前言
NumPy是Python用于处理大型矩阵的一个速度极快的数学库。它允许你在Python中做向量和矩阵的运算，而且很多底层的函数都是用C写的，你将获得在普通Python中无法达到的运行速度。这是由于矩阵中每个元素的数据类型都是一样的，这也就减少了运算过程中的类型检测。
矩阵基础
在 numpy 包中我们用数组来表示向量，矩阵和高阶数据结构。他们就由数组构成，一维就用一个数组表示，二维就是数组中包含数组表示。
创建
|
1
2
3
4
5
6
7
8
9
|
# coding: utf-8
import numpy as np
a = np.array([
[1.73, 1.68, 1.71, 4],
[1, 2, 3, 4],
[1, 2, 3, 4]
])
print type(a) # <type 'numpy.ndarray'>
|
ndarray （N-dimensional array object） 意思就是n维数组。例子中就表示一个3行4列的二维数组。
形状
数组的大小可以通过其 shape 属性获得：
|
1
|
print a.shape # (3L,4L)
|
数组的元素数量可以通过 ndarray.size 得到：
|
1
|
print a.size # 12
|
使用 ndarray 的 dtype 属性我们能获得数组元素的类型：
|
1
|
print a.dtype # float64
|
可以用过 shape 重新设置矩阵的形状或者通过 reshape 方法创建一个改变了尺寸的新数组，原数组的shape保持不变:
|
1
2
3
|
a.shape = 4, 3
b = a.reshape((2, 6))
# 尽管b的形状是新的，但是a和b是共享数据存储内存区域的，如果b[0][1] = 8 那么a[0][1] 也会是8
|
数组生成
可以用过 np.arange 来创建数组,参数与range类似：
|
1
|
x = np.arange(0, 10, 1) # arguments: start, stop, step
|
也可以用 np.linspace 创建等差数列:
|
1
2
3
4
|
x = np.linspace(1, 10, 5) # arguments: start, stop, num元素个数
# [ 1. 3.25 5.5 7.75 10. ]
# np.logspace 是创建等比数列
|
矩阵运算
计算将变量直接参与运算符，操作符优先级不变：
|
1
2
3
4
5
6
7
8
9
10
|
a = np.random.rand(5, 5)
b = np.random.rand(5, 5)
print a + b
print a - b
print a * b
print a / b
print a ** 2
print a < b
print a > b
|
一个数组中除了 dot() 函数，其他这些操作都是单元操作。
|
1
2
3
4
5
|
np_arr = np.array([2,3,34,5,5])
print np.mean(np_arr) # 平均数
print np.median(np_arr) # 中位数
print np.corrcoef(a[0], a[1]) # 判断两个轴的数据是否有相关性
print np.std(np_arr) # 标准差
|
数据提取
切片索引语法：M[lower:upper:step]
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
a = np.array([1,2,3,4,5])
a[1:3] # array([2, 3])
# 进行切片赋值时，原数组会被修改
a[1:3] = [-2, -3] # array([ 1, -2, -3, 4, 5])
b = np.random.rand(5, 5)
b[1:4, 1:4] # 提取 1~4 行，1~4列
b > 0.1 #array([False, False, False, ...])
# 因此要提取可以用, 这是利用了布尔屏蔽这个特性
b[ b > 0.1 ]
# where()函数是另一个有用的方式，当需要以特定条件来检索数组元素的时候。只需要传递给它一个条件，它将返回符合条件的元素列表。
c = np.where(b > 0.1)
|
矩阵运算
NumPy和Matlab不一样，对于多维数组的运算，缺省情况下并不使用矩阵运算，如果你希望对数组进行矩阵运算的话，可以调用相应的函数。
matrix对象
numpy库提供了matrix类，使用matrix类创建的是矩阵对象，它们的加减乘除运算缺省采用矩阵方式计算，因此用法和matlab十分类似。但是由于NumPy中同时存在ndarray和matrix对象，因此用户很容易将两者弄混。这有违Python的“显式优于隐式”的原则，因此并不推荐在较复杂的程序中使用matrix。
|
1
2
3
4
5
|
>>> a = np.matrix([[1,2,3],[5,5,6],[7,9,9]])
>>> a*a**-1
matrix([[ 1.00000000e+00, 1.66533454e-16, -8.32667268e-17],
[ -2.77555756e-16, 1.00000000e+00, -2.77555756e-17],
[ 1.66533454e-16, 5.55111512e-17, 1.00000000e+00]])
|
从数组转换为矩阵可以用m = np.matrix(a) 进行转换, 使用 m.T 可以得到m的转置矩阵。
矩阵求逆
|
1
2
3
|
m.I * m
=> matrix([[ 1.00000000e+00+0.j, 4.44089210e-16+0.j],
[ 0.00000000e+00+0.j, 1.00000000e+00+0.j]])
|
浅拷贝与深拷贝
为了获得高性能，Python 中的赋值常常不拷贝底层对象，这被称作浅拷贝。使用 copy 进行深拷贝：
|
1
|
b = copy(a)
|
遍历数组元素
通常情况下，我们是希望尽可能避免遍历数组元素的。因为迭代相比向量运算要慢的多。但是有些时候迭代又是不可避免的，这种情况下用 Python 的 for 是最方便的：
|
1
2
3
4
5
6
7
8
9
10
11
|
v = np.array([1,2,3,4])
for element in v:
print(element)
M = np.array([[1,2], [3,4]])
for row in M:
print("row", row)
for element in row:
print(element)
|
总结
以上就是关于Python科学计算之NumPy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。
原文链接：https://www.hongweipeng.com/index.php/archives/1089/