• 一、numpy简介
• 二、numpy数组的使用
  • 2.1 为什么用numpy
  • 2.2 创建numpy数组
  • 三、numpy数组的dtype种类
• 四、numpy数组的常用属性
• 五、获取numpy数组的行列数
• 六、切割numpy数组
• 七、numpy数组元素替换
• 八、numpy数组的合并
• 九、通过函数创建numpy数组
• 十、numpy数组运算
• 十一、numpy数组运算函数
• 十二、numpy数组矩阵化
  • 12.1 numpy数组的点乘
  • 12.2 numpy数组的转置
  • 12.3 numpy数组的逆
• 十三、numpy数组数学和统计方法
  • 13.1 最大最小值
  • 13.2 平均值
  • 13.3 方差
  • 13.4 标准差
  • 13.5 中位数
  • 13.6 numpy数组求和
  • 13.7 累加和
• 十四、numpy.random生成随机数

一、numpy简介

numpy官方文档：https://docs.scipy.org/doc/numpy/reference/?v=20190307135750

numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示numpy数组）。

numpy库有两个作用：

1. 区别于list列表，提供了数组操作、数组运算、以及统计分布和简单的数学模型
2. 计算速度快，甚至要由于python内置的简单运算，使得其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似。

二、numpy数组的使用

2.1 为什么用numpy

# 使用python中的元组
lis1 = [1, 2, 3]
lis2 = [4, 5, 6]

print(lis1)
# [1, 2, 3]

print(lis2)
# [4, 5, 6]

# 如果我们想让lis1 * lis2得到一个结果为lis_res = [4, 10, 18]，非常复杂。

2.2 创建numpy数组

numpy数组即numpy的ndarray对象，创建numpy数组就是把一个列表传入np.array()方法。

安装

# pip3 install numpy
import numpy as np

创建一维的ndarray对象

arr = np.array([1, 2, 3])
print(arr, type(arr))

# 结果是：
# [1 2 3] <class 'numpy.ndarray'>

创建二维的ndarray对象

print(np.array([[1, 2, 3], [4, 5, 6]]))

# 结果是：
[[1 2 3]
 [4 5 6]]

创建三维的ndarray对象

print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))

# 结果是：
[[1 2 3]
 [4 5 6]
 [7 8 9]]

三、numpy数组的dtype种类

常见的 NumPy 数组数据类型：

1. 整数类型：

• int8, int16, int32, int64: 有符号整数类型，表示不同位数的整数。
• uint8, uint16, uint32, uint64: 无符号整数类型，表示不同位数的非负整数。

2. 浮点数类型：

• float16, float32, float64: 单精度和双精度浮点数类型，分别表示半精度、单精度和双精度浮点数。
• complex64, complex128: 单精度和双精度复数类型，分别表示由两个浮点数构成的复数。

3. 布尔类型：

• bool: 布尔类型，表示 True 或 False。

4. 字符串类型：

• str: 字符串类型，用于表示文本数据。
• unicode: Unicode 字符串类型，用于表示支持多种字符集的文本数据。

5. 日期和时间类型：

• datetime64: 表示日期和时间的类型。

除了上述常见的数据类型外，还可能存在其他特定的数据类型，例如：

分类类型：

• category: 分类类型，用于表示具有有限个离散值的数据。
  对象类型：

• object: 通用对象类型，可以存储任意类型的数据。

四、numpy数组的常用属性

# 1.打印一个浮点型的数组
arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)
print(arr)

# 结果是：
[[1. 2. 3.]
 [4. 5. 6.]]


# 2.转置
print(arr.T)

# 结果是：
[[1. 4.]
 [2. 5.]
 [3. 6.]]


# 3.打印数组的数据类型
print(arr.dtype)
# float32

# 4.类型转换
arr = arr.astype(np.int32)
print(arr.dtype)
print(arr)

# 结果是：
int32
[[1 2 3]
 [4 5 6]]


# 5.数组元素的个数
print(arr.size)
# 6

# 6.数组的维数
print(arr.ndim)
# 2

# 7.数组的维度大小，n*n维的数组
print(arr.shape)
# (2, 3)

五、获取numpy数组的行列数

由于numpy数组是多维的，对于二维的数组而言，numpy数组就是既有行又有列。

注意：对于numpy我们一般多讨论二维的数组。

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)

# 结果是：
[[1 2 3]
 [4 5 6]]


# 1.获取numpy数组的行和列构成的数组
print(arr.shape)
# (2, 3)

# 2.获取numpy数组的行
print(arr.shape[0])
# 2

# 3.获取numpy数组的列
print(arr.shape[1])
# 3

六、切割numpy数组

切分numpy数组类似于列表的切割，但是与列表的切割不同的是，numpy数组的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)

# 结果是：
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]


# 1.取所有元素
print(arr[:, :])

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 2.1 取第一行的所有元素
print(arr[:1, :])
# [[1 2 3 4]]

# 2.2 取第一行的所有元素
print(arr[0, [0, 1, 2, 3]])
# [1 2 3 4]


# 3.1 取第一列的所有元素
print(arr[:, :1])
[[1]
 [5]
 [9]]

# 3.2 取第一列的所有元素
print(arr[(0, 1, 2), 0])
# [1 5 9]


# 4.取第一行第一列的元素
print(arr[0, 0])
# 1

# 5.取大于5的元素，返回一个数组
print(arr[arr > 5])
# [ 6  7  8  9 10 11 12]

# 6.numpy数组按运算符取元素的原理，即通过arr > 5生成一个布尔numpy数组
print(arr > 5)

[[False False False False]
 [False  True  True  True]
 [ True  True  True  True]]

七、numpy数组元素替换

numpy数组元素的替换，类似于列表元素的替换，并且numpy数组也是一个可变类型的数据，即如果对numpy数组进行替换操作，会修改原numpy数组的元素，所以下面我们用.copy()方法举例numpy数组元素的替换。

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 1.取第一行的所有元素，并且让第一行的元素都为0
arr1 = arr.copy()
arr1[:1, :] = 0
print(arr1)

[[ 0  0  0  0]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 2.取所有大于5的元素，并且让大于5的元素为0
arr2 = arr.copy()
arr2[arr > 5] = 0
print(arr2)

[[1 2 3 4]
 [5 0 0 0]
 [0 0 0 0]]

# 3.对numpy数组清零
arr3 = arr.copy()
arr3[:, :] = 0
print(arr3)

[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]

八、numpy数组的合并

arr1 = np.array([[1, 2], [3, 4], [5, 6]])
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr1)
print(arr2)

[[1 2]
 [3 4]
 [5 6]]

[[ 7  8]
 [ 9 10]
 [11 12]]

#####合并行
# 1.合并两个numpy数组的行，注意使用hstack()方法合并numpy数组，numpy数组应该有相同的行，其中hstack的h表示horizontal水平的
print(np.hstack((arr1, arr2)))

[[ 1  2  7  8]
 [ 3  4  9 10]
 [ 5  6 11 12]]

# 2.合并两个numpy数组，其中axis=1表示合并两个numpy数组的行
print(np.concatenate((arr1, arr2), axis=1))

[[ 1  2  7  8]
 [ 3  4  9 10]
 [ 5  6 11 12]]

#####合并列
# 3.合并两个numpy数组的列，注意使用vstack()方法合并numpy数组，numpy数组应该有相同的列，其中vstack的v表示vertical垂直的
print(np.vstack((arr1, arr2)))

[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]]

# 4.合并两个numpy数组，其中axis=0表示合并两个numpy数组的列
print(np.concatenate((arr1, arr2), axis=0))

[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]]

九、通过函数创建numpy数组

1 array

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

# [1 2 3]

2 arange

# 构造0-9的ndarray数组
print(np.arange(10))
# [0 1 2 3 4 5 6 7 8 9]

# 构造1-4的ndarray数组
print(np.arange(1, 5))
# [1 2 3 4]

# 构造1-19且步长为2的ndarray数组
print(np.arange(1, 20, 2))

# [ 1  3  5  7  9 11 13 15 17 19]

3 linspace/logspace

# 构造一个等差数列，取头也取尾，从0取到20，取5个数
print(np.linspace(0, 20, 5))

# [ 0.  5. 10. 15. 20.]

# 构造一个等比数列，从10**0取到10**20，取5个数
print(np.logspace(0, 20, 5))

# [1.e+00 1.e+05 1.e+10 1.e+15 1.e+20]

4 zeros/ones/eye/empty

# 构造3*4的全0numpy数组
print(np.zeros((3, 4)))

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]


# 构造3*4的全1numpy数组
print(np.ones((3, 4)))

[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]


# 构造3个主元的单位numpy数组
print(np.eye(3))

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]


# 构造一个4*4的随机numpy数组，里面的元素是随机生成的
print(np.empty((4, 4)))

[[ 2.31584178e+077 -1.49457545e-154  3.95252517e-323  0.00000000e+000]
 [ 0.00000000e+000  0.00000000e+000  0.00000000e+000  0.00000000e+000]
 [ 0.00000000e+000  0.00000000e+000  0.00000000e+000  0.00000000e+000]
 [ 0.00000000e+000  0.00000000e+000  1.29074055e-231  1.11687366e-308]]

5 reshape

arr = np.ones([2, 2], dtype=int)
print(arr.reshape(4, 1))

[[1]
 [1]
 [1]
 [1]]

6 fromstring/fromfunction(了解)

# fromstring通过对字符串的字符编码所对应ASCII编码的位置，生成一个ndarray对象
s = 'abcdef'
# np.int8表示一个字符的字节数为8
print(np.fromstring(s, dtype=np.int8))

# [ 97  98  99 100 101 102]

/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:4: DeprecationWarning: The binary mode of fromstring is deprecated, as it behaves surprisingly on unicode inputs. Use frombuffer instead
  after removing the cwd from sys.path.

def func(i, j):
    """其中i为numpy数组的行，j为numpy数组的列"""
    return i * j

# 使用函数对numpy数组元素的行和列的索引做处理，得到当前元素的值，索引从0开始，并构造一个3*4的numpy数组
print(np.fromfunction(func, (3, 4)))

[[0. 0. 0. 0.]
 [0. 1. 2. 3.]
 [0. 2. 4. 6.]]

十、numpy数组运算

arrarr1 = np.array([[1, 2], [3, 4], [5, 6]])
print(arr1)

[[1 2]
 [3 4]
 [5 6]]

arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr2)

[[ 7  8]
 [ 9 10]
 [11 12]]

# 1.相加
print(arr1 + arr2)

[[ 8 10]
 [12 14]
 [16 18]]

# 2.相乘
print(arr1**2)

[[ 1  4]
 [ 9 16]
 [25 36]]

十一、numpy数组运算函数