使用NumPy、Numba的简单使用(一)
使用NumPy、Numba的简单使用(一)
Numpy是python的一个三方库，主要是用于计算的，数组的算数和逻辑运算。与线性代数有关的操作。
很多情况下，我们可以与SciPy和 Matplotlib（绘图库）一起使用。来替代MatLab，下面我来来看一下numpy库的常见的一些操作。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
if __name__ == '__main__':
print(np.array([1, 2, 3]))我们可以看到我们的输出为[1,2,3]，类型为<class 'numpy.ndarray'>，我们可以将一个列表转化为数组。这里我也列出了一些最基本的用法
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
if __name__ == '__main__':
a = np.array(['1', '2', '3'])
print(a.size) # 数组的长度
print(a.shape) # 数组的结构
print(a.ndim) # 数组的维度
print(a.dtype) # 内部元素类型创建10行10列的数值为浮点1的矩阵
array_one = np.ones([10, 10])
快创建10行10列的数值为浮点0的矩阵
array_zero = np.zeros([10, 10])从现有的数据创建数组
- array(深拷贝)
- asarray(浅拷贝)
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
if __name__ == '__main__':
a = array_one = np.ones([10, 10])
b = np.asarray(a)
print(id(a))
print(id(b))
c = np.array(b)
print(id(c))说完了这些，我们应该对于numpy有了初步的认识，我们到这里知道了numpy.....原来是生成一个多维数组的玩意
我们再来深入的看一下numpy的内部信息吧。
NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
ndarray 对象是用于存放同类型元素的多维数组。
ndarray 中的每个元素在内存中都有相同存储大小的区域。
ndarray 内部由以下内容组成：
- 一个指向数据（内存或内存映射文件中的一块数据）的指针。
- 数据类型或 dtype，描述在数组中的固定大小值的格子。
- 一个表示数组形状（shape）的元组，表示各维度大小的元组。
- 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。
这里我们提到的了跨度，跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。注意这里是字节数，不是字符数。
创建一个 ndarray 只需调用 NumPy 的 array 函数即可，这里我们要说一个重要的属性，也是容易误解的属性->ndim，秩，即轴的数量或维度的数量，我们只记住他是维度的数量就ok了。
索引：
import numpy as np
if __name__ == '__main__':
a = np.arange(10)
print(a)
s = slice(2, 8, 2) # 从索引 2 开始到索引 8 停止，间隔为2，是一个左闭右开区间
print(a[s])切片：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
if __name__ == '__main__':
a = np.arange(10)
print(a)
print(a[2:8:2]) # 从索引 2 开始到索引 8 停止，间隔为 2,不包含8的一个左闭右开区间冒号 : 的解释：如果只放置一个参数，如 [2]，将返回与该索引相对应的单个元素。如果为 [2:]，表示从该索引开始以后的所有项都将被提取。如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。
切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它将返回包含行中元素的 ndarray。
a[...,n]) # 第n+1列元素a[n,...]) # 第n+1行元素#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
if __name__ == '__main__':
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])
print(a)
print(a[..., 2])
print(a[1, ...])高级索引：
NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]]
print(x)
print (y)在y的输出我们可以看到，我们对于X切片得到的y，其实[0，1，2]，[0,1,0]两个数组，我们得到的是第0,0;1,1;2,0三个数据。
布尔索引：
import numpy as np
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
print('我们的数组是：')
print(x)
print('\n')
# 现在我们会打印出大于 5 的元素
print('大于 5 的元素是：')
print(x[x > 5])我们得到的是所有大于5的元素。
最近搞了一个个人公众号，会每天更新一篇原创博文，java，python，自然语言处理相关的知识有兴趣的小伙伴可以关注一下。
