前言
大家应该都有所了解，下面就简单介绍下Numpy，NumPy(Numerical Python)是一个用于科学计算第三方的Python包。
NumPy提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。下面本文将详细介绍关于python中numpy包使用教程之数组和相关操作的相关内容，下面话不多说，来一起看看详细的介绍：
一、数组简介
Numpy中，最重要的数据结构是：多维数组类型（numpy.ndarray）
ndarray由两部分组成：
- 实际所持有的数据；
- 描述这些数据的元数据（metadata）
数组（即矩阵）的维度被称为axes，维数称为rank
ndarray 的重要属性包括:
-
ndarray.ndim：数组的维数，也称为rank -
ndarray.shape：数组各维的大小，对一个n行m列的矩阵来说， shape 为 (n,m) -
ndarray.size：元素的总数。 -
ndarray.dtype：每个元素的类型，可以是numpy.int32, numpy.int16, and numpy.float64等 -
ndarray.itemsize：每个元素占用的字节数。 -
ndarray.data：指向数据内存。
二、数组的使用
使用numpy前要先导入模块，使用下面的语句导入模块：
|
1
|
improt numpy as np #其中np为numpy的别名，是一种习惯用法
|
1.使用array方法生成数组
array，也就是数组，是numpy中最基础的数据结构，最关键的属性是维度和元素类型，在numpy中，可以非常方便地创建各种不同类型的多维数组，并且执行一些基本基本操作，生成数组的方法有一下几种：
以list或tuple变量产生以为数组：
|
1
2
3
4
|
>>> print np.array([1,2,3,4])
[1 2 3 4]
>>> print np.array((1.2,2,3,4))
[ 1.2 2. 3. 4. ]
|
以list或tuple变量为元素产生二维数组或者多维数组：
|
1
2
3
4
5
6
7
8
|
>>> x = np.array(((1,2,3),(4,5,6)))
>>> x
array([[1, 2, 3],
[4, 5, 6]])
>>> y = np.array([[1,2,3],[4,5,6]])
>>> y
array([[1, 2, 3],
[4, 5, 6]])
|
2.使用numpy.arange方法生成数组
|
1
2
3
4
|
>>> print np.arange(15)
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
>>> print type(np.arange(15))
<type 'numpy.ndarray'>
|
3.使用内置函数生成特殊矩阵（数组）
零矩阵
|
1
2
3
4
|
>>> print np.zeros((3,4))
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
|
一矩阵
|
1
2
3
4
|
>>> print np.ones((3,4))
[[ 1. 1. 1. 1.]
[1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
|
单位矩阵
|
1
2
3
4
|
>>> print np.eye(3)
[[ 1. 0. 0.]
[0. 1. 0.]
[ 0. 0. 1.]]
|
4.索引与切片
|
1
2
3
|
>>> x = np.array(((1,2,3),(4,5,6)))
>>> x[1,2] #获取第二行第三列的数
6
|
|
1
2
3
|
>>> y=x[:,1] #获取第二列
>>> y
array([2, 5])
|
与python语法一致，不再举例。
5.获取数组属性
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> a = np.zeros((2,2,2))
>>> print a.ndim #数组的维数
3
>>> print a.shape #数组每一维的大小
(2, 2, 2)
>>> print a.size #数组的元素数
8
>>> print a.dtype #元素类型
float64
>>> print a.itemsize #每个元素所占的字节数
8
|
6.数组变换
多维转换为一维：
|
1
2
3
4
5
|
>>> x
array([[1, 2, 3],
[4, 5, 6]])
>>> x.flatten()
array([1, 2, 3, 4, 5, 6])
|
一维转换为多维：
|
1
2
3
4
|
>>> print np.arange(15).reshape(3,5) #改变形状，将一维的改成三行五列
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
|
转置：
|
1
2
3
4
5
6
7
|
>>> x
array([[1, 2, 3],
[4, 5, 6]])
>>> x.transpose()
array([[1, 4],
[2, 5],
[3, 6]])
|
7.数组组合
水平组合：
|
1
2
3
4
|
>>> y=x
>>> numpy.hstack((x,y))
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]]
|
垂直组合
|
1
2
3
4
5
|
>>> numpy.vstack((x,y))
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
|
用concatenate函数可以同时实现这两种方式，通过指定axis参数，默认为0，垂直组合。
|
1
2
3
4
5
6
7
8
|
>>> numpy.concatenate((x,y))
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
>>> numpy.concatenate((x,y),axis=1)
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]])
|
8.数组分割
垂直分割
|
1
2
3
4
5
6
7
8
9
|
>>> z
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
>>> numpy.vsplit(z,2) #注意这里设置的分割数目必须可以被行数整除
[array([[1, 2, 3],
[4, 5, 6]]), array([[1, 2, 3],
[4, 5, 6]])]
|
水平分割
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> numpy.hsplit(z,3)
[array([[1],
[4],
[1],
[4]]), array([[2],
[5],
[2],
[5]]), array([[3],
[6],
[3],
[6]])]
|
用split函数可以同时实现这两个效果，通过设置其axis参数区别，与组合类似，这里不在演示。
三、矩阵
通过上面对数组的操作可以知道，numpy中可以通过数组模拟矩阵，但是numpy也有专门处理矩阵的数据结构——matrix。
1.生成矩阵
|
1
2
3
4
|
>>> numpy.mat('1 2 3;4 5 6;7 8 9')
matrix([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
|
2.数组矩阵转化
矩阵转数组
|
1
2
3
4
5
|
>>> m=numpy.mat('1 2 3;4 5 6;7 8 9')
>>> numpy.array(m)
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
|
数组转矩阵
|
1
2
3
4
5
|
>>> n=numpy.array(m)
>>> numpy.mat(n)
matrix([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
|
3.矩阵方法
求逆：
|
1
2
3
4
|
>>> m.I
matrix([[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15],
[ 9.00719925e+15, -1.80143985e+16, 9.00719925e+15],
[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15]])
|
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能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对服务器之家的支持
原文链接：http://blog.csdn.net/weiyongle1996/article/details/76334800