网上看到一份挺详细的Numpy教程,正好之前对相关API没有系统整理过,此篇来抽取一些有用的内容进行整理,以便后续使用时查阅。 参考教程:https://github.com/datawhalechina/powerful-numpy
直接通过一个列表来创建数据,可以使用dtype
来指定数据类型。
# 创建一维数据
np.array([1,2,3])
# 创建二维数据
np.array([[1, 2, 3], [4, 5, 6]])
# 指定数据类型
np.array([1, 2, 3], dtype=np.float16)
np.array([1, 2, 3], dtype=np.int32)
# 创建3x4的整型数据
np.arange(12).reshape(3, 4)
"""
输出:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
"""
# 创建4x3的浮点型数据
np.arange(12.0).reshape(4, 3)
"""
输出:
array([[ 0., 1., 2.],
[ 3., 4., 5.],
[ 6., 7., 8.],
[ 9., 10., 11.]])
"""
linspace即线性插值:需要传递3个参数:开头,结尾,数量; 与之类似,还有指数线性插值np.logspace
np.linspace(0, 9, 10).reshape(2, 5)
"""
array([[0., 1., 2., 3., 4.],
[5., 6., 7., 8., 9.]])
"""
生成全1矩阵
np.ones((2, 3))
"""
array([[1., 1., 1.],
[1., 1., 1.]])
"""
生成全0矩阵
np.zeros((2,3,4))
"""
array([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
"""
np.zeros_like(np.ones((2,3,3)))
"""
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]])
"""
生成各随机数
# 0-1 连续均匀分布
np.random.rand(2, 3)
# 单个数
np.random.rand()
# 指定上下界的连续均匀分布
np.random.uniform(-1, 1, (2, 3))
# 随机整数(离散均匀分布),不超过给定的值(10)
np.random.randint(10, size=2)
# 正态分布
np.random.randn(2, 4)
# 高斯分布
np.random.normal(0, 1, (3, 5))
# 直接将给定矩阵存为 a.npy
np.save('./data/a', np.array([[1, 2, 3], [4, 5, 6]]))
# 可以将多个矩阵存在一起,名为 `b.npz`
np.savez("./data/b", a=np.arange(12).reshape(3, 4), b=np.arange(12.).reshape(4, 3))
# 加载单个 array
np.load("data/a.npy")
# 加载多个,可以像字典那样取出对应的 array
arr = np.load("data/b.npz")
arr["a"]
arr["b"]
返回维度
arr.ndim
形状,返回一个 Tuple
arr.shape
返回数据量
arr.size
返回最大值
# 按维度(列)最大值
arr.max(axis=0)
# 按维度(行)最大值
arr.max(axis=1)
返回最小值
# 按维度(列)最小值
arr.min(axis=0)
# 按维度(行)最小值
arr.min(axis=1)
返回中位数
np.median(arr)
返回分位数
# 分位数,按列取1/4数
np.quantile(arr, q=0.25, axis=0)
# 分位数,按行取 3/4,同时保持维度
np.quantile(arr, q=0.75, axis=1, keepdims=True)
计算平均值
# 平均值
np.average(arr)
# 按维度平均(列)
np.average(arr, axis=0)
求和
np.sum(arr, axis=1)
# 按列累计求和
np.cumsum(arr, axis=0)
# 按行累计求和
np.cumsum(arr, axis=1)
计算标准差和方差
# 按列求标准差
np.std(arr, axis=0)
# 按行求方差
np.var(arr, axis=1)
将一个array展平
# 将多维array展平
arr.ravel()
扩展维度
# 扩展 1 个维度,需要(必须)指定维度
# 其实就是多嵌套了一下
np.expand_dims(arr, 1)
去除维度
# 如果指定了维度,那就只会去除该维度,指定的维度必须为 1
# 如果不指定,就去除所有为1的维度
np.squeeze(expanded, axis=1).shape
改变形状
# reshape 成另一个形状
arr.reshape(2, 2, 3)
矩阵转置
arr
'''
array([[ 9, 77, 65],
[44, 43, 86],
[ 9, 70, 20],
[10, 53, 97]])
'''
arr.T
"""
array([[ 9, 44, 9, 10],
[77, 43, 70, 53],
[65, 86, 20, 97]])
"""
拼接
arr1 = rng.random((2, 3))
arr2 = rng.random((2, 3))
arr1, arr2
"""
arr1, arr2
(array([[0.77395605, 0.43887844, 0.85859792],
[0.69736803, 0.09417735, 0.97562235]]),
array([[0.7611397 , 0.78606431, 0.12811363],
[0.45038594, 0.37079802, 0.92676499]]))
"""
# 默认沿axis=0(列)连接
np.concatenate((arr1, arr2))
"""
array([[0.77395605, 0.43887844, 0.85859792],
[0.69736803, 0.09417735, 0.97562235],
[0.7611397 , 0.78606431, 0.12811363],
[0.45038594, 0.37079802, 0.92676499]])
"""
# 沿 axis=1(行)连接
np.concatenate((arr1, arr2), axis=1)
"""
array([[0.77395605, 0.43887844, 0.85859792, 0.7611397 , 0.78606431,
0.12811363],
[0.69736803, 0.09417735, 0.97562235, 0.45038594, 0.37079802,
0.92676499]])
"""
堆叠
# 堆叠,默认根据 axis=0 进行
np.stack((arr1, arr2))
"""
array([[[0.77395605, 0.43887844, 0.85859792],
[0.69736803, 0.09417735, 0.97562235]],
[[0.7611397 , 0.78606431, 0.12811363],
[0.45038594, 0.37079802, 0.92676499]]])
"""
重复
arr
"""
array([[0, 7, 6, 4],
[4, 8, 0, 6],
[2, 0, 5, 9]])
"""
# 在 axis=0(沿着列)上重复 2 次
np.repeat(arr, 2, axis=0)
"""
array([[0, 7, 6, 4],
[0, 7, 6, 4],
[4, 8, 0, 6],
[4, 8, 0, 6],
[2, 0, 5, 9],
[2, 0, 5, 9]])
"""
# 在 axis=1(沿着行)上重复 3 次
np.repeat(arr, 3, axis=1)
"""
array([[0, 0, 0, 7, 7, 7, 6, 6, 6, 4, 4, 4],
[4, 4, 4, 8, 8, 8, 0, 0, 0, 6, 6, 6],
[2, 2, 2, 0, 0, 0, 5, 5, 5, 9, 9, 9]])
"""
拆分
arr
"""
array([[ 9, 77, 65, 44],
[43, 86, 9, 70],
[20, 10, 53, 97],
[73, 76, 72, 78],
[51, 13, 84, 45],
[50, 37, 19, 92]])
"""
# 默认切分列(axis=0),切成 3 份
np.split(arr, 3)
"""
[array([[ 9, 77, 65, 44],
[43, 86, 9, 70]]),
array([[20, 10, 53, 97],
[73, 76, 72, 78]]),
array([[51, 13, 84, 45],
[50, 37, 19, 92]])]
"""
# (axis=1)切分行
np.split(arr, 2, axis=1)
[array([[ 9, 77],
[43, 86],
[20, 10],
[73, 76],
[51, 13],
[50, 37]]),
array([[65, 44],
[ 9, 70],
[53, 97],
[72, 78],
[84, 45],
[19, 92]])]
返回各维度符合条件的index
arr
"""
array([[ 9, 77, 65, 44],
[43, 86, 9, 70],
[20, 10, 53, 97]])
"""
# 返回满足条件的索引,因为是两个维度,所以会返回两组结果
np.where(arr > 50)
"""
(array([0, 0, 1, 1, 2, 2]), array([1, 2, 1, 3, 2, 3]))
"""
# 不满足条件的赋值,将 <=50 的替换为 -1
np.where(arr > 50, arr, -1)
"""
array([[-1, 77, 65, -1],
[-1, 86, -1, 70],
[-1, -1, 53, 97]])
"""
在array中提取指定条件的值
# 提取指定条件的值
np.extract(arr > 50, arr)
"""
array([77, 65, 86, 70, 53, 97])
"""
提取唯一值
np.unique(arr)
"""
array([ 9, 10, 20, 43, 44, 53, 65, 70, 77, 86, 97])
"""
提取最大值下标
# 按列(axis=0)最大值的 Index
np.argmax(arr, axis=0)
提取最小值下标
# 按行(axis=1)最小值的 Index
np.argmin(arr, axis=1)
# +-*/ 四则运算,就跟两个数字计算一样
arr * 2
# 平方运算
arr ** 2
# 开方
np.sqrt(arr)
# log
np.log(arr)
# mod <=> x % 3
np.mod(arr, 3)
# 超过5的都换成5
np.minimum(arr, 5)
# 低于5的都换成5
np.maximum(arr, 5)
# 四舍五入
np.round(np.sqrt(arr), 2)
# 向下取整
np.floor(np.sqrt(arr))
# 向上取整
np.ceil(np.sqrt(arr))
a, b
"""
array([[1, 7],
[6, 4],
[4, 8]]),
array([[1, 7, 2, 1],
[5, 9, 7, 7]])
"""
# array 乘法
np.dot(a, b)
"""
array([[ 36, 70, 51, 50],
[ 26, 78, 40, 34],
[ 44, 100, 64, 60]])
"""
# 或者这样乘
a.dot(b)
"""
array([[ 36, 70, 51, 50],
[ 26, 78, 40, 34],
[ 44, 100, 64, 60]])
"""
# 矩阵乘法
# 与 dot 的主要区别是:matmul 矩阵(好像元素一样)堆叠在一起广播
np.matmul(a, b)
"""
array([[ 36, 70, 51, 50],
[ 26, 78, 40, 34],
[ 44, 100, 64, 60]])
"""
# 同上,写起来比较好看的方法
a @ b
"""
array([[ 36, 70, 51, 50],
[ 26, 78, 40, 34],
[ 44, 100, 64, 60]])
"""
# 点积
np.vdot(a, a)
"""
182
"""
# 内积
np.inner(a, a)
"""
array([[50, 34, 60],
[34, 52, 56],
[60, 56, 80]])
"""
# 内积另一种计算方法
a.dot(a.T)
"""
array([[50, 34, 60],
[34, 52, 56],
[60, 56, 80]])
"""
# 行列式
np.linalg.det(c)
"""
-19.999999999999996
"""
# 逆矩阵(方阵)
np.linalg.inv(c)
"""
array([[ 0.2 , -0.2 , 0. ],
[-1.05, 0.55, 1.25],
[ 1.6 , -0.6 , -2. ]])
"""
本篇根据自己的实际应用筛选了一部分常用的numpy的API,如需了解更多内容,可以查阅官方文档。