NumPy 是用于多维数组计算的 python 库包。NumPy 进程比 list 更快，因为它的同构类型在内存中密集打包并执行矢量化。向量化意味着用并行硬件处理来完成计算，以使其更快。NumPy 是主要用途，因此，它被用于各种领域，如统计，代数，矩阵运算等。我们使用的阵列类型如下所示:
数组的类型。作者的照片
阵列 简介及基础
NumPy 中使用了一个名为 array 的类，通过它的属性获得更多的功能。该功能中的不同属性是尺寸、形状、大小、类型等。让我们举个例子来了解一下这些属性。
#First need to import the library to use NumPy
import numpy as np# 2-D array
a = np.arange(9).reshape(3,3)
我们创建了一个有 2 个轴的二维数组。通过该操作形成的矩阵视图是打印的。形成的矩阵是 3 行 3 列。
print(a)#output:
array([[0,1,2],
[3,4,5],
[6,7,8]])
与这些数组相关的属性的功能如下所示:
#to know the shape of the array
a.shape #output:(3, 3)#to know the dimension(axes) of the array
a.ndim #output:2#to know the type of the array elements
a.dtype.name #output:'int64'#to know the item size of the array
a.itemsize #output:8#to know the size of the array
a.size #output:9#to know the type of the array
type(a) #output:<class 'numpy.ndarray'>
在本文中，我们将介绍日常编程中最基本的基础知识。首先，如果没有 anaconda 发行版，我们需要安装 NumPy。
#to install NumPy
pip install numpy
每次当我们想要使用 NumPy 时，我们都必须导入它，就像我们在前面的例子中看到的那样。
数组是包含网格格式信息的结构，网格中的每个位置称为一个元素。每当我们想从网格中提取信息时，我们必须指定元素的位置。
在 python 中有很多方法可以创建数组。最常见的方式是通过 np.array 函数。让我们也看看其他方法。
##importing library
import numpy as np##creating array with np.array
array1 = np.array([3, 5, 9])#output: array([3, 5, 9])##creating array will all element values are zeros
array2 = np.zeros(3) # all three elements will have zero value#output: array([0., 0., 0.])##creating array with np.ones
array3 = np.array(3) # all three elements will have one value#output: array([1., 1., 1.])##creating array with np.arange
array4 = np.arange(3) # values begin with 0 and goes till the
number of elements#output: array([0, 1, 2])##arange is also used to create array with evenly distributed
array5 = np.arange(3, 13, 3) #last 3 is a step size#output: array([3, 6, 9, 12])
数组的添加和排序
- 排序
排序意味着按升序排列值。
array1 = np.array([3, 8, 2, 6, 1, 9])
sorted_array = np.sort(array1)#output: array([1, 2, 3, 6, 8, 9])
- 添加
加法意味着连接两个数组。
array1 = np.array([3, 5, 8])
array2 = np.array([4, 6, 9])array3 = np.concatenate((array1, array2))#output: array([3, 5, 8, 4, 6, 9])
重塑功能
我们可以在合适的行和列中重塑阵列。
array1 = np.arange(6)
array2 = array1.reshape(3, 2) # 3 rows and 2 columns#output: array([[0, 1],
[2, 3],
[4, 5]])
分度和切片
当我们需要来自数据中间的信息时，使用索引和切片。
array1 = np.array([3, 5, 2, 8, 4])array1[2]#output: 2array1[0:3]#output: array([3, 5, 2])array1[3:]#output: array([8, 4])
对数组 的操作
- 垂直堆叠阵列
array1 = np.array([[3, 5],
[2, 1]])
array2 = np.array([[4, 6],
[8, 7]])np.vstack((array1, array2))#output: array([[3, 5],
[2, 1],
[4, 6],
[8, 7]])
- 水平堆叠阵列
array1 = np.array([[3, 5],
[2, 1]])
array2 = np.array([[4, 6],
[8, 7]])np.hstack((array1, array2))#output: array([[3, 5, 2, 1],
[4, 6, 8, 7]])
- 数组的副本
它用于复制一个数组，以保存为原始数组，供以后的操作使用。
array1 = np.array([[3, 5], [2, 1]])
array2 = array1.copy()
- 两个数组的数学
array1 = np.array([[3, 5]])
array2 = np.array([[2, 1]])#addition
array1 + array2#output: array([5, 6])#multiplication
array1*array1#output: array([9, 25])subtraction
array1-array1#output: array([1, 4])
- 广播运行
当我们想在一个标量数和一个数组(向量)之间做一个运算时，NumPy 知道这个运算是对一个数组的所有元素做的。这就是所谓的广播。
array1 = np.array([[3, 5]])
array1*2#output: array([6, 10])
- 最大值、最小值和总和
从数组中找出最大值、最小值和总和。
array1 = np.array([[3, 5, 8]])
array1.max()
array1.min()
array1.sum()#output: 8
3
16
- 创建二维矩阵
它用于创建一个 2 轴矩阵。
#2 rows and 2 columns
array1 = np.array([[3, 5], [2, 1]])
array1#output: array([[3, 5],
[2, 1]])#3 rows nd 2 columns
array1 = np.array([[3, 5], [2, 1], [4, 6]])
array1#output: array([[3, 5],
[2, 1],
[4, 6]])#indexing of 2D matrix
array1[1:3]#output: array([[2, 1],
[4, 6]])array1[0:2, 0]#output: array([3,
2])#find maximum when axis = 0 means column wise
array1.max(axis=0)#output: array([4, 6])#find maximum when axis = 1means row wise
array1.max(axis=1)#output: array([5, 2, 6]) #check row wise
- 生成随机数
我们可以生成一个特定范围内的随机数。整数函数中的参数值 2 决定了生成数字的范围。
rng = np.random.default_rng(0)
rng.integers(2, size=(2, 4))#output: array([[1, 1, 1, 0],
[0, 0, 0, 0]], dtype=int64)#with new range value
rng.integers(5, size=(2, 4))#output: array([[4, 3, 2, 1],
[1, 0, 0, 0]], dtype=int64)
- 唯一值
要知道数组中唯一值的总数。
array1 = np.array([[3, 5, 2, 1, 4, 3, 4, 7 , 8]])
unique_values = np.unique(array1)#output: array([1, 2, 3, 4, 5, 7, 8])#to know the index number of unique_values as on first occurrence
unique_values, index_num = np.unique(array1, return_index=True)
print(index_num)#output: [3 2 0 4 1 8 9]#to know the number of times unique values are occurred
unique_values, occurrence_count = np.unique(array1,
return_counts=True)
print(occurrence_count)#output: array([1, 1, 2, 2, 1, 1, 1], dtype=int64)
index_num 输出可以这样读，值出现在 unique_values 列表中，第一次出现在第三个索引上，依此类推。值的出现意味着 3 和 4 在原始数组 1 中各出现两次。
- 在数组上转置
转置将改变阵列上的轴或维度。
array1 = np.array([[3, 5, 2], [1, 4, 6]])
array1.transpose()#output: array([[3, 1],
[5, 4],
[2, 6]])
- 展平阵列
它将使数组从不同的维度变为一维。
array1 = np.array([[3, 5], [2, 1], [4, 6]])
array1.flatten()#output: array([3, 5, 2, 1, 4, 6])
Matplotlip 数组图
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)
array1 = np.arange(-10, 10, 0.10)
array2 = np.arange(-7, 7, 0.20)
array1, array2 = np.meshgrid(array1, array2)R = np.sqrt(array1**2 + array2**2)
Z = np.sin(R)
ax.plot_surface(array1, array2, Z, rstride=1, cstride=1,
cmap='viridis')
绘图输出:
数组的三维图。作者的照片
结论
数组的基本运算在数值计算中非常有用，如代数、数学公式、矩阵计算等。我希望这篇文章能让你对 NumPy 有所了解。