一、numpy是什么？
扩展库numpy是Python支持科学计算的重要扩展库，是数据分析和科学计算领域如scipy、pandas、sklearn 等众多扩展库中的必备扩展库之一，提供了强大的N维数组及其相关运算、复杂的广播函数、C/C++和Fortran代码集成工具以及线性代数、傅里叶变换和随机数生成等功能。本章童点介绍数组与矩阵及其相关运算，为学习和理解后面章节中的数据分析、机器学习打下良好的基础。
简单来说就是你用来为人工智能领域打基础的东西，私话说得好，基础不牢，地动山摇嘛~
所以这个地方可要好好学习哦~~
二、numpy数组
在numpy中使用的不是python自带的数据类型list，而是numpy中的ndarray
那为什么使用ndarray而不是使用list呢？
因为ndarray是由c/c++写出来的，占用内存更小，使用速度更快
创建一个ndarray的方法有很多，这里说下使用array方法转化的
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author： Smly
# @datetime： 2021/9/26 22:22
# @Version： 1.0
import numpy as np
li = [1, 2, 3]
tp = (1, 2, 3)
nday1 = np.array(li)
nday2 = np.array(tp)
print("*****类型*****")
print(type(nday1))
print(type(nday2))
print("*****数组*****")
print(nday1)
print(nday2)
|
输出结果：
|
1
2
3
4
5
6
|
*****类型*****
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
*****数组*****
[1 2 3]
[1 2 3]
|
2.1 数组使用
如果元素相同的话，可以进行加减乘除
在元素个数相同的情况下，可以进行数组间的加减
在元素个数相同的情况下，可以进行数组间的乘除
对某个数进行的乘除，可以自动进行到所有元素
看例子理解：
|
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
27
28
29
30
31
32
33
34
35
36
37
38
39
|
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author： Smly
# @datetime： 2021/9/26 22:22
# @Version： 1.0
import numpy as np
li = [1, 2, 3] # 列表
tp = (1, 2, 3) # 元组
nday1 = np.array(li) # 内置方法将列表转为ndarray
nday2 = np.array(tp) # 内置方法将元组转为ndarray
nday3 = np.array(range(5)) # 使用range内置函数方法生成ndarray连续数组
nday4 = np.array(range(5, 10)) # 使用range内置函数方法生成ndarray连续数组
print("*****类型*****")
print(type(nday1))
print(type(nday2))
print(type(nday3))
print(type(nday4))
print("*****数组*****")
print(nday1)
print(nday2)
print(nday3)
print(nday4)
print("*****数组加减*****")
print(nday2 + nday1)
print(nday2 - nday1)
print(nday4 - nday3)
print(nday3 + nday4)
# 在元素个数相同的情况下，可以进行数组间的加减
print("*****数组乘除*****")
print(nday2 * nday1)
print(nday2 // nday1)
print(nday4 * nday3)
print(nday4 // nday3)
# 在元素个数相同的情况下，可以进行数组间的乘除
print(nday1 * 3)
print(nday2 // 2)
print(nday3 * 2)
print(nday4 // 2)
# 对某个数进行的乘除，可以自动进行到所有元素
|
运行结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
*****类型*****
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
*****数组*****
[1 2 3]
[1 2 3]
[0 1 2 3 4]
[5 6 7 8 9]
*****数组加减*****
[2 4 6]
[0 0 0]
[5 5 5 5 5]
[ 5 7 9 11 13]
*****数组乘除*****
[1 4 9]
[1 1 1]
[ 0 6 14 24 36]
[0 0 0 0 0]
[3 6 9]
[0 1 1]
[0 2 4 6 8]
[2 3 3 4 4]
|
2.2 创建数组
刚刚的array()方法是将列表和元组等迭代对象转为ndarray数组
接下来要说的是自动创建数组
1. 使用empty创建空数组
里面会有初始值，但是数组初始为None
|
1
2
3
4
5
6
7
8
9
10
11
|
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author： Smly
# @datetime： 2021/9/28 12:29
# @Version： 1.0
import numpy as np
em1 = np.empty(5) # 创建一个长度为5的空数组
em2 = np.empty((2, 2)) # 创建一个2*2的空二维数组
print("一维数组，长度为5", em1)
print("二维数组，长度为2*2", em2)
|
输出结果：
|
1
2
3
4
|
[9.96754604e-312 9.96754614e-312 2.60799828e-310 9.34609789e-307
0.00000000e+000]
[[6.95299778e-310 9.96747617e-312]
[0.00000000e+000 6.95299776e-310]]
|
2. 使用arange函数创建
arange是numpy自带的的一个方法，作用与range这个Python内置函数相差无几，都是生成数组
先导入numpy包
|
1
|
import numpy as np
|
然后创建数组
|
1
2
3
4
5
6
7
8
9
10
11
12
|
print("*****ararge创建数组*****")
aran_arr1 = np.arange(5)
aran_arr2 = np.arange(5, 10)
print("*****类型*****")
print(type(aran_arr1))
print(type(aran_arr2))
print("*****数组*****")
print(aran_arr1)
print(aran_arr2)
|
3. 使用zeros函数生成数组
zeros函数是numpy自带的方法，作用是生成指定数量的全0一维数组，全0二维数组等
看下面的例子：
生成一个具有三个元素的一维数组和一个具有五个元素的一维数组：
|
1
2
3
4
5
6
7
8
9
10
11
|
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author： Smly
# @datetime： 2021/9/27 21:31
# @Version： 1.0
import numpy as np
zero_arr = np.zeros(3)
zrro_arr2 = np.zeros(5)
print(zero_arr)
print(zrro_arr2)
|
运行结果：
[0. 0. 0.]
[0. 0. 0. 0. 0.]
当然这只是一位数组，你还可以生成二维数组，也就是矩阵
使用如下代码可以生成一个三行三列的矩阵
|
1
|
zero_arr3 = np.zeros((3, 3))
|
输出看看：
|
1
|
print(zero-arr3)
|
运行结果：
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
4. ones函数生成数组
使用ones函数生成全1函数，方法同zeros
|
1
2
3
|
import numpy as np
ones_arr1 = np.ones(3)
|
输出结果：
[1. 1. 1.]
生成一个三行三列的矩阵
|
1
2
3
|
import numpy as np
ones_arr2 = np.ones((3, 3))
|
输出结果：
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
5. diag函数生成对角矩阵
什么是对角矩阵?你应该听说过对角线，矩阵就是生成在对角线上的矩阵
函数参数是一个元祖
看代码和运行结果能够理解的更深刻
|
1
2
3
|
import numpy as np
diag_arr = np.diag((4, 3, 2, 1))
|
将diag_arr的输出的结果为：
[[4 0 0 0]
[0 3 0 0]
[0 0 2 0]
[0 0 0 1]]
看，对角线是不是你函数的参数，这下理解了吧
6. N维数组
N维数组就是多维数组，可以理解为数组里面还是数组，里面还是数组，可以参照这个形式
[[[1 2]
[3 4]]
[[5 6]
[7 8]]]
这个概念确实有点抽象，有点难理解。这就是一个三维数组，是通过三维列表使用array方法转换成ndarray的
代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author： Smly
# @datetime： 2021/9/27 13:29
# @Version： 1.0
import numpy as np
li = [
[[1, 2], [3, 4]],
[[5, 6], [7, 8]]
]
te1 = np.array(li)
print(te1)
|
当然，二维数组也算是N维数组
2.3 访问数组元素
numpy自带了一个insert函数，可以往数组中插入元素
看实例：
|
1
2
3
|
li = [[1, 2, 3, 4], [5, 6, 7, 8], [2, 4, 6, 8]]
gb1 = np.array(li)
np.insert(gb1, 1, [1, 2, 3, 4])
|
输出结果：
[1 1 2 3 4 2 3 4 5 6 7 8 2 4 6 8]
还有一个自带的add函数，可以进行数组的相加减
数组嘛，可以使用下标来获取数组元素
|
1
2
3
4
5
|
import numpy as np
li1 = [1, 2, 3, 4]
gb2 = np.array(li1)
print(gb2[1])
|
输出结果为：
2
当然，它是一个数组，你理所应当的也可以使用循环语句来遍历数组
三、了解矩阵
数组是数组，矩阵是矩阵。
数组是一种数据结构，可以存储多种数据，可以有多维
矩阵是数学中的一个概念，只能存放数字，并且只能是二维的形式
生成矩阵的方法就和生成N维数组的方法是一样的
先使用列表创建二维列表，然后再使用numpy的方法转成矩阵，当然也有好几中生成矩阵的方法
|
1
2
3
4
5
6
|
import numpy as np
li = [[1, 2, 3, 4], [5, 6, 7, 8]]
j1 = np.matrix(li)
print(j1)
print(type(j1))
print(j1.dtype)
|
输出该矩阵：
|
1
2
3
4
|
输出矩阵： [[1 2 3 4]
[5 6 7 8]]
矩阵在Python的类型： <class 'numpy.matrix'>
在numpy中的类型： int32
|
矩阵可以进行各种数学运算，在numpy中都得到了很好的支持，这里就不细说了
3.1 广播
何为广播，广播就是能将你的东西发送到各个区域，一般在计算机中是将信息发送到局域网络中的每个计算机中。
而在numpy中也有广播，只不过他是将元素自动补到数组，矩阵上，就像你在上面看到的，一个数组乘除一个元素，数组中的所有元素都会乘这个数
|
1
2
3
4
|
import numpy as np
li1 = [1, 2, 3, 4]
print(np.array(li1)*10)
|
输出结果：
[10 20 30 40]
这个就是广播，就是将数字10播到li转成的数组中，能够让数组所有元素都乘10。
而不同维度的数组也可以这样
|
1
2
3
4
5
6
7
8
9
10
11
|
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author： Smly
# @datetime： 2021/9/27 13:40
# @Version： 1.0
import numpy as np
li = [[1, 2, 3, 4], [5, 6, 7, 8], [2, 4, 6, 8]]
gb1 = np.array(li)
li1 = [1, 2, 3, 4]
gb2 = np.array(li1)
print(gb1*gb2)
|
将一维数组的每个元素挨个广播到二维数组，前提是：
二维数组中的一维数组的个数与一维数组的个数是相同的
运行结果：
[[ 1 4 9 16]
[ 5 12 21 32]
[ 2 8 18 32]]
以上就是python扩展库numpy入门教程的详细内容，更多关于numpy库入门的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/m0_52883898/article/details/120928439