基于python的numpy深度解析

一、numpy概述

numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

二、创建ndarray数组

ndarray：N维数组对象（矩阵），所有元素必须是相同类型。 ndarray属性：ndim属性，表示维度个数；shape属性，表示各维度大小；dtype属性，表示数据类型。

创建ndarray数组函数：

代码示例：

# -*- coding: utf-8 -*- import numpy; print '使用列表生成一维数组' data = [1,2,3,4,5,6] x = numpy.array(data) print x #打印数组 print x.dtype #打印数组元素的类型 print '使用列表生成二维数组' data = [[1,2],[3,4],[5,6]] x = numpy.array(data) print x #打印数组 print x.ndim #打印数组的维度 print x.shape #打印数组各个维度的长度。shape是一个元组 print '使用zero/ones/empty创建数组:根据shape来创建' x = numpy.zeros(6) #创建一维长度为6的，元素都是0一维数组 print x x = numpy.zeros((2,3)) #创建一维长度为2，二维长度为3的二维0数组 print x x = numpy.ones((2,3)) #创建一维长度为2，二维长度为3的二维1数组 print x x = numpy.empty((3,3)) #创建一维长度为2，二维长度为3,未初始化的二维数组 print x print '使用arrange生成连续元素' print numpy.arange(6) # [0,1,2,3,4,5,] 开区间 print numpy.arange(0,6,2)  # [0, 2，4]

三、指定ndarray数组元素的类型

NumPy数据类型：

代码示例：

print '生成指定元素类型的数组:设置dtype属性' x = numpy.array([1,2.6,3],dtype = numpy.int64) print x # 元素类型为int64 print x.dtype x = numpy.array([1,2,3],dtype = numpy.float64) print x # 元素类型为float64 print x.dtype print '使用astype复制数组，并转换类型' x = numpy.array([1,2.6,3],dtype = numpy.float64) y = x.astype(numpy.int32) print y # [1 2 3] print x # [ 1.   2.6  3. ] z = y.astype(numpy.float64) print z # [ 1.  2.  3.] print '将字符串元素转换为数值元素' x = numpy.array(['1','2','3'],dtype = numpy.string_) y = x.astype(numpy.int32) print x # ['1' '2' '3'] print y # [1 2 3] 若转换失败会抛出异常 print '使用其他数组的数据类型作为参数' x = numpy.array([ 1., 2.6,3. ],dtype = numpy.float32); y = numpy.arange(3,dtype=numpy.int32); print y # [0 1 2] print y.astype(x.dtype) # [ 0.  1.  2.]

四、ndarray的矢量化计算

矢量运算：相同大小的数组键间的运算应用在元素上 矢量和标量运算：“广播”— 将标量“广播”到各个元素

代码示例：

print 'ndarray数组与标量/数组的运算' x = numpy.array([1,2,3]) print x*2 # [2 4 6] print x>2 # [False False  True] y = numpy.array([3,4,5]) print x+y # [4 6 8] print x>y # [False False False]

五、ndarray数组的基本索引和切片

一维数组的索引：与Python的列表索引功能相似

多维数组的索引：

arr[r1:r2, c1:c2]

arr[1,1] 等价 arr[1][1]

[:] 代表某个维度的数据

代码示例：

print 'ndarray的基本索引' x = numpy.array([[1,2],[3,4],[5,6]]) print x[0] # [1,2] print x[0][1] # 2,普通python数组的索引 print x[0,1] # 同x[0][1]，ndarray数组的索引 x = numpy.array([[[1, 2], [3,4]], [[5, 6], [7,8]]]) print x[0] # [[1 2],[3 4]] y = x[0].copy() # 生成一个副本 z = x[0] # 未生成一个副本 print y #  [[1 2],[3 4]] print y[0,0] # 1 y[0,0] = 0 z[0,0] = -1 print y # [[0 2],[3 4]] print x[0] # [[-1 2],[3 4]] print z # [[-1 2],[3 4]] print 'ndarray的切片' x = numpy.array([1,2,3,4,5]) print x[1:3] # [2,3] 右边开区间 print x[:3] # [1,2,3] 左边默认为 0 print x[1:] # [2,3,4,5] 右边默认为元素个数 print x[0:4:2] # [1,3] 下标递增2 x = numpy.array([[1,2],[3,4],[5,6]]) print x[:2] # [[1 2],[3 4]] print x[:2,:1] # [[1],[3]] x[:2,:1] = 0 # 用标量赋值 print x # [[0,2],[0,4],[5,6]] x[:2,:1] = [[8],[6]] # 用数组赋值 print x # [[8,2],[6,4],[5,6]]

六、ndarray数组的布尔索引和花式索引

布尔索引：使用布尔数组作为索引。arr[condition]，condition为一个条件/多个条件组成的布尔数组。

布尔型索引代码示例：

print 'ndarray的布尔型索引' x = numpy.array([3,2,3,1,3,0]) # 布尔型数组的长度必须跟被索引的轴长度一致 y = numpy.array([True,False,True,False,True,False]) print x[y] # [3,3,3] print x[y==False] # [2,1,0] print x>=3 # [ True False  True False  True  False] print x[~(x>=3)] # [2,1,0] print (x==2)|(x==1) # [False  True False  True False False] print x[(x==2)|(x==1)] # [2 1] x[(x==2)|(x==1)] = 0 print x # [3 0 3 0 3 0]

花式索引：使用整型数组作为索引。

花式索引代码示例：

print 'ndarray的花式索引:使用整型数组作为索引' x = numpy.array([1,2,3,4,5,6]) print x[[0,1,2]] # [1 2 3] print x[[-1,-2,-3]] # [6,5,4] x = numpy.array([[1,2],[3,4],[5,6]]) print x[[0,1]] # [[1,2],[3,4]] print x[[0,1],[0,1]] # [1,4] 打印x[0][0]和x[1][1] print x[[0,1]][:,[0,1]] # 打印01行的01列 [[1,2],[3,4]] # 使用numpy.ix_()函数增强可读性 print x[numpy.ix_([0,1],[0,1])] #同上 打印01行的01列 [[1,2],[3,4]] x[[0,1],[0,1]] = [0,0] print x # [[0,2],[3,0],[5,6]]

七、ndarray数组的转置和轴对换

数组的转置/轴对换只会返回源数据的一个视图，不会对源数据进行修改。

代码示例：

print 'ndarray数组的转置和轴对换' k = numpy.arange(9) #[0,1,....8] m = k.reshape((3,3)) # 改变数组的shape复制生成2维的，每个维度长度为3的数组 print k # [0 1 2 3 4 5 6 7 8] print m # [[0 1 2] [3 4 5] [6 7 8]] # 转置(矩阵)数组：T属性 : mT[x][y] = m[y][x] print m.T # [[0 3 6] [1 4 7] [2 5 8]] # 计算矩阵的内积 xTx print numpy.dot(m,m.T) # numpy.dot点乘 # 高维数组的轴对象 k = numpy.arange(8).reshape(2,2,2) print k # [[[0 1],[2 3]],[[4 5],[6 7]]] print k[1][0][0] # 轴变换 transpose 参数:由轴编号组成的元组 m = k.transpose((1,0,2)) # m[y][x][z] = k[x][y][z] print m # [[[0 1],[4 5]],[[2 3],[6 7]]] print m[0][1][0] # 轴交换 swapaxes (axes：轴)，参数:一对轴编号 m = k.swapaxes(0,1) # 将第一个轴和第二个轴交换 m[y][x][z] = k[x][y][z] print m # [[[0 1],[4 5]],[[2 3],[6 7]]] print m[0][1][0] # 使用轴交换进行数组矩阵转置 m = numpy.arange(9).reshape((3,3)) print m # [[0 1 2] [3 4 5] [6 7 8]] print m.swapaxes(1,0) # [[0 3 6] [1 4 7] [2 5 8]]

八、ndarray通用函数

通用函数（ufunc）是一种对ndarray中的数据执行元素级运算的函数。

一元ufunc：

一元ufunc代码示例：

print '一元ufunc示例' x = numpy.arange(6) print x # [0 1 2 3 4 5] print numpy.square(x) # [ 0  1  4  9 16 25] x = numpy.array([1.5,1.6,1.7,1.8]) y,z = numpy.modf(x) print y # [ 0.5  0.6  0.7  0.8] print z # [ 1.  1.  1.  1.]

二元ufunc：

二元ufunc代码示例：

print '二元ufunc示例' x = numpy.array([[1,4],[6,7]]) y = numpy.array([[2,3],[5,8]]) print numpy.maximum(x,y) # [[2,4],[6,8]] print numpy.minimum(x,y) # [[1,3],[5,7]]

九、NumPy的where函数使用

np.where(condition, x, y)，第一个参数为一个布尔数组，第二个参数和第三个参数可以是标量也可以是数组。

代码示例：

print 'where函数的使用' cond = numpy.array([True,False,True,False]) x = numpy.where(cond,-2,2) print x # [-2  2 -2  2] cond = numpy.array([1,2,3,4]) x = numpy.where(cond>2,-2,2) print x # [ 2  2 -2 -2] y1 = numpy.array([-1,-2,-3,-4]) y2 = numpy.array([1,2,3,4]) x = numpy.where(cond>2,y1,y2) # 长度须匹配 print x # [1,2,-3,-4] print 'where函数的嵌套使用' y1 = numpy.array([-1,-2,-3,-4,-5,-6]) y2 = numpy.array([1,2,3,4,5,6]) y3 = numpy.zeros(6) cond = numpy.array([1,2,3,4,5,6]) x = numpy.where(cond>5,y3,numpy.where(cond>2,y1,y2)) print x # [ 1.  2. -3. -4. -5.  0.]

十、ndarray常用的统计方法

可以通过这些基本统计方法对整个数组/某个轴的数据进行统计计算。

代码示例：

print 'numpy的基本统计方法' x = numpy.array([[1,2],[3,3],[1,2]]) #同一维度上的数组长度须一致 print x.mean() # 2 print x.mean(axis=1) # 对每一行的元素求平均 print x.mean(axis=0) # 对每一列的元素求平均 print x.sum() #同理 12 print x.sum(axis=1) # [3 6 3] print x.max() # 3 print x.max(axis=1) # [2 3 2] print x.cumsum() # [ 1  3  6  9 10 12] print x.cumprod() # [ 1  2  6 18 18 36]

用于布尔数组的统计方法：

sum : 统计数组/数组某一维度中的True的个数

any： 统计数组/数组某一维度中是否存在一个/多个True

all：统计数组/数组某一维度中是否都是True

代码示例：

print '用于布尔数组的统计方法' x = numpy.array([[True,False],[True,False]]) print x.sum() # 2 print x.sum(axis=1) # [1,1] print x.any(axis=0) # [True,False] print x.all(axis=1) # [False,False]

使用sort对数组/数组某一维度进行就地排序（会修改数组本身）。

代码示例：

print '.sort的就地排序' x = numpy.array([[1,6,2],[6,1,3],[1,5,2]]) x.sort(axis=1) print x # [[1 2 6] [1 3 6] [1 2 5]] #非就地排序：numpy.sort()可产生数组的副本

十一、ndarray数组的去重以及集合运算

代码示例：（方法返回类型为一维数组（1d）)

print 'ndarray的唯一化和集合运算' x = numpy.array([[1,6,2],[6,1,3],[1,5,2]]) print numpy.unique(x) # [1,2,3,5,6] y = numpy.array([1,6,5]) print numpy.in1d(x,y) # [ True  True False  True  True False  True  True False] print numpy.setdiff1d(x,y) # [2 3] print numpy.intersect1d(x,y) # [1 5 6]

十二、numpy中的线性代数

import numpy.linalg 模块。线性代数（linear algebra）

常用的numpy.linalg模块函数：

代码示例：

print '线性代数' import numpy.linalg as nla print '矩阵点乘' x = numpy.array([[1,2],[3,4]]) y = numpy.array([[1,3],[2,4]]) print x.dot(y) # [[ 5 11][11 25]] print numpy.dot(x,y) # # [[ 5 11][11 25]] print '矩阵求逆' x = numpy.array([[1,1],[1,2]]) y = nla.inv(x) # 矩阵求逆（若矩阵的逆存在） print x.dot(y) # 单位矩阵 [[ 1.  0.][ 0.  1.]] print nla.det(x) # 求行列式

十三、numpy中的随机数生成

import numpy.random模块。

常用的numpy.random模块函数：

代码示例：

print 'numpy.random随机数生成' import numpy.random as npr x = npr.randint(0,2,size=100000) #抛硬币 print (x>0).sum() # 正面的结果 print npr.normal(size=(2,2)) #正态分布随机数数组 shape = (2,2)

十四、ndarray数组重塑

代码示例:

print 'ndarray数组重塑' x = numpy.arange(0,6) #[0 1 2 3 4] print x #[0 1 2 3 4] print x.reshape((2,3)) # [[0 1 2][3 4 5]] print x #[0 1 2 3 4] print x.reshape((2,3)).reshape((3,2)) # [[0 1][2 3][4 5]] y = numpy.array([[1,1,1],[1,1,1]]) x = x.reshape(y.shape) print x # [[0 1 2][3 4 5]] print x.flatten() # [0 1 2 3 4 5] x.flatten()[0] = -1 # flatten返回的是拷贝 print x # [[0 1 2][3 4 5]] print x.ravel() # [0 1 2 3 4 5] x.ravel()[0] = -1 # ravel返回的是视图（引用） print x # [[-1 1 2][3 4 5]] print "维度大小自动推导" arr = numpy.arange(15) print arr.reshape((5, -1)) # 15 / 5 = 3

十五、ndarray数组的拆分与合并

代码示例：

print '数组的合并与拆分' x = numpy.array([[1, 2, 3], [4, 5, 6]]) y = numpy.array([[7, 8, 9], [10, 11, 12]]) print numpy.concatenate([x, y], axis = 0)   # 竖直组合 [[ 1  2  3][ 4  5  6][ 7  8  9][10 11 12]] print numpy.concatenate([x, y], axis = 1)   # 水平组合 [[ 1  2  3  7  8  9][ 4  5  6 10 11 12]] print '垂直stack与水平stack' print numpy.vstack((x, y)) # 垂直堆叠:相对于垂直组合 print numpy.hstack((x, y)) # 水平堆叠：相对于水平组合 # dstack：按深度堆叠 print numpy.split(x,2,axis=0) # 按行分割 [array([[1, 2, 3]]), array([[4, 5, 6]])] print numpy.split(x,3,axis=1) # 按列分割 [array([[1],[4]]), array([[2],[5]]), array([[3],[6]])] # 堆叠辅助类 import numpy as np arr = np.arange(6) arr1 = arr.reshape((3, 2)) arr2 = np.random.randn(3, 2) print 'r_用于按行堆叠' print np.r_[arr1, arr2] ''' [[ 0.          1.        ] [ 2.          3.        ] [ 4.          5.        ] [ 0.22621904  0.39719794] [-1.2201912  -0.23623549] [-0.83229114 -0.72678578]] ''' print 'c_用于按列堆叠' print np.c_[np.r_[arr1, arr2], arr] ''' [[ 0.          1.          0.        ] [ 2.          3.          1.        ] [ 4.          5.          2.        ] [ 0.22621904  0.39719794  3.        ] [-1.2201912  -0.23623549  4.        ] [-0.83229114 -0.72678578  5.        ]] ''' print '切片直接转为数组' print np.c_[1:6, -10:-5] ''' [[  1 -10] [  2  -9] [  3  -8] [  4  -7] [  5  -6]] '''

十六、数组的元素重复操作

代码示例：

print '数组的元素重复操作' x = numpy.array([[1,2],[3,4]]) print x.repeat(2) # 按元素重复 [1 1 2 2 3 3 4 4] print x.repeat(2,axis=0) # 按行重复 [[1 2][1 2][3 4][3 4]] print x.repeat(2,axis=1) # 按列重复 [[1 1 2 2][3 3 4 4]] x = numpy.array([1,2]) print numpy.tile(x,2) # tile瓦片：[1 2 1 2] print numpy.tile(x, (2, 2))  # 指定从低维到高维依次复制的次数。 # [[1 2 1 2][1 2 1 2]]