背景#

NumPy（Numerical Python）诞生已经过去了 15 年，前一段时间NumPy 核心开发团队的论文终于发表，详细介绍了使用 NumPy 的数组编程（Array programming），并且登上了Nature 。

NumPy 是什么？它是大名鼎鼎的使用 Python 进行科学计算的基础软件包，是 Python 生态系统中数据分析、机器学习、科学计算的主力军，极大简化了向量与矩阵的操作处理。

功能强大的 N 维数组对象

精密广播功能函数

集成 C/C++ 和 Fortran 代码的工具

强大的线性代数、傅立叶变换和随机数功能

在平时数据处理中，大部分人用的都是Pandas，用Numpy的场景可能比较少，但是Pandas是基于Numpy实现的更高级的库，使大家用起来更方便。但在做深度学习时用Numpy比较多，比如：图像处理，图片里面其实都是Numpy数组；音频处理；文本处理等等。

下面为大家介绍一些Numpy的常用基础

Numpy基础#

安装
由于Numpy是第三方库，默认是不集成在Python里面，所以就需要手动安装一下：如果你安装的是Anaconda，那么就不用再安装了，请忽略如果你是从官方网站下载的Python，那么你就需要手动安装一下这个库

1
#指定阿里云镜像，安装更快
2
pip install numpy -i https://mirrors.aliyun.com/pypi/simple/

导入
默认成规，numpy导入后命名为 np，所以在python脚本（程序）里面看见np一般都是代表numpy

1
import numpy as np

认识Ndarray
计算机里面能计算的就是数字，也就是数学里面的各种数字，我们都知道数学里面的数组可以有多层，也就是多维，1维就是向量，2维就是矩阵，3维就是 $x y z$ 坐标轴构成的空间（形象理解），但体现在numpy中就是N 维数组对象 ndarray，它是一系列同类型数据的集合。

1维：

1
>>> import numpy as np
2
>>> a=np.array([1,2,3,4])
3
>>> print(a)
4
[1 2 3 4]
5
>>> type(a)
6
<class 'numpy.ndarray'>
7
>>> a.ndim
8
1

2维：

1
>>> import numpy as np
2
>>> b=np.array([[1,2,3],[4,5,6]])
3
>>> print(b)
4
[[1 2 3]
5
 [4 5 6]]
6
>>> type(b)
7
<class 'numpy.ndarray'>
8
>>> b.ndim
9
2

切片和索引
切片、索引与python内置的列表、字符串的切片和索引基本一样，如果理解了列表的切片和索引，那么ndarray对象就不在话下

1
>>> import numpy as np
2
>>> a=np.arange(10)
3
>>> print(a)
4
[0 1 2 3 4 5 6 7 8 9]
5
>>> type(a)
6
<class 'numpy.ndarray'>
7
>>> a.ndim
8
1
9
>>> a[:5]
10
array([0, 1, 2, 3, 4])
11
>>> a[7:]
12
array([7, 8, 9])
13
>>> a[3:6]
14
array([3, 4, 5])
15
>>> a[::2]
16
array([0, 2, 4, 6, 8])
17
>>> a[::-1]
18
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
19

20
>>> a[0]
21
0
22
>>> a[5]
23
5

数组操作

修改数组形状

1
>>> import numpy as np
2
>>> a=np.arange(10)
3
>>> print(a)
4
[0 1 2 3 4 5 6 7 8 9]
5
>>> type(a)
6
<class 'numpy.ndarray'>
7
>>> a.ndim
8
1
9
>>> b=a.reshape(5,2)
10
>>> print(b)
11
[[0 1]
12
 [2 3]
13
 [4 5]
14
 [6 7]
15
 [8 9]]
16
>>> b.ndim
17
2
18
>>> c=a.reshape(2,5)
19
>>> print(c)
20
[[0 1 2 3 4]
21
 [5 6 7 8 9]]
22
>>> c.ndim
23
2

数组转置

1
>>> import numpy as np
2
>>> a=np.arange(12).reshape(3,4)
3
>>> print(a)
4
[[ 0  1  2  3]
5
 [ 4  5  6  7]
6
 [ 8  9 10 11]]
7
>>> np.transpose(a)
8
array([[ 0,  4,  8],
9
       [ 1,  5,  9],
10
       [ 2,  6, 10],
11
       [ 3,  7, 11]])
12
>>> a.T
13
array([[ 0,  4,  8],
14
       [ 1,  5,  9],
15
       [ 2,  6, 10],
16
       [ 3,  7, 11]])

数组连接
concatenate、stack、hstack、vstack这个几个函数均是数组连接，原理基本都一样，只要理解了其中一个，其他的都很好理解，这里只介绍concatenate

1
>>> import numpy as np
2
>>> a=np.array([[1,2],[3,4]]
3
... )
4
>>> b=np.array([[5,6],[7,8]])
5
>>> np.con
6
np.concatenate( np.conj(        np.conjugate(   np.convolve(
7
>>> np.concatenate([a,b],axis=0)   #沿着0轴拼接
8
array([[1, 2],
9
       [3, 4],
10
       [5, 6],
11
       [7, 8]])
12
>>> np.concatenate([a,b],axis=1)   #沿着1轴拼接
13
array([[1, 2, 5, 6],
14
       [3, 4, 7, 8]])

修改数组维度

1
>>> import numpy as np
2
>>> x=np.array([1,2])
3
>>> np.expand_dims(x,axis=0)
4
array([[1, 2]])
5
>>> np.expand_dims(x,axis=1)
6
array([[1],
7
       [2]])
8
>>> y=np.array([[1,2]])
9
>>> np.squeeze(y)    #从给定数组的形状中删除一维，当前维必须等于1
10
array([1, 2])

数组计算

1
>>> import numpy as np
2
>>> a1=np.array([1,2,3,4])
3
>>> a2=np.array([5,5,5,5])
4
>>> a1+a2
5
array([6, 7, 8, 9])
6
>>> np.add(a1,a2)
7
array([6, 7, 8, 9])
8
>>> a1-a2
9
array([-4, -3, -2, -1])
10
>>> np.subtract(a1,a2)
11
array([-4, -3, -2, -1])
12
>>> a1*a2
13
array([ 5, 10, 15, 20])
14
>>> np.multiply(a1,a2)
15
array([ 5, 10, 15, 20])
16
>>> a1/a2
17
array([0.2, 0.4, 0.6, 0.8])
18
>>> np.divide(a1,a2)
19
array([0.2, 0.4, 0.6, 0.8])

历史相关文章#

以上是自己实践中遇到的一些问题，分享出来供大家参考学习，欢迎关注微信公众号DataShare，不定期分享干货