TOC

NumPy 基础

作者：
日期：
标签： Python 科学计算 NumPy

NumPy 提供了一个高效的数据结构（数组/矩阵）及对应运算支持，据说效率和 C 接近，是 Python 科学计算生态的基础。

1 Python 科学计算生态

科学计算包括的范围太广，可能由很多不同方向的库：生物，物理，天文。

这里列出几个基础性质的：

  • Numpy 基础数据计算功能，特点就是高效，简洁。
    避开了 Python 本身在计算方面的低效。
    可以说没有它打底，就没有当前的 Python 科学计算生态。
    我甚至认为，应该将这个库核心部分纳入 Python 标准库。
  • SciPy 科学计算，在 NumPy 基础之上提供更高级的科学计算功能，比如微积分、线性代数、傅立叶变换、信号处理、图像处理之类。
  • Pandas 统计、分析，同样基于 NumPy。
    封装 NumPy，提供 DataFrame 做基础数据结构。
  • SymPy 和上述几个库不同的是，它不是直接的数值计算，而是被称之为 “符号运算”，它更接近数学本身，各种公式求解，非常牛逼。
  • Matplotlib 绘图，或者叫数据可视化，也是科学计算时常用的功能，毕竟很多东西算出来是要给人看的。

2 array

NumPy 的基础数据结构是 ndarray，这个 array 函数返回一个 ndarray。

import numpy as np

# .array()  # list or array.array
a = np.array([[1, 2, 3], [4, 5, 6]])
a.shape
# (2, 3)
a.dtype
# dtype('int64')

# arange([start,] stop[, step,], dtype=None)
np.arange(10) # range

# np.linspace(start, stop, num=50,
#     endpoint=True, retstep=False, dtype=None, axis=0)
np.linspace(10)  # 将 [start, stop] 均分成 num 份

np.zeros(10)
np.ones(10)

# 线性矩阵：对角线为 1，其他为 0
# np.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')
# Return a 2-D array with ones on the diagonal and zeros elsewhere.
np.eye(10, 10)

# 值随机
# np.empty(shape, dtype=float, order='C')
# Return a new array of given shape and type, without initializing entries.
np.empty(10, 10)

索引，切片等操作都和原来 Python 一致，不过要注意的是多维数组有一点不同的地方：

a = np.empty((20, 30))
a[0,0]
a[1:5,2:6]

2.1 运算

a = np.arange(10, 20)
b = np.arange(30, 40)
# 加 减 乘 除 地板除 取余
#  +  -  *  /     //    %
# 逻辑运算: > >= == != < <=
a > 1
a // 1 ** 2
a + b
a * b

如果尺寸不一样，两个矩阵不能运算。

operands could not be broadcast together with shapes

2.2 一般操作

np.arange(100).reshape(20, 5)

a = np.arange(1900, 2100)
# a[(2050 > a > 2000)]
# ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
a[(a > 2000) & (a < 2500)]
a[(a > 2000) & (a < 2500) & (a % 2 == 0)]
a[(a % 4 == 0) & (a % 100 != 0)]

# a.any(axis=None, out=None, keepdims=False)
# a.all(axis=None, out=None, keepdims=False)

b = a.reshape(20, 10)
b[[1, 3, 5]] # 第 1，3，5 行
b[:,[1,5]]   # 所有行，第 1，5 列
b[:,:2]

b.shape = (10, 20)
b.resize(10, 20)
b.T # 转置
b.transpose()

c = a.reshape(4, 5, 10)
c.transpose(2，1，0) # 可以指定转置轴

np.dot(a.T, a)
np.sin(a)
np.exp(a)

a.sum()
a.sum(axis=1)
a.sum(0)

a.min()
a.max()
a.max(axis=1)
a.mean(axis=1)

a.cumsum()   # 累计和
a.cumsum(0)  # 按列累计和
a.cumsum(1)  # 按行累计和

a.reval()    # 扁平化
  • np.abs
  • np.sqrt
  • np.exp
  • np.log
  • np.ceil
  • np.floor 地板除
  • np.rint
  • np.trunc
  • np.modf
  • np.isnan
  • np.isinf
  • np.cos
  • np.sin

  • np.tan

  • np.add(x1, x2)

  • np.substract
  • np.multiply
  • np.divide
  • np.power
  • np.mod
  • np.maximum
  • np.minimum

2.3 统计

  • np.sum
  • np.mean 平均数
  • np.std 标准差
  • np.var 方差
  • np.min
  • np.max
  • np.argmin 最小值的索引
  • np.argmax 最大值的索引

3 random

np.random.rand(10, 5)     # random.random

np.random.randn(10, 5)    # 随机正态分布
# 标准正态分布 standard normal distribution
# 又称为 u 分布，以 0 为均值、以 1 为标准差的正态分布，记为 N0，1）

np.random.randint(10, 5)  # random.randint
# (a) => 一个 [0, a) 整数
# (a, b) => 一个 [a, b) 整数
# (a, b, c) => c 个 [a, b) 整数
# (a, b, (c, d))

np.random.random_sample(size)
# 下面三个是它的别名：
# np.random.random
# np.random.ranf
# np.random.sample

# 随机浮点数 (min, max, size)
np.random.uniform

# 和 random 模块同名方法作用相同
np.random.choice
np.random.shuffle

# 做种，和 random.seed 作用相同
np.random.seed()

4 数据类型

  • int
  • int0
  • int8
  • int16
  • int32
  • int64
  • integer
  • float
  • float16
  • float32
  • float64
  • float128

参考资料与拓展阅读

NumPy

Pandas

SciPy

SymPy

Matplotlib

发布于码厩技术博客的所有文章，除注明转载外，均为作者原创，欢迎转载，但必须注明出处。
尊重他人劳动，共创开源社区！转载请注明以下信息：
转载来源： 码厩技术博客 []
原文标题：NumPy 基础
原文地址：
知识共享许可协议