Numpy库的介绍及使用

1. Numpy库入门

Numpy是一个开源的Python科学计算基础库。

• 一个强大的N维数组对象ndarray
• 提供广播功能函数，用来在数组之间进行计算
• 整合C/C++/Fortran代码的工具
• NumPy是SciPy、Pandas等数据处理或科学计算库的基础

Numpy的引用：

import numpy as np

其中 as np 为引入模块的别名，可省略或者更改，但是建议使用上述约定的别名。

1.1 数据的维度

• 一维数据：一维数据由对等关系的有序或无序数据构成，采用线性方式组织。对应python中列表、集合类型。

• 二维数据：二维数据由多个一维数据构成，是一维数据的组合形式。表格是典型的二维数据，其中表头是二维数据的一部分，对应python中列表类型。

• 多维数据：多维数据由一维或者二维数据在新维度上的扩展，比如表格在时间维度上的扩展，对应python中列表类型。

• 高维数据：高维数据仅利用最基本的二元关系展示数据间的复杂结构，对应python中字典类型或数据表示格式（JSON、XML、YAML格式）。

dict = {
    
    
	"firstName": "Richard",
	"lastName" : "Lee",
	"address"  : {
    
    
					"city"    : "长沙"，
					"zipcode" : "100081"
				}
}

1.2 ndarray的优势

python既然有列表数据类型了，并且可以表示一维数据、多维数据，为什么还需要一个ndarray数据对象（类型）呢？

举一个简单的例子：计算 $A^2+B^3$ ，其中 A 和 B 都是一维数组

• 不使用Numpy：

def pySum():
	a = [0, 1, 2, 3, 4]
	b = [9, 8, 7, 6, 5]
	c = []
	for i in range (len(a)): # 需要使用for循环
		c.append(a[i]**2 + b[i]**3)
	return c
print (pySum())

• 使用Numpy：

import numpy as np
def pySum():
	a = np.array([0, 1, 2, 3, 4])
	b = np.array([9, 8, 7, 6, 5])
	c = a**2 + b**3  # 把一维数组a,b直接当作两个基本数据进行运算
	return c
print (pySum())

• 数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。
• 设置专门的数组对象,经过优化,可以提升这类应用的运算速度。
• ndarray是一个多维数组对象，由两部分组成：
  • 实际的数据
  • 描述这些数据的元数据（数据维度、数据类型等）
  • ndarray数组一般要求所有元素类型是相同（同质）

ndarray实例

注意：在执行12行的时候不要少了个 [] ，
a = np.array([[1,2],[3,4]]) ✔
a = np.array([1,2],[3,4]) ❌ ， 这里需要将整个列表 [[1,2],[3,4]] 转换成一个ndarray对象

1.3 ndarray对象的属性

举例如下：

1.4 ndarray数组的创建和变换

1.4.1 ndarray数组的创建方法

• 从Python中的列表、元组等类型创建ndarray数组
• 使用NumPy中函数创建ndarray数组，如：arange，ones，zeros等
• 从字节流(raw bytes)中创建ndarray数组
• 从文件中读取特定格式，创建ndarray数组

（1） 从Python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)

当np.array()不指定dtype时,NumPy将根据数据情况关联一个dtype类型。

（2）使用NumPy中函数创建ndarray数组，如：arange，ones，zeros等，如下图：

举例如下：

注意：

• np.arange()默认生成的是元素是整数类型的
• np.ones()、np.zeros()、np.eyes()默认生成的是浮点类型的（可通过指定dtype改变数据类型）
• np.ones((2,3,4)) 表示最外层有2个元素，每个元素有3个维度，每个维度下又有4个元素

在进行大规模的科学计算时常使用到的函数如下：

举例如下：

注意：

• np.linspace(1,10,4,endpoint=False) 中 1 表示起始的位置 10 表示的是结束的位置, 4 表示有几个数字 , endpoint=False 表示不包括结束的数据。
• numpy大部分函数默认都生成浮点数，因为用于科学计算的数据很多都是浮点类型。

1.4.2 ndarray数组维度的变换

• .reshape(shape)：不改变数组元素，返回一个shape形状的数组，原数组不变
• .resize(shape)：与 .reshape() 功能一致，但是修改原数组
• .flatten()：对数组进行降维，返回折叠后的一维数组，原数组不变

.reshape() 和 .resize()相同点是都不改变数组元素，不同点是.reshape()不改变原数组，.resize()是修改了原数组。举例如下：

利用 .flatten() 函数对数组进行降维，返回折叠后的一维数组，原数组不变，举例如下：

利用astype() 函数对ndarray数组进行类型变换，astype()方法一定会创建新的数组(原始数据的一个拷贝），即使两个类型一致。举例如下：

ndarray数组向列表的转换，列表是python中最原始的数据类型，虽然运算速度比numpy慢很多，但是与原生的python语言相适应的程序中，这种转换也是十分常见的

1.5 ndarray数组的索引和切片

• 一维数组的索引和切片

• 多维数组的索引

• 多维数组的切片

注意：从左到右索引时起始位置是从0开始的，从右到左索引时起始位置是从-1开始的。

1.6 ndarray数组的运算

• 数组与标量之间的运算
  数组与标量之间的运算作用于数组的每一个元素
• numpy一元函数

• numpy二元函数

2. 数据存取与函数

• CSV文件（Comma-Separated Value，逗号分隔值）

2.1 CSV存取数据

（1）CSV写入数据：np.savetxt()

np.savetxt(fname, array, fmt='%.18e', delimiter=None)

• 参数说明：

  • fname：写入的文件、字符串或产生器，可以是.gz或bz.2的压缩文件
  • array：存入文件的数组
  • fmt：写入文件的格式，例如%d、%.2f、%.18e
  • delimiter：分割字符串，默认是任何空格

• CSV写入数据举例

（2）CSV读入数据：np.loadtxt()

np.loadtxt(fname, dtype=np.float, delimiter=None, unpack=False)

• 参数说明：

  • fname：指定读入的文件来源，可以是文件、字符串或产生器，也可以是.gz或.bz2的压缩文件
  • dtype：数据类型，可选
  • delimiter：分割字符串，默认是任何空格
  • unpack：如果是True，读入属性将分别写入不同变量

• CSV读入数据举例

注意：CSV文件的局限性表现在只能有效存储一维和二维数组

2.2 多维数据的存取

（1）多维写入数据：tofile()

a.tofile(fname, sep='', format='%s')

• 参数说明：

  • fname：文件、字符串
  • sep：数据分割字符串，如果是空格，写入文件为二进制
  • format：写入数据的格式

• 多维写入数据 tofile() 举例

注意：tofile()方法只是将数组中的元素逐一列出并输出到这个文件中，而没有包含任何的维度信息

（2）多维读入数据：np.fromfile()

np.fromfile(fname, dtype=float, count=-1, sep='')

• 参数说明：

  • fname：文件、字符串
  • dtype：读取的数据类型
  • count：读入元素个数，-1表示读入整个文件
  • sep：数据分割字符串，如果是空串，写入文件为二进制

• 多维读入数据 np.fromfile() 举例

注意：该方法需要读取时知道存入文件时数组的维度和元素类型; a.tofile()和np.fromfile()需要配合使用;可以通过元数据文件来存储额外信息(尤其针对大规模数据的存取)

2.3 numpy的便捷文件存取

• 写入数据 np.save() 或 np.savez()

np.save(fname,array)或np.savez(fname,array)

• 参数说明：

  • fname：文件名，以 .npy 为扩展名，压缩扩展名为 .npz
  • array：数据变量

• 读入数据 np.load()

np.load(fname)

• 参数说明：

  • fname：文件名，以 .npy 为扩展名，压缩扩展名为 .npz

• np.save() 和 np.load() 举例

2.4 numpy随机数函数

• np.random的随机数函数：

rand(d0,d1,...,dn)  # 均匀分布
randn(d0,d1,...,dn) # 正态分布
randint(low[,high,shape) # 指定范围
seed(s)             # 随机数种子

• seed(s)举例：

2.5 numpy统计函数

numpy直接提供的统计类函数，通过 np.* 来调用，比如 np.std()、np.average() 等

sum(a,axis=None)  # 根据axis计算数组a相关元素之和
mean(a,axis=None) # 根据axis计算数组a相关元素的期望
average(a,axis=None,weights=None) # 根据axis计算数组a相关元素的加权平均值
std(a,axis=None) # 根据axis计算数组a相关元素的标准差
var(a,axis=None) # 根据axis计算数组a相关元素的方差

sum()、mean()、average()、std()、var() 函数举例：

2.6 numpy梯度函数

np.gradient(f)  # 计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

梯度函数 gradient() 举例：