一、NumPy初识
NumPy是Python中最流行的科学计算库之一。它提供多维数组对象和一系列用于处理数组的函数。NumPy的核心是ndarray（n-dimensional array）对象，它是一个大小固定、同一类型元素的多维数组。
在使用NumPy之前，需要先安装它。使用pip命令可以很轻松地安装它。在终端中输入以下命令即可：
pip install numpy
成功安装后，我们可以导入NumPy并查看其版本：
import numpy as np print(np.__version__)
输出的结果应该类似于“1.16.2”。
二、NumPy数组
NumPy中最重要的对象是ndarray。可以用以下代码创建一个一维数组：
import numpy as np arr1d = np.array([1, 2, 3, 4, 5]) print(arr1d)
输出结果：[1 2 3 4 5]
也可以创建二维、三维甚至更高维度的数组。
从列表创建ndarray时，NumPy会尝试自动推导出数组中元素的类型：
import numpy as np arr1d = np.array([1, 2, 3, 4, 5]) arr2d = np.array([[1, 2, 3], [4, 5, 6]]) arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) print(arr1d.dtype) print(arr2d.dtype) print(arr3d.dtype)
输出结果：
int64 int64 int64
可以看出，NumPy会尝试选择最小的数据类型以储存数组中的元素。在这个例子中，数组中的元素都是整数，所以NumPy选择了int64类型。
数组中的元素可以使用下标进行访问，如：
import numpy as np arr1d = np.array([1, 2, 3, 4, 5]) arr2d = np.array([[1, 2, 3], [4, 5, 6]]) arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) print(arr1d[0]) print(arr2d[0, 1]) print(arr3d[1, 0, 1])
输出结果：
1 2 6
三、NumPy的高级用法
1、数组操作
数组拼接、分裂、重塑、转置、展平等操作是NumPy中最常用的操作之一。在此仅介绍其中的一些，更多操作请参考NumPy文档。
例如，可以使用以下代码将两个一维数组沿着列方向拼接：
import numpy as np arr1 = np.array([1,2,3]) arr2 = np.array([4,5,6]) result = np.concatenate([arr1, arr2]) print(result)
输出结果：[1 2 3 4 5 6]
还可以在二维数组上进行拼接操作，如下：
import numpy as np arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6]]) result = np.concatenate([arr1, arr2], axis=0) print(result)
输出结果：
[[1 2] [3 4] [5 6]]
还可以使用vstack或hstack函数将数组沿着垂直或水平方向拼接。
重塑数组可以使用reshape函数。例如，可以将一个一维数组重塑为3x3的二维数组：
import numpy as np arr = np.array([1,2,3,4,5,6,7,8,9]) result = arr.reshape((3, 3)) print(result)
输出结果：
[[1 2 3] [4 5 6] [7 8 9]]
transpos函数可以将数组转置，如下：
import numpy as np arr = np.arange(9).reshape((3,3)) result = np.transpose(arr) print(result)
输出结果：
[[0 3 6] [1 4 7] [2 5 8]]
flatten函数可以将多维数组展平为一维数组，如下：
import numpy as np arr = np.arange(9).reshape((3,3)) result = arr.flatten() print(result)
输出结果：
[0 1 2 3 4 5 6 7 8]
2、数组运算
NumPy提供了大量的数学函数和运算符，可以像操作标量一样操作数组。
可以使用以下代码实现数组的加减乘除：
import numpy as np a = np.array([1,2,3]) b = np.array([4,5,6]) print(a + b) print(a - b) print(a * b) print(a / b)
输出结果：
[5 7 9] [-3 -3 -3] [ 4 10 18] [0.25 0.4 0.5 ]
可以使用以下代码实现数组的矩阵乘法：
import numpy as np a = np.array([[1,2], [3,4]]) b = np.array([[5,6], [7,8]]) print(np.dot(a, b))
输出结果：
[[19 22] [43 50]]
3、数组统计
NumPy可以进行各种统计运算，如平均值、标准差、最大值、最小值等。
可以使用以下代码求数组的平均值、标准差、最大值、最小值：
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(np.mean(arr)) print(np.std(arr)) print(np.max(arr)) print(np.min(arr))
输出结果：
3.0 1.4142135623730951 5 1
除了一维数组之外，NumPy还可以对多维数组进行统计运算。例如，可以使用以下代码计算二维数组中每一列的平均值：
import numpy as np arr = np.array([[1, 2], [3, 4], [5, 6]]) print(np.mean(arr, axis=0))
输出结果：
[3. 4.]
4、广播
广播是指在对两个数组进行元素操作时，当数组的形状不同时，对小数组进行扩张以匹配大数组的形状。广播操作可以减少内存使用和运算次数。
以下代码示例演示了广播的基本原理：
import numpy as np arr1 = np.array([1,2,3]) arr2 = np.array([4,5,6]) result = arr1 * arr2 print(result)
输出结果：
[ 4 10 18]
可以看出，数组arr1和arr2的形状不同，但是它们的元素相乘得到的结果仍然是一个长度为3的数组。
5、随机数生成
NumPy还提供了大量的随机数生成函数。随机数生成函数可以用于模拟随机数据、生成测试数据等。
以下代码示例生成20个范围在0-1之间的随机数：
import numpy as np result = np.random.rand(20) print(result)
输出结果：
[0.13966633 0.8146751 0.78852179 0.45093637 0.73117035 0.7654889 0.83504567 0.61635283 0.2246247 0.43220779 0.95162422 0.77052108 0.55811285 0.61789821 0.24398802 0.02599477 0.82493305 0.36772928 0.19407716 0.1476306 ]
6、图片处理
NumPy还可以用于图像的处理。下面的这个例子把图片中的每一个像素都进行了翻转：
import numpy as np
from PIL import Image
im = Image.open("test.jpg")
im.show()
im_arr = np.array(im)
im_arr_flip = np.fliplr(im_arr)
im_flip = Image.fromarray(im_arr_flip)
im_flip.show()
输出结果：
#显示原图 #显示翻转后的图
7、数据存取
NumPy可以方便地将数组保存到文件中，并从文件中读取数组数据。
以下代码示例将数组保存到文件中，并从文件中读取出来：
import numpy as np
arr = np.array([1,2,3,4,5])
np.save("arr.npy", arr)
arr_loaded = np.load("arr.npy")
print(arr_loaded)
输出结果：
[1 2 3 4 5]
总结
这篇文章介绍了NumPy的基本用法，包括数组的创建、统计、数组运算、广播、随机数生成、图片处理等。NumPy功能非常强大，有助于我们进行高效的科学计算。
本文链接：https://my.lmcjl.com/post/12985.html
4 评论