numpy是python下的计算库，被非常广泛地应用，尤其是近来的深度学习的推广。在这篇文章中，将会介绍使用numpy进行一些最为基础的计算。
numpy vs scipy
numpy和scipy都可以进行运算，主要区别如下
最近比较热门的深度学习，比如在神经网络的算法，多维数组的使用是一个极为重要的场景。如果你熟悉tensorflow中的tensor的概念，你会非常清晰numpy的作用。所以熟悉numpy可以说是使用python进行深度学习入门的一个基础知识。
安装
|
1
2
3
4
5
6
7
|
liumiaocn:tmp liumiao$ pip install numpy
collecting numpy
downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (4.7mb)
100% |████████████████████████████████| 4.7mb 284kb/s
installing collected packages: numpy
successfully installed numpy-1.14.5
liumiaocn:tmp liumiao$
|
确认
|
1
2
3
4
5
6
7
8
9
10
11
12
|
liumiaocn:tmp liumiao$ pip show numpy
name: numpy
version: 1.14.5
summary: numpy: array processing for numbers, strings, records, and objects.
home-page: http://www.numpy.org
author: travis e. oliphant et al.
author-email: none
license: bsd
location: /usr/local/lib/python2.7/site-packages
requires:
required-by:
liumiaocn:tmp liumiao$
|
使用
使用numpy的数组
使用如下例子简单来理解一下numpy的数组的使用：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
liumiaocn:tmp liumiao$ cat np-1.py
#!/usr/local/bin/python
import numpy as np
arr = [1,2,3,4]
print("array arr: ", arr)
np_arr = np.array(arr)
print("numpy array: ", np_arr)
print("doulbe calc : ", 2 * np_arr)
print("ndim: ", np_arr.ndim)
liumiaocn:tmp liumiao$ python np-1.py
('array arr: ', [1, 2, 3, 4])
('numpy array: ', array([1, 2, 3, 4]))
('doulbe calc : ', array([2, 4, 6, 8]))
('ndim: ', 1)
liumiaocn:tmp liumiao$
|
多维数组&ndim/shape
ndim在numpy中指的是数组的维度，如果是2维值则为2，在下面的例子中构造一个步进为2的等差数列，然后将其进行维度的转换同时输出数组的ndim和shape的值以辅助对于ndim和shape含义的理解。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
liumiaocn:tmp liumiao$ cat np-2.py
#!/usr/local/bin/python
import numpy as np
arithmetic = np.arange(0,16,2)
print(arithmetic)
print("ndim: ",arithmetic.ndim," shape:", arithmetic.shape)
#resize to 2*4 2-dim array
arithmetic.resize(2,4)
print(arithmetic)
print("ndim: ",arithmetic.ndim," shape:", arithmetic.shape)
#resize to 2*2*2 3-dim array
array = arithmetic.resize(2,2,2)
print(arithmetic)
print("ndim: ",arithmetic.ndim," shape:", arithmetic.shape)
liumiaocn:tmp liumiao$ python np-2.py
[ 0 2 4 6 8 10 12 14]
('ndim: ', 1, ' shape:', (8,))
[[ 0 2 4 6]
[ 8 10 12 14]]
('ndim: ', 2, ' shape:', (2, 4))
[[[ 0 2]
[ 4 6]]
[[ 8 10]
[12 14]]]
('ndim: ', 3, ' shape:', (2, 2, 2))
liumiaocn:tmp liumiao$
|
另外也可以使用reshape进行维度的调整。
等差数列&等比数列
numpy和matlab写起来有很多函数基本一样，比如等比数列和等差数列可以使用linspace和logspace进行。
logspace缺省的时候指的是以10给底，但是可以通过指定base进行设定
|
1
2
3
4
5
6
7
8
9
10
11
|
liumiaocn:tmp liumiao$ cat np-3.py
#!/usr/local/bin/python
import numpy as np
print("np.linspace(1,4,4):", np.linspace(1,4,4))
print("np.logspace(1,4,4):", np.logspace(1,4,4))
print("np.logspace(1,4,4,base=2):",np.logspace(1,4,4,base=2))
liumiaocn:tmp liumiao$ python np-3.py
('np.linspace(1,4,4):', array([1., 2., 3., 4.]))
('np.logspace(1,4,4):', array([ 10., 100., 1000., 10000.]))
('np.logspace(1,4,4,base=2):', array([ 2., 4., 8., 16.]))
liumiaocn:tmp liumiao$
|
数组初始化
numpy提供了很方便的初始化的函数，比如
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
liumiaocn:tmp liumiao$ cat np-4.py
#!/usr/local/bin/python
import numpy as np
print("np.zeros(6):",np.zeros(6))
print("np.zeros((2,3)):",np.zeros((2,3)))
print("np.ones(6):",np.ones(6))
print("np.ones((2,3)):",np.ones((2,3)))
print("np.random.random(6):",np.random.random(6))
print("np.random.random(6):",np.random.random(6))
print("np.random.random((2,3)):",np.random.random((2,3)))
print("np.random.seed(1234)")
np.random.seed(1234)
print("np.random.random(6):",np.random.random(6))
print("np.random.seed(1234)")
np.random.seed(1234)
print("np.random.random(6):",np.random.random(6))
liumiaocn:tmp liumiao$ python np-4.py
('np.zeros(6):', array([0., 0., 0., 0., 0., 0.]))
('np.zeros((2,3)):', array([[0., 0., 0.],
[0., 0., 0.]]))
('np.ones(6):', array([1., 1., 1., 1., 1., 1.]))
('np.ones((2,3)):', array([[1., 1., 1.],
[1., 1., 1.]]))
('np.random.random(6):', array([0.06909968, 0.27468844, 0.59127996, 0.56973602, 0.45985047,
0.95384945]))
('np.random.random(6):', array([0.62996648, 0.2824114 , 0.2698051 , 0.09262053, 0.50862503,
0.96600255]))
('np.random.random((2,3)):', array([[0.66880129, 0.8834006 , 0.49458989],
[0.28335563, 0.65711274, 0.76726504]]))
np.random.seed(1234)
('np.random.random(6):', array([0.19151945, 0.62210877, 0.43772774, 0.78535858, 0.77997581,
0.27259261]))
np.random.seed(1234)
('np.random.random(6):', array([0.19151945, 0.62210877, 0.43772774, 0.78535858, 0.77997581,
0.27259261]))
liumiaocn:tmp liumiao$
|
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接
原文链接：https://blog.csdn.net/liumiaocn/article/details/80728029