python Numpy库

Last updated Jun 24, 2023

Python

# 介绍

short for numeric Python
可以用来:
- 高维数组(矩阵), 矩阵计算
- 快速傅立叶变换

# 使用基础

# import

1
2


# import 习惯
import numpy as np

# 创建 narray

1
2
3


# 创建 narray, 一切的基础
# narray 可以直接相加
a = np.array([[1, 2, 3], [4, 5, 6]])

用shape创建的方法:

shape是一个tuple(i, j), i行j列
np.zeros(shape) np.ones(shape) 创建全0/1的narray
np.empty(shape) 创建未初始化的
np.eye(n) = np.identity(n)
np.ones_like(list) 创建和另一个 narray shape 相同的全1 narray. 同理还有 zeors_like()等

1
2
3
4
5
6
7


# arange
# reshape
>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

# 属性/特性

# 切片

可以切片读值, 甚至可以切片赋值
索引批量赋值, 赋一行或一列
还能用比较复杂一点的索引实现类似框选的效果, 选中区域赋值

# fancy indexing

1
2
3
4
5
6
7


>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> a[[1,2], [0,3]]
array([ 4, 11])

和切片不同, 用 fancy index赋值总是会复制一份数据

# dtype

指数组中的数据类型

有int/uint8~64, float16~128, complex64~256, bool, object, string_, unicode_

1
2
3
4
5


# astype 转换类型
float_arr = arr.astype(np.float64)

# 查询类型
float_arr.dtype # out: dtype('float64')

# 运算符

1
2
3
4


# 数据
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='<U4')

data = np.array([[4, 7], [0, 2], [-5, 6], [0, 0], [1, 2],[-12, -4], [3, 4]])

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


# 可以用各种运算符判定, 返回 bool 类型的 narray

names != "Bob"
~(names == "Bob")

"""
array([False, True, True, False, True, True, True])
"""

# 还可以用一个 array 作条件筛选另一个
data[names == "Bob"]

"""out:
array([[4, 7], 
       [0, 0]])
"""

两个同shape的 narray 可以直接比较, 返回一个同 shape 的 bool 类型 narray

1
2


arr > arr2
data > 0

# copy问题

1
2
3
4
5
6
7


# Python 3.10.7.
# 尝试了一下, 这两者都是复制引用, 也就是说, a 被修改的时候 b 和 c 也会同时变化
b = a
c = a[:]

# 所以需要
a[:].copy()

# 函数

# 矩阵相关运算

# 直接相加

1

arr1 + arr2

# 矩阵乘法

1
2
3


# 等价 arr1(arr2)
np.dot(arr1, arr2)
arr1 @ arr2

# 实用数学运算

unary

np.abs(arr), sqrt, exp, sign, log, log10, log2, ceil, floor, mean
- log1p 即 log(1+x_)
np.maximun(x, y) 在两个narray里取每个位置的最大值
arr * n, 直接将矩阵的所有数值乘n
remainder, whole_part = np.modf(arr) 商和余数

binary

np.add(arr1, arr2), substract, multiply, divide, floor_divide, power, maximun, minimun, mod, logical_and
fmax, fmin 无视 NaN

# 转置

1

arr.T

# random

np.random 下的函数

standard_normal() 和各种 distribution

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


# 按标准分布mean0sd1生成数字
>>> np.random.standard_normal(size=(2,2))
array([[-1.46971044,  0.38407903],
       [-0.30889103, -0.75670159]])

# binomial
# normal: Gaussian 分布
# beta
# chisquare: chi-square 分布
# uniform: uniform [0, 1) 分布

permutation()

1
2
3


# 接受一个 narray 或 range
>>> np.random.permutation(range(10))
array([9, 8, 5, 2, 3, 7, 6, 4, 0, 1])

# where

x if c else y, 三个参数都是同 shape 的 narray

1

result = np.where(cond, xarr, yarr)

# sort

arr.sort()

arr.sort(axis=0)

0是行, 1是列

# 统计方法

arr.mean(), sum, std

np.unique(list) = sorted(set(list))

np.in1d(arr1d, list) 即 in

1
2


In [230]: np.in1d(values, [2, 3, 6]) 
Out[230]: array([ True, False, False, True, True, False, True])

# LinAlg

x.dot(y) = np.dot(x, y)

逆矩阵 np.linalg.inv(arr)

TONGLUOSHAO