式来建立索引或访问数组索引。要打印数组范围, 请进行切片。数组的切片是在新数组中定义一个范围, 该范围用于从原始数组中打印一系列元素。由于切片的数组包含原始数组的一系列元素, 因此借助切片的数组修改内容将修改原始数组的内容。

# Python program to demonstrate
# indexing in numpy array
import numpy as np

# Initial Array
arr = np.array([[-1, 2, 0, 4], [4, -0.5, 6, 0], [2.6, 0, 7, 8], [3, -7, 4, 2.0]])
print("Initial Array: ")
print(arr)

# Printing a range of Array
# with the use of slicing method
sliced_arr = arr[:2, ::2]
print ("Array with first 2 rows and"
    " alternate columns(0 and 2):\n", sliced_arr)

# Printing elements at
# specific Indices
Index_arr = arr[[1, 1, 0, 3], [3, 2, 1, 0]]
print ("\nElements at indices (1, 3), "
    "(1, 2), (0, 1), (3, 0):\n", Index_arr)

输出如下：

Initial Array: 
[[-1.   2.   0.   4. ]
 [ 4.  -0.5  6.   0. ]
 [ 2.6  0.   7.   8. ]
 [ 3.  -7.   4.   2. ]]
Array with first 2 rows and alternate columns(0 and 2):
 [[-1.  0.]
 [ 4.  6.]]

Elements at indices (1, 3), (1, 2), (0, 1), (3, 0):
 [ 0. 54.  2.  3.]

基本阵列操作

在numpy中, 数组允许在特定数组或数组组合上执行的多种操作。这些运算包括一些基本的数学运算以及一元和二进制运算。

# Python program to demonstrate
# basic operations on single array
import numpy as np

# Defining Array 1
a = np.array([[1, 2], [3, 4]])

# Defining Array 2
b = np.array([[4, 3], [2, 1]])
              
# Adding 1 to every element
print ("Adding 1 to every element:", a + 1)

# Subtracting 2 from each element
print ("\nSubtracting 2 from each element:", b - 2)

# sum of array elements
# Performing Unary operations
print ("\nSum of all array "
       "elements: ", a.sum())

# Adding two arrays
# Performing Binary operations
print ("\nArray sum:\n", a + b)

输出如下：

Adding 1 to every element:
 [[2 3]
 [4 5]]

Subtracting 2 from each element:
 [[ 2  1]
 [ 0 -1]]

Sum of all array elements:  10

Array sum:
 [[5 5]
 [5 5]]

有关Numpy数组的更多信息

• Numpy中的基本阵列操作
• Numpy中的高级阵列操作
• NumPy Python中的基本切片和高级索引

Numpy中的数据类型

每个Numpy数组都是一个元素表(通常是数字), 所有元素都是相同类型的, 由正整数元组索引。每个ndarray都有一个关联的数据类型(dtype)对象。此数据类型对象(dtype)提供有关数组布局的信息。 ndarray的值存储在缓冲区中, 缓冲区可以被视为连续的内存字节块, 可以由dtype对象解释。 Numpy提供了大量可用于构造数组的数字数据类型。在创建数组时, Numpy会尝试猜测一个数据类型, 但是构造数组的函数通常还包含一个可选参数来显式指定该数据类型。

构造数据类型对象

在Numpy中, 除非需要特定的数据类型, 否则无需定义数组的数据类型。 Numpy尝试猜测构造函数中未预定义的数组的数据类型。

# Python Program to create
# a data type object
import numpy as np

# Integer datatype
# guessed by Numpy
x = np.array([1, 2])  
print("Integer Datatype: ")
print(x.dtype)         

# Float datatype
# guessed by Numpy
x = np.array([1.0, 2.0]) 
print("\nFloat Datatype: ")
print(x.dtype)  

# Forced Datatype
x = np.array([1, 2], dtype = np.int64)   
print("\nForcing a Datatype: ")
print(x.dtype)

输出如下：

Integer Datatype: 
int64

Float Datatype: 
float64

Forcing a Datatype: 
int64

DataType数组上的数学运算

在Numpy数组中, 基本数学运算是在数组上逐元素执行的。这些操作既可以用作运算符重载, 也可以用作功能。 Numpy中提供了许多有用的函数来对数组执行计算, 例如

和

：用于添加数组元素,

Ť

：用于元素的转置等。

# Python Program to create
# a data type object
import numpy as np

# First Array
arr1 = np.array([[4, 7], [2, 6]], dtype = np.float64)
                 
# Second Array
arr2 = np.array([[3, 6], [2, 8]], dtype = np.float64) 

# Addition of two Arrays
Sum = np.add(arr1, arr2)
print("Addition of Two Arrays: ")
print(Sum)

# Addition of all Array elements
# using predefined sum method
Sum1 = np.sum(arr1)
print("\nAddition of Array elements: ")
print(Sum1)

# Square root of Array
Sqrt = np.sqrt(arr1)
print("\nSquare root of Array1 elements: ")
print(Sqrt)

# Transpose of Array
# using In-built function 'T'
Trans_arr = arr1.T
print("\nTranspose of Array: ")
print(Trans_arr)

输出如下：

Addition of Two Arrays: 
[[ 7. 13.]
 [ 4. 14.]]

Addition of Array elements: 
19.0

Square root of Array1 elements: 
[[2.         2.64575131]
 [1.41421356 2.44948974]]

Transpose of Array: 
[[4. 2.]
 [7. 6.]]

有关Numpy数据类型的更多信息

• NumPy中的数据类型Object(dtype)

numpy中的方法

all()

arange()

dot()

any()

apply_along_axis()

apply_over_axes()

argmin()

argmax()

nanargmin()

nanargmax()

amax()

amin()

isneginf()

rint()

insert()

isposinf()

flip()

fliplr()

flipud()

triu()

tril()

tri()

fix()

empty_like()

zeros()

zeros_like()

ones()

ones_like()

full_like()

diag()

diagflat()

diag_indices()

asmatrix()

bmat()

eye()

roll()

identity()

arange()

place()

extract()

compress()

rot90()

tile()

reshape()

ravel()

isinf()

isrealobj()

isscalar()

isneginf()

isposinf()

iscomplex()

isnan()

iscomplexobj()

isreal()

isfinite()

isfortran()

exp()

exp2()

fix()

hypot()

absolute()

ceil()

floor()

degrees()

radians()

npv()

fv()

pv()

power()

float_power()

log()

log1()

log2()

log10()

dot()

vdot()

trunc()

divide()

floor_divide()

true_divide()

random.rand()

random.randn()

ndarray.flat()

expm1()

bincount()

rint()

equal()

not_equal()

less()

less_equal()

greater()

Greater_equal()

prod()

square()

cbrt()

logical_or()

logical_and()

logical_not()

logical_xor()

array_equal()

array_equiv()

sin()

cos()

tan()

sinh()

cosh()

tanh()

arcsin()

arccos()

arctan()

arctan2()

最近关于Numpy的文章

Numpy程序

• Python |检查列表是否为空
• Python |从列表中获取唯一值
• Python |将列表中的所有数字相乘(3种不同方式)
• 在Python中以单行转置矩阵
• 在Python中使用Numpy在单行中将两个矩阵相乘
• Python程序使用numpy打印nxn的棋盘图案
• Python中的图形绘制套装1, 套装2, 套装3

有用的Numpy文章

• Python中的矩阵处理
• NumPy Python中的基本切片和高级索引
• Flatten()和Ravel()之间的区别
• python中Numpy.random中的rand与normal