當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

Numpy简易入门

發(fā)布時(shí)間：2025/3/12 编程问答 25 豆豆

生活随笔收集整理的這篇文章主要介紹了 Numpy简易入门小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

本文提供最簡(jiǎn)易的 Numpy 的入門教程，適合初學(xué)者。（黃海廣）

1.Numpy 簡(jiǎn)易入門

NumPy（Numeric Python）提供了許多高級(jí)的數(shù)值編程工具，如：矩陣數(shù)據(jù)類型、矢量處理，以及精密的運(yùn)算庫。專為進(jìn)行嚴(yán)格的數(shù)字處理而產(chǎn)生。多為很多大型金融公司使用，以及核心的科學(xué)計(jì)算組織如：Lawrence Livermore，NASA 用其處理一些本來使用 C++，Fortran 或 Matlab 等所做的任務(wù)。

我曾經(jīng)整理過兩篇關(guān)于Numpy的文章，好評(píng)如潮：

Numpy練習(xí)題100題-提高你的數(shù)據(jù)分析技能

本文總結(jié)了Numpy的常用操作，并做成練習(xí)題，練習(xí)題附答案建議讀者把練習(xí)題完成。作者認(rèn)為，做完練習(xí)題，Numpy的基本操作沒有問題了，以后碰到問題也可以查這些習(xí)題。

驚為天人，NumPy手寫全部主流機(jī)器學(xué)習(xí)模型，代碼超3萬行

用 NumPy 手寫所有主流 ML 模型，普林斯頓博士后 David Bourgin 最近開源了一個(gè)非常剽悍的項(xiàng)目。超過 3 萬行代碼、30 多個(gè)模型。

怎么學(xué)：

先完整運(yùn)行本文的代碼，預(yù)計(jì)用一天時(shí)間就夠了，再嘗試完成Numpy練習(xí)題100題，鞏固下，接著呢？可以看看上面那篇文章的大神手寫的主流機(jī)器學(xué)習(xí)模型代碼，看懂就行。

備注：本文代碼可以在github下載

https://github.com/fengdu78/Data-Science-Notes/tree/master/2.numpy

1.1 認(rèn)識(shí) NumPy 數(shù)組對(duì)象

Numpy 是一個(gè)用 python 實(shí)現(xiàn)的科學(xué)計(jì)算的擴(kuò)展程序庫，包括：

1、一個(gè)強(qiáng)大的 N 維數(shù)組對(duì)象 Array；
2、比較成熟的（廣播）函數(shù)庫；
3、用于整合 C/C++和 Fortran 代碼的工具包；
4、實(shí)用的線性代數(shù)、傅里葉變換和隨機(jī)數(shù)生成函數(shù)。numpy 和稀疏矩陣運(yùn)算包 scipy 配合使用更加方便。

import numpy as np # 導(dǎo)入NumPy工具包data = np.arange(12).reshape(3, 4) # 創(chuàng)建一個(gè)3行4列的數(shù)組dataarray([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]])type(data)numpy.ndarraydata.ndim # 數(shù)組維度的個(gè)數(shù)，輸出結(jié)果2，表示二維數(shù)組2data.shape # 數(shù)組的維度，輸出結(jié)果（3，4），表示3行4列(3, 4)data.size # 數(shù)組元素的個(gè)數(shù)，輸出結(jié)果12，表示總共有12個(gè)元素12data.dtype # 數(shù)組元素的類型，輸出結(jié)果dtype('int64'),表示元素類型都是int64dtype('int32')

1.2 創(chuàng)建 NumPy 數(shù)組

import numpy as npdata1 = np.array([1, 2, 3]) # 創(chuàng)建一個(gè)一維數(shù)組data1array([1, 2, 3])data2 = np.array([[1, 2, 3], [4, 5, 6]]) # 創(chuàng)建一個(gè)二維數(shù)組data2array([[1, 2, 3],[4, 5, 6]])np.zeros((3, 4))#創(chuàng)建一個(gè)全0數(shù)組array([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]])np.ones((3, 4))#創(chuàng)建全一數(shù)組array([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]])np.empty((5, 2))# 創(chuàng)建全空數(shù)組，其實(shí)每個(gè)值都是接近于零的數(shù)array([[ 6.95312756e-310, 2.12199579e-314],[ 2.12199579e-314, 4.94065646e-324],[ 0.00000000e+000, -7.06252554e-311],[ 0.00000000e+000, -8.12021073e-313],[ 1.29923372e-311, 2.07507571e-322]])np.arange(1, 20, 5)array([ 1, 6, 11, 16])np.array([1, 2, 3, 4], float)array([1., 2., 3., 4.])np.ones((2, 3), dtype='float64')array([[1., 1., 1.],[1., 1., 1.]])

1.3 ndarry 對(duì)象的數(shù)據(jù)類型

1.3.1 查看數(shù)據(jù)類型

data_one = np.array([[1, 2, 3], [4, 5, 6]])data_one.dtype.name'int32'

1.3.2 轉(zhuǎn)換數(shù)據(jù)類型

data = np.array([[1, 2, 3], [4, 5, 6]])data.dtypedtype('int32')float_data = data.astype(np.float64) # 數(shù)據(jù)類型轉(zhuǎn)換為float64float_data.dtypedtype('float64')float_data = np.array([1.2, 2.3, 3.5])float_dataarray([1.2, 2.3, 3.5])int_data = float_data.astype(np.int64) # 數(shù)據(jù)類型轉(zhuǎn)換為int64int_dataarray([1, 2, 3], dtype=int64)str_data = np.array(['1', '2', '3'])int_data = str_data.astype(np.int64)int_dataarray([1, 2, 3], dtype=int64)

1.4 數(shù)組運(yùn)算

1.4.1 向量化運(yùn)算

import numpy as npdata1 = np.array([[1, 2, 3], [4, 5, 6]])data2 = np.array([[1, 2, 3], [4, 5, 6]])data1 + data2 # 數(shù)組相加array([[ 2, 4, 6],[ 8, 10, 12]])data1 * data2 # 數(shù)組相乘array([[ 1, 4, 9],[16, 25, 36]])data1 - data2 # 數(shù)組相減array([[0, 0, 0],[0, 0, 0]])data1 / data2 # 數(shù)組相除array([[1., 1., 1.],[1., 1., 1.]])

1.4.2 數(shù)組廣播

numpy 數(shù)組間的基礎(chǔ)運(yùn)算是一對(duì)一，也就是a.shape==b.shape，但是當(dāng)兩者不一樣的時(shí)候，就會(huì)自動(dòng)觸發(fā)廣播機(jī)制，如下例子：

import numpy as nparr1 = np.array([[0], [1], [2], [3]])arr1.shape(4, 1)arr2 = np.array([1, 2, 3])arr2.shape(3,)arr1 + arr2array([[1, 2, 3],[2, 3, 4],[3, 4, 5],[4, 5, 6]])

到這里，我們來給出一張圖：

也可以看這張圖：

1.4.3 數(shù)組與標(biāo)量間的運(yùn)算

import numpy as npdata1 = np.array([[1, 2, 3], [4, 5, 6]])data2 = 10data1 + data2 # 數(shù)組相加array([[11, 12, 13],[14, 15, 16]])data1 * data2 # 數(shù)組相乘array([[10, 20, 30],[40, 50, 60]])data1 - data2 # 數(shù)組相減array([[-9, -8, -7],[-6, -5, -4]])data1 / data2 # 數(shù)組相除array([[0.1, 0.2, 0.3],[0.4, 0.5, 0.6]])

1.5 ndarray 的索引和切片

1.5.1 整數(shù)索引和切片的基本使用

我們一起來來總結(jié)一下，看下面切片取值方式（對(duì)應(yīng)顏色是取出來的結(jié)果）：

import numpy as nparr = np.arange(8) # 創(chuàng)建一個(gè)一維數(shù)組arrarray([0, 1, 2, 3, 4, 5, 6, 7])arr[5] # 獲取索引為5的元素5arr[3:5] # 獲取索引為3~5的元素，但不包括5array([3, 4])arr[1:6:2] # 獲取索引為1~6的元素，步長為2array([1, 3, 5])import numpy as nparr2d = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) # 創(chuàng)建二維數(shù)組arr2darray([[1, 2, 3],[4, 5, 6],[7, 8, 9]])arr2d[1] # 獲取索引為1的元素array([4, 5, 6])arr2d[0, 1] # 獲取位于第0行第1列的元素2arr2d[:2]array([[1, 2, 3],[4, 5, 6]])arr2d[0:2, 0:2]array([[1, 2],[4, 5]])arr2d[1, :2]array([4, 5])

1.5.2 花式（數(shù)組）索引的基本使用

import numpy as npdemo_arr = np.empty((4, 4)) # 創(chuàng)建一個(gè)空數(shù)組 for i in range(4):demo_arr[i] = np.arange(i, i + 4) # 動(dòng)態(tài)地為數(shù)組添加元素demo_arrarray([[0., 1., 2., 3.],[1., 2., 3., 4.],[2., 3., 4., 5.],[3., 4., 5., 6.]])demo_arr[[0, 2]] # 獲取索引為[0,2]的元素array([[0., 1., 2., 3.],[2., 3., 4., 5.]])demo_arr[[1, 3], [1, 2]] # 獲取索引為(1,1)和(3,2)的元素array([2., 5.])

1.5.3 布爾型

# 存儲(chǔ)學(xué)生姓名的數(shù)組 student_name = np.array(['Tom', 'Lily', 'Jack', 'Rose'])student_namearray(['Tom', 'Lily', 'Jack', 'Rose'], dtype='<U4')# 存儲(chǔ)學(xué)生成績的數(shù)組 student_score = np.array([[79, 88, 80], [89, 90, 92], [83, 78, 85], [78, 76, 80]])student_scorearray([[79, 88, 80],[89, 90, 92],[83, 78, 85],[78, 76, 80]])# 對(duì)student_name和字符串“Jack”通過運(yùn)算符產(chǎn)生一個(gè)布爾型數(shù)組 student_name == 'Jack'array([False, False, True, False])# 將布爾數(shù)組作為索引應(yīng)用于存儲(chǔ)成績的數(shù)組student_score， # 返回的數(shù)據(jù)是True值對(duì)應(yīng)的行 student_score[student_name=='Jack']array([[83, 78, 85]])student_score[student_name=='Jack', :1]array([[83]])

1.6 數(shù)組的轉(zhuǎn)置和軸對(duì)稱

arr = np.arange(12).reshape(3, 4)arrarray([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]])arr.T # 使用T屬性對(duì)數(shù)組進(jìn)行轉(zhuǎn)置array([[ 0, 4, 8],[ 1, 5, 9],[ 2, 6, 10],[ 3, 7, 11]])arr = np.arange(16).reshape((2, 2, 4))arrarray([[[ 0, 1, 2, 3],[ 4, 5, 6, 7]],[[ 8, 9, 10, 11],[12, 13, 14, 15]]])arr.transpose(1, 2, 0) # 使用transpose()方法對(duì)數(shù)組進(jìn)行轉(zhuǎn)置array([[[ 0, 8],[ 1, 9],[ 2, 10],[ 3, 11]],[[ 4, 12],[ 5, 13],[ 6, 14],[ 7, 15]]])arrarray([[[ 0, 1, 2, 3],[ 4, 5, 6, 7]],[[ 8, 9, 10, 11],[12, 13, 14, 15]]])arr.swapaxes(1, 0) # 使用swapaxes方法對(duì)數(shù)組進(jìn)行轉(zhuǎn)置array([[[ 0, 1, 2, 3],[ 8, 9, 10, 11]],[[ 4, 5, 6, 7],[12, 13, 14, 15]]])

1.7 NumPy 通用函數(shù)

arr = np.array([4, 9, 16])np.sqrt(arr)#開方array([2., 3., 4.])np.abs(arr)#求絕對(duì)值array([ 4, 9, 16])np.square(arr)#求平方array([ 16, 81, 256], dtype=int32)x = np.array([12, 9, 13, 15])y = np.array([11, 10, 4, 8])np.add(x, y) # 計(jì)算兩個(gè)數(shù)組的和array([23, 19, 17, 23])np.multiply(x, y) # 計(jì)算兩個(gè)數(shù)組的乘積array([132, 90, 52, 120])np.maximum(x, y) # 兩個(gè)數(shù)組元素級(jí)最大值的比較array([12, 10, 13, 15])np.greater(x, y) # 執(zhí)行元素級(jí)的比較操作array([ True, False, True, True])

1.8 利用 NumPy 數(shù)組進(jìn)行數(shù)據(jù)處理

1.8.1 將條件邏輯轉(zhuǎn)為數(shù)組運(yùn)算

arr_x = np.array([1, 5, 7])arr_y = np.array([2, 6, 8])arr_con = np.array([True, False, True])result = np.where(arr_con, arr_x, arr_y)resultarray([1, 6, 7])

1.8.2 數(shù)組統(tǒng)計(jì)運(yùn)算

arr = np.arange(10)arr.sum() # 求和45arr.mean() # 求平均值4.5arr.min() # 求最小值0arr.max() # 求最大值9arr.argmin() # 求最小值的索引0arr.argmax() # 求最大值的索引9arr.cumsum() # 計(jì)算元素的累計(jì)和array([ 0, 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32)arr.cumprod() # 計(jì)算元素的累計(jì)積array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int32)x = np.arange(1 , 16).reshape((3 , 5)) print(x)[[ 1 2 3 4 5][ 6 7 8 9 10][11 12 13 14 15]]np.diff(x,axis=1) #默認(rèn)axis=1array([[1, 1, 1, 1],[1, 1, 1, 1],[1, 1, 1, 1]])np.diff(x,axis=0)array([[5, 5, 5, 5, 5],[5, 5, 5, 5, 5]])np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])array([-1., -2., -1., -2., 0., 1., 1.])

看到?jīng)]，負(fù)數(shù)取整，跟上述的 around 一樣，是向左！

np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])array([ 2., 2., 2., 3., 2., -0., -0., -0.])

取上限！找這個(gè)小數(shù)的最大整數(shù)即可！

查找，利用 np.where 實(shí)現(xiàn)小于 0 的值用 0 填充嗎，大于 0 的數(shù)不變！

x = np.array([[1, 0],[2, -2],[-2, 1]]) print(x)[[ 1 0][ 2 -2][-2 1]]np.where(x>0,x,0)array([[1, 0],[2, 0],[0, 1]])

1.8.3 數(shù)組排序

arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]])arrarray([[6, 2, 7],[3, 6, 2],[4, 3, 2]])arr.sort()arrarray([[2, 6, 7],[2, 3, 6],[2, 3, 4]])arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]])arrarray([[6, 2, 7],[3, 6, 2],[4, 3, 2]])arr.sort(0) # 沿著編號(hào)為0的軸對(duì)元素排序arrarray([[3, 2, 2],[4, 3, 2],[6, 6, 7]])

1.8.4 檢索數(shù)組元素

arr = np.array([[1, -2, -7], [-3, 6, 2], [-4, 3, 2]])arrarray([[ 1, -2, -7],[-3, 6, 2],[-4, 3, 2]])np.any(arr > 0) # arr的所有元素是否有一個(gè)大于0Truenp.all(arr > 0) # arr的所有元素是否都大于0False

1.8.5 唯一化及其他集合邏輯

arr = np.array([12, 11, 34, 23, 12, 8, 11])np.unique(arr)array([ 8, 11, 12, 23, 34])np.in1d(arr, [11, 12])array([ True, True, False, False, True, False, True])

1.9 線性代數(shù)模塊

arr_x = np.array([[1, 2, 3], [4, 5, 6]])arr_y = np.array([[1, 2], [3, 4], [5, 6]])arr_x.dot(arr_y) # 等價(jià)于np.dot(arr_x, arr_y)array([[22, 28],[49, 64]])

1.10 隨機(jī)數(shù)模塊

import numpy as npnp.random.rand(3, 3) # 隨機(jī)生成一個(gè)二維數(shù)組array([[0.90422833, 0.57874299, 0.36084718],[0.46674697, 0.59189161, 0.88876503],[0.51836003, 0.30765097, 0.79668824]])np.random.rand(2, 3, 3) # 隨機(jī)生成一個(gè)三維數(shù)組array([[[0.21438832, 0.58877977, 0.86120009],[0.15222229, 0.53060997, 0.0562486 ],[0.88035435, 0.32505223, 0.9045713 ]],[[0.32907094, 0.88987195, 0.34523123],[0.90645746, 0.61257549, 0.83944649],[0.2015535 , 0.84522463, 0.87759584]]])import numpy as npnp.random.seed(0) # 生成隨機(jī)數(shù)的種子np.random.rand(5) # 隨機(jī)生成包含5個(gè)元素的浮點(diǎn)數(shù)組array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])np.random.seed(0)np.random.rand(5)array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])np.random.seed()np.random.rand(5)array([0.19299506, 0.41434116, 0.90011257, 0.37469705, 0.69775797])

備注：本文代碼可以在github下載