Numpy定义
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持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。NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用，这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
NumPy 主要应用包括：
机器学习模型：在编写机器学习算法时，需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。
图像处理和计算机图形学：计算机中的图像表示为多维数字数组。NumPy成为同样情况下最自然的选择。实际上，NumPy提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
数学任务：NumPy对于执行各种数学任务非常有用，如数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于Python的MATLAB的快速替代。
为什么要用numpy
Python中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组(在TensorFlow里面偏向于矩阵理解)，也没有各种运算函数。因而不适合数值运算。NumPy的出现弥补了这些不足。(——摘自张若愚的《Python科学计算》)
详情请参考：
https://numpy.org/doc/stable/index.html
NumPy安装
因为numpy通常跟 scipy matplotlib一起使用,所以一起安装三个模块即可
pip3 install --user numpy scipy matplotlib
numpy array基础使用
np数组的创建
import numpy as np
a = np.array([1,2,3,4])，#1行4列矩阵，即一维数组
b = np.arange(4) # 1行4列矩阵，元素递增1的一维数组
c = np.array([[1,2],[3,4]]) # 2行2列矩阵，即二维数组d = np.arange(4).reshape((2,2)) #变换输出 2行2列print (a)
print(type(a)) #输出a的类型print (b)
print (c)
print (d)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
分别输出：
[1 2 3 4]
[0 1 2 3]
[[1 2]
[3 4]]
[[0 1]
[2 3]]
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
np数组的广播
广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式，对数组的算术运算通常在相应的元素上进行。如果两个数组 a 和 b 形状相同，即满足a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。
例如代码
a = np.array([1,2,3])
b = np.array([10,20,30])
c = a * b
print (c)
- 1.
- 2.
- 3.
- 4.
输出
[10 40 90]
- 1.
数组广播相加操作
a = np.array([[ 0, 0, 0], [10,10,10], [20,20,20], [30,30,30]]) #4x3 的二维数组
b = np.array([1,2,3])
print(a + b)
- 1.
- 2.
- 3.
输出
[[11 12 13]
[2122 23]]
- 1.
- 2.
- 3.
下面的图片展示了数组 b 如何通过广播来与数组 a 兼容。4x3 的二维数组与长为 3 的一维数组相加，等效于把数组 b 在二维上重复 4 次再运算：
np数组的切片和索引
ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。ndarray数组可以基于0-n的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。相信大家理解python list切片相关操作，一定会对该部分的内容感到熟悉，这里举几个经典的例子：
基础实例
import numpy as np
a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
b = a[5] #下标5元素的值
c = np.array([[1,2,3],[3,4,5],[6,7,8]])print(b)
print(a[3:5]) #输出下标3-5的值，注意这里可以输出下限3，而不包括上限5
print(c[0,0]) #输出第一行第一列的元素即[1,2,3]中的1
print (c[...,1]) #第2列元素print (c[1,...]) # 第2行元素print (c[...,1:]) # 第2列及剩下的所有元素
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
输出
5
[3 4]
1
[2 4 7]
[3 4 5]
[[2 3]
[45]
[78]]
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
布尔索引实例
我们可以通过一个布尔数组来索引目标数组。布尔索引通过布尔运算(如：比较运算符)来获取符合指定条件的元素的数组。
c = np.array([[1,2,3],[3,4,5],[6,7,8]])
print (c[c > 3]) #打印出大于3的元素
- 1.
- 2.
输出
[4 5 6 7 8]
- 1.
numpy array遍历
直接上代码，普通一维数组
arr = np.array([1, 2, 3])
for x in arr:
print(x)
- 1.
- 2.
- 3.
输出
1
2
3
- 1.
- 2.
- 3.
- 4.
- 5.
定义一个numpy的二维数组，二维以上的数组这里不做讨论
arr = np.array([[1, 2, 3], [4, 5, 6]])
#遍历
for x in arr:
print(x)
- 1.
- 2.
- 3.
- 4.
输出
[1 2 3]
[4 5 6]
- 1.
- 2.
- 3.
如果想一个一个地输出每一个元素，可以这样编写代码
for x in arr:
for y in x:
print(y)
- 1.
- 2.
- 3.
输出
1
2
3
4
5
6
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
上面的方式比较麻烦，我们可以通过方法np.nditer实现一个一个地输出每一个元素
for x in np.nditer(arr):
print(x)
- 1.
- 2.
输出
1
2
3
4
5
6
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
numpy array元素过滤
实例，在np数组中，过滤大于2的元素
arr = np.array([1, 2, 3, 4])
newarr = arr[arr >2]
print(newarr)
- 1.
- 2.
- 3.
输出
[3 4]
- 1.
怎么样，是不是非常非常简单!
numpy array 关于字符的处理
如果np数组中存储的是字符，如果相对字符元素进行相关操作，需要使用api —np.char
有这样一个需求，把字符'0.01%','1.1%','1.21%' 中的%去掉，并把字符转型为float类型。如何实现呢?代码如下：
b=np.array(['0.01%','1.1%','1.21%'])
newb=np.char.rstrip(b,'%').astype(float)
print(newb)
- 1.
- 2.
- 3.
输出
[0.01 1.1 1.21]
- 1.
其中:
rstrip表示删除某个字符
astype(float)表示把元素转型为float