numpy（numerical python）是一個(gè)開(kāi)源的 Python 科學(xué)計(jì)算庫(kù)担映，支持大量的數(shù)組與矩陣運(yùn)算持痰，并為其提供了大量的數(shù)學(xué)函數(shù)修陡。numpy 是用 C 語(yǔ)言開(kāi)發(fā)的姓赤，比 Python 的自帶數(shù)據(jù)結(jié)構(gòu) Tuple赡译、List、Dictionary 和 Set 都要快不铆。另外 numpy 是屬于 Python 的擴(kuò)展程序庫(kù)蝌焚，也即是第三方庫(kù)，所以以前沒(méi)有安裝 numpy 庫(kù)的小伙伴們需要先安裝 numpy誓斥。由于 numpy 庫(kù)是一個(gè)科學(xué)計(jì)算庫(kù)只洒，所以在本篇我們將采用 Anaconda 中自帶的 jupyter notebook 來(lái)給小伙伴們演示 numpy 的各種方法。如果有不了解 Anaconda 的小伙伴劳坑，可以先了解一下：http://www.reibang.com/p/68f0565c7036

首先定義一個(gè)二維列表 arr（類(lèi)型為L(zhǎng)ist[List[int]]）毕谴，然后通過(guò) numpy 的 np.array 方法將 Python 列表 arr 轉(zhuǎn)成 numpy 中的數(shù)組 arr1（類(lèi)型為ndarray）：

In [1]:  import numpy as np
         arr = [[1,2,3],[2,3,4]]
         arr1 = np.array(arr)
         arr1

Out [1]:  array([[1, 2, 3],
          [2, 3, 4]])

接著我們調(diào)用 size 函數(shù)查看 arr1 元素的個(gè)數(shù)：

In [2]:  print(arr1.size)

Out [2]: 6

然后我們可以通過(guò) shape 函數(shù)查看 arr1 的形狀：

In [3]:  print(arr1.shape)

Out [3]: (2, 3)

我們可以將 List 轉(zhuǎn)成 ndarray，并指定 ndarray 元素的類(lèi)型為 int：

In [4]:  a = np.array([2,42,11,3],dtype=np.int)
         print(a.dtype)

Out [4]: int64

同樣地距芬，我們也可以指定 ndarray元素類(lèi)型為 float：

In [5]:  a = np.array([2,42,11,3],dtype=np.float)
         print(a.dtype)

Out [5]: float64

我們可以通過(guò) zeros 函數(shù)填充一個(gè)3行4列的矩陣：

In [6]:  a = np.zeros((3,4)) 
         print(a)

Out [6]:  [[0. 0. 0. 0.]
          [0. 0. 0. 0.]
          [0. 0. 0. 0.]]

常用的還有使用 ones 函數(shù)填充矩陣：

In [7]:  a = np.ones((3,2),dtype=int) 
         print(a)

Out [7]:  [[1 1]
          [1 1]
          [1 1]]

使用 arange 函數(shù)生成一個(gè)10到20的數(shù)組涝开，步長(zhǎng)為2：

In [8]:  a = np.arange(10,20,2)
         print(a) 

Out [8]:  [10 12 14 16 18]

也可以使用 reshape 函數(shù)對(duì) arange 生成的數(shù)組重新定義形狀：

In [9]:  a = np.arange(12).reshape((3,4)) # np.arange(12) 表示生成一個(gè)從0到11的數(shù)組，共12個(gè)值框仔，步長(zhǎng)默認(rèn)為1
         print(a)

Out [9]:  [[ 0  1  2  3]
          [ 4  5  6  7]
          [ 8  9 10 11]]

通過(guò) linspace 函數(shù)可以切分?jǐn)?shù)據(jù)：

In [10]:  a = np.linspace(1,10,5) #從1到10舀武，切成5個(gè)段（區(qū)間）
          print(a)

Out [10]:  [ 1.    3.25  5.5   7.75 10.  ]

對(duì)數(shù)組按照元素進(jìn)行 加減乘除：

In [11]:  a = np.array([10,20,30,40])
          b = np.array([1,2,3,4])
          c = np.arange(4) #不包括4，從0 到 3 共4個(gè)元素
          print(a-b) #兩個(gè)數(shù)組中每個(gè)元素相減
          print(b+c) #兩個(gè)數(shù)組中每個(gè)元素相加
          print(b**2) #數(shù)組b的平方
          print(a*b) # 兩個(gè)數(shù)組相乘

Out [11]:  [ 9 18 27 36]
           [1 3 5 7]
           [ 1  4  9 16]
           [ 10  40  90 160]

random 函數(shù)可以生成0-1之間的隨機(jī)數(shù)值：

In [12]:  a = np.random.random((2,4)) #2行4列的隨機(jī)數(shù)（0-1）之間
          print(a)

Out [12]:  [[0.97164977 0.14426644 0.36158434 0.17456143]
           [0.04331342 0.18312231 0.2126627  0.17222228]]

我們可以通過(guò) sum 函數(shù)离斩、min 函數(shù)和 max 函數(shù)分別得到數(shù)組的各個(gè)元素的和银舱，最小值和最大值：

In [13]:  print(np.sum(a)) #a的元素之和 
          print(np.min(a)) #a的最小值 
          print(np.max(a)) #a的最大值

Out [13]:  2.2633826930383676
           0.043313416357604995
           0.9716497706841624

另外，如果聲明了 axis 參數(shù)跛梗，可以對(duì)數(shù)組的行或者列進(jìn)行統(tǒng)計(jì)：

In [14]:  print(np.sum(a,axis=1)) # axis=1代表行
          print(np.sum(a,axis=0)) #  axis=0代表列

Out [14]:  [1.65206198 0.61132071]
           [1.01496319 0.32738875 0.57424704 0.34678372]

當(dāng)然寻馏，也可以用 argmin 函數(shù)和 argmax 函數(shù)分別得到數(shù)組中最小值的索引和最大值的索引：

In [15]:  print(np.argmin(a)) #該矩陣最小值的索引 
          print(np.argmax(a)) #該矩陣最大值的索引

Out [15]:  4
           0

如果想輸出數(shù)組中所有非0元素的角標(biāo)，可以用 nonzero 函數(shù)：

In [16]:  print(np.nonzero(a)) #輸出所有非0元素的角標(biāo)

Out [16]:  (array([0, 0, 0, 0, 1, 1, 1, 1]), array([0, 1, 2, 3, 0, 1, 2, 3]))
                 注核偿，第一個(gè)數(shù)組代表行號(hào)诚欠，第二個(gè)數(shù)組代表列號(hào)

arange 函數(shù)也能生成一個(gè)倒序數(shù)值的數(shù)組：

In [17]:  a = np.arange(11,-1,-1).reshape((3,4)) #arange包括第一個(gè)值，不包括第二個(gè)值的區(qū)間，11- -1 是從11到0轰绵，-1代表遞減
          print(a)

Out [17]:  [[11 10  9  8]
           [ 7  6  5  4]
           [ 3  2  1  0]]

可以用 sort 函數(shù)對(duì)矩陣的每一行獨(dú)立排序：

In [18]:  print(np.sort(a))

Out [18]:  [[ 8  9 10 11]
            [ 4  5  6  7]
            [ 0  1  2  3]]

在一些機(jī)器學(xué)習(xí)算法中家乘，我們常常需要對(duì)矩陣進(jìn)行轉(zhuǎn)置運(yùn)算：

In [19]:  print(np.transpose(a)) #矩陣a的轉(zhuǎn)置

Out [19]:  [[11  7  3]
            [10  6  2]
            [ 9  5  1]
            [ 8  4  0]]

a.T 也同樣可以得到矩陣 a 的轉(zhuǎn)置：

In [20]:  print(a.T)

Out [20]:  [[11  7  3]
            [10  6  2]
            [ 9  5  1]
            [ 8  4  0]]

用矩陣a的轉(zhuǎn)置乘以矩陣a也是常見(jiàn)的運(yùn)算：

In [21]:  print((a.T).dot(a)) 

Out [21]:  [[179 158 137 116]
           [158 140 122 104]
           [137 122 107  92]
           [116 104  92  80]]

對(duì)訓(xùn)練數(shù)據(jù)預(yù)處理的時(shí)候，往往要對(duì)異常值進(jìn)行特殊處理藏澳，例如馍迄，對(duì)于矩陣a颈嚼，用數(shù)值9代替大于9的值，用5代替小于5的值：

In [22]:  print(np.clip(a,5,9))

Out [22]:  [[9 9 9 8]
            [7 6 5 5]
            [5 5 5 5]]

我們往往需要對(duì)矩陣中某一行或者某一列進(jìn)行操作：

In [23]:  print(a[2,:]) #相當(dāng)于取二維數(shù)組中角標(biāo)為2的一整行
          print(a[:,1]) #相當(dāng)于取二維數(shù)組中角標(biāo)為1的一整列

Out [23]:  [3 2 1 0]
           [10  6  2]

迭代矩陣中的每一行：

In [24]:  for row in a:
             print(row)

Out [24]:  [11 10  9  8]
           [7 6 5 4]
           [3 2 1 0]

迭代矩陣的每一列委粉，可以借助矩陣的轉(zhuǎn)置操作：

In [25]:  for col in a.T:
             print(col)

Out [25]:  [11  7  3]
           [10  6  2]
           [9 5 1]
           [8 4 0]

用迭代器遍歷矩陣的每一個(gè)元素：

In [26]:  for item in a.flat:
             print(item)
 
Out [26]:  11
           10
            9
            8
            7
            6
            5
            4
            3
            2
            1
            0

上下合并兩個(gè)數(shù)組：

In [27]:  a = np.array([1,1,1])
          b = np.array([2,2,2])
          print(np.vstack((a,b))) #vertical stack 上下合并野芒，把a(bǔ)和b作為兩個(gè)元素 (a,b)為T(mén)uple

Out [27]:  [[1 1 1]
            [2 2 2]]

左右合并兩個(gè)數(shù)組：

In [28]:  print(np.hstack((a,b))) #horizontal stack 左右合并

Out [28]:  [1 1 1 2 2 2]

在數(shù)組上新增一個(gè)軸蓄愁，變成矩陣：

In [29]:  print(a[:,np.newaxis]) #在列上新加一個(gè)軸  
          print(a[np.newaxis,:])  #在行上新加一個(gè)軸

Out [29]:  [[1]
            [1]
            [1]]
           [[1 1 1]]

我們可以通過(guò)新增加軸的方式將行向量轉(zhuǎn)成列向量：

In [30]:  a = np.array([1,1,1])[:,np.newaxis]
          b = np.array([2,2,2])[:,np.newaxis]
          a,b

Out [30]:  (array([[1],
                   [1],
                   [1]]), array([[2],
                   [2],
                   [2]]))

hstack 函數(shù)和 concatenate 函數(shù)均能左右合并兩個(gè)或多個(gè)列向量：

In [31]:  print(np.hstack((a,b,b)))
          print(np.concatenate((a,b,b),axis=1)) # axis表示左右合并

Out [31]:  [[1 2 2]
            [1 2 2]
            [1 2 2]]
           [[1 2 2]
            [1 2 2]
            [1 2 2]]

按照行的維度等量切割矩陣：

In [32]:  a = np.arange(12).reshape((3,4))
          print(a)
          print(np.split(a,3,axis=0)) # 矩陣a有3行，可以按照行切割成3塊狞悲，除不盡會(huì)報(bào)錯(cuò)

Out [32]:  [[ 0  1  2  3]
            [ 4  5  6  7]
            [ 8  9 10 11]]
           [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]

按照列的維度等量切割矩陣：

In [33]:  print(np.split(a,2,axis=1)) #有4列撮抓，可以分成兩塊 ，除不盡 會(huì)報(bào)錯(cuò)

Out [33]: [array([[0, 1],
                  [4, 5],
                  [8, 9]]), array([[ 2,  3],
                  [ 6,  7],
                  [10, 11]])] 

我們也可以按照需要不等量切割矩陣：

In [34]: print(np.split(a,[1,1,2],axis=1)) # 按照（1摇锋，1丹拯，2）的方式對(duì)矩陣a進(jìn)行按照列的維度切割

Out [34]:  [array([[0],
                   [4],
                   [8]]), array([], shape=(3, 0),             dtype=int64), array([[1],
                   [5],
                   [9]]), array([[ 2,  3],
                   [ 6,  7],
                   [10, 11]])]

另一種切割的方法：

In [35]:  print(np.vsplit(a,3)) #上下切分
          print(np.hsplit(a,2)) #左右切分

Out [35]:  [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
           [array([[0, 1],
                   [4, 5],
                   [8, 9]]), array([[ 2,  3],
                   [ 6,  7],
                   [10, 11]])]

本篇到這里就要結(jié)束了，以上就是我在工作學(xué)習(xí)中荸恕，用到的常見(jiàn)的 numpy 庫(kù)方法乖酬，小伙伴們想了解更多的 Python 知識(shí)，可以關(guān)注我的簡(jiǎn)書(shū)哦融求！