什么是Numpy？

Numpy 用于在数组中履行数学和逻辑运算。运用 NumPy 的首要意图是提高内存功率，它能够管理任何维度的很多数据。Numpy 用于履行数组和矩阵运算。

Numpy 能够履行矩阵运算、三角函数、线性代数、计算等等。

Numpy ndarray 供给多维数组对象。

Numpy中的数组有哪些类型？

标量 – 它只要单个元素0D。

向量 – 它有 n 个元素，可是，元素应该是行或列（简略地总结元素列表）1D。

矩阵 – 矩阵在2D行和列中保存值

Tensor-Tensor 有 n 维的行和列元素。

如何安装Numpy

运用 pip 安装 NumPy 包

pip install numpy

Pandas 和 Numpy 相得益彰，是两个最重要的 Python 库，假如你想了解Pandas，请查看我之前的Pandas文章：Python每日一库之Pandas

最重要的 Numpy 数据类型是什么？

• 一维数组

最重要的对象之一是称为 ndarray 的 N 维数组类型。

咱们能够将一维数组视为具有一个或多个元素的表的一列或一行：

存储在 ndarray 中的一切项目都必须是同一类型。这意味着 ndarray 是一个同质数据块。ndarray 有跨步信息。该数值是维度中下一个元素的字节数。

这有助于数组在内存中导航，而且不需要仿制数据。

每个 ndarray 都包括一个指向其在计算机中的内存方位的指针。它还包括它的 dtype、它的形状和步幅元组。步幅是整数，表明它必须移动的字节数才能抵达维度中的下一个元素。

数组包括相同类型的对象的集合，例如整数

要创立一个数组：

import numpy as np
a = np.array([1,2,3])

• 多维数组

多维数组有不止一列。

咱们能够将多维数组视为 Excel 电子表格——它具有列和行。每一列都能够被视为一个维度。

咱们能够实例化一个数组对象：

numpy.array([,.,.,.,])
numpy.array([1,2]) #1D 
numpy.array([[1,2],[10,20]]) #2D#关于杂乱类型
numpy.array([1,2], dtype=complex) #1D complex

假如要创立 3D 数组：

• 这将创立 3 个具有 4 行和 5 列的数组，每个数组具有随机整数。

3DArray = np.random.randint(10, size=(3, 4, 5))

还有其他类型可用，例如：

1. 布尔值
2. 整数（有符号和无符号）
3. 浮点数
4. 杂乱的

何时运用数组

就像数组数据结构一样，Python 中的列表也是一种数据结构，列表是可变的，而且是有序的元素序列。它很灵活，能够保存恣意数据。此外，咱们能够有效地将项目附加到列表中。可是，列表比数组占用更多空间，数组是 C语言数组的封装。假如要履行数学运算，则应运用 Numpy 数组。此外，咱们能够在数组上履行咱们无法在列表上履行的算术函数。

创立数组的不同办法

• 假如要创立没有任何元素的数组

numpy.empty(2) #这将创立 2 个元素的一维数组
numpy.empty([2,3]) #这将创立二维数组（2 行，每列 3 列）

• 假如要创立一个0s的数组

numpy.zeros(2) #它将创立一个有2个元素的一维数组，都是0
#注意办法的参数是shape，它能够是int或tuple

• 假如要创立一个1s的数组

numpy.ones(2) # 这将创立具有 2 个元素的一维数组，均为 1

• 假如你想从一个元素序列创立一个numpy数组

numpy.asarray([python sequence]) #e.g. numpy.asarray([1,2])

• 从内存中的缓冲区创立numpy数组

#能够在内存中仿制字符串
x = np.fromstring(‘hi’, dtype=’int8')
#直接引证字符串的缓冲区，这样能够节约内存，能够传入dtype参数，默许是float
a = np.frombuffer(x, dtype=’int8')

• 假如要创立一系列元素

array = np.arange(3) #array 将包括 0,1,2

• 假如要创立一个具有均匀分布的值的数组

#numpy.arange(first, last, step, type)
numpy.arange(0,6,2) # 回来[0,2,4]

• 假如要创立一个数组，其间值在一个区间之间呈线性距离

#numpy.linspace(first, last, number)
numpy.linspace(0,10,5)  # 回来[0,2.5,5,7.5,10]

• 假如要创立一个数组，其间值在一个距离之间以对数距离

#numpy.logspace(first, end, number)
a= numpy.logspace(1, 15, 4)
#[1.00000000e+01 4.64158883e+05 2.15443469e+10 1.00000000e+15]

• 随机数生成

np.random.rand(3,2) #3行，2列

添加/删去/排序元素

• 添加元素

a = [0]
np.append(a, [1,2]) #adds 1,2 at the end 
# [0,1,2]

• 删去元素

# np.delete(array, 1) 从数组中删去元素1
a = np.delete([0,1,2], 1) #results in [0,2]

• 元素排序

对数组进行排序，请调用 sort(array, axis, kind, orderby) 函数

# np.sort(array1, axis=1, kind = 'quicksort')
a = np.sort([[0,3,2],[1,2,3]], axis=1, kind = 'quicksort' )
#[[0 2 3] 
# [1 2 3]]

NumPy 数组函数和特点

• shape：查找数组的维度（列数/行数）

#array = np.array([[..],[..]]) 
#print(array.shape)
a = np.array([[1,2],[3,4]])
print(a.shape)
# (2,2) # 行、列
#能够经过设置 shape 特点来改动数组的形状（调整巨细）
array.shape = (1,2) #1 行 2 列
#假如想在不仿制任何数据的情况下更改数组的形状，能够运用reshape()办法
array = np.arange(10) 
array.reshape(2,5) #这将回来一个2行5列的数组
#还能够将维度值设置为 -1，这将让 Numpy 从数据中推断出维度
#想展平一个数组而不回来一个副本，咱们能够运用 ravel() 函数
array.ravel() # 这会将上面的数组重塑为1d的10个元素
#咱们想展平一个数组并生成一个副本，那么咱们能够运用 flatten() 办法
a = array.flatten() #这将回来一个一维数组

• 假如咱们要求一个数组的维度

a = np.array([[1,2],[3,4]])
print(a.ndim)

• 假如咱们要求一个数组每个元素的长度

a = np.array([0,1,2]).itemsize
print(a)

• 假如咱们想要对数组的一个子集进行切片

array = np.arange(100)
#获取第三个元素：
array[2] #prints 2
#获取索引中的项目
array[3:5] #3 是开端，5 是结束, prints [3 4]
#获取3-10个元素，步长是4:
array[2:9:4] #prints [2 6]
#从第二个元素开端获取一切元素
array[1:] #prints [1-99]
#也能够传入N维索引
array = np.array([[0,1,3],[1,2,4]])
print(array[[0,1],[1,2]]) #prints [1 4]

• 数组切片中的条件

#获取一切 NAN 元素
array[np.isnan(array)]
#where()可用于传入布尔表达式
np.where(array > 2) # 将回来一切契合条件的元素

• 播送数组

#当对两个不同巨细的数组履行数学运算时，较小的数组被播送到较大数组的巨细
large_array = np.arange(15).reshape(5,3) #5 行 3 列数组
small_array = np.arange(5).reshape(5,1) #5 行 1 列数组
final_array = small_array * large_array 
print (final_array)

需要注意的要害是播送兼容两个数组，其间第一个数组的列数与第二个数组的行数相同，或者任何数组的长度为 1。

• 衔接数组

a = [1,2]
b= [3,4] 
c = [a,b] 
#输出：[[1, 2], [3, 4]]
np.concatenate(c) 
#输出：[1 2 3 4]
np.stack(c) #
#输出：
#[[1 2] 
#[3 4]]
# 能够运用 vstack 或 hstach 办法将它们堆叠起来
np.hstack(c) #
#输出：
#[1 2 3 4]
np.vstack(c) #
#输出：
#[[1 2] 
#[3 4]]

• 字符串操作

能够运用字符串的操作，比方添加，大写，小写，替换等。

add(), upper(), lower(), replace()

• 创立 numpy 数组的深拷贝

new_array = np.copy(array)

要重复一个数组，咱们能够运用 repeat() 或 tile() 函数。repeat(n) 将简略地重复每个元素 n 次。n 也能够是一个数组，其间每个元素将根据 n 的值以不同的方式重复，例如 [1,5] 意味着咱们需要重复第一个元素一次，第二个元素重复 5 次。关于多维数组，咱们能够传入axis特点。tile(array, (n,m)) 略有不同，由于除了重复元素之外，它还对 n 行和 m 列的项目进行平铺/堆叠。

• 自定义数组函数

运用 np.fromnpfunc(my_new_ufunc, elements) 创立新的 func，然后在 NumPy 数组上履行它

• 结构化数组

咱们想创立一个包括多种数据类型元素的数组，那么咱们能够创立一个结构化数组。咱们能够设置 dtype，它是一个包括元素名称和类型的元组列表。结构化数组比 pandas DataFrame 更快，由于它们耗费更少的内存，由于每个元素都表明为固定数量的字节，它们是精简的，因此是高效的初级数组，也能够被视为表格结构。

type = [('column_1', np.int32, 'column_2', np.float64])
array = np.array([1,2], [2.4, -1], dtype=type)

• 数学函数

Numpy 供给了一系列强壮的数学函数,由于 Numpy 具有丰厚的数学特性，因此在 Numpy 之上构建了许多库

#加、减、乘、除、幂、模
#要对两个数组 a 和 b 履行基本算术函数：
a = [1,2] 
b= [3,4] 
c = np.add(a, b) 
c = np.subtract(a, b) 
c = np.multiply(a, b) 
c = np.divide( a, b) 
c = np.power(a, b) 
c = np.power(a, 2) 
#得到余数
c= np.mod(a, b) 
c = np.remainder(a, b)
#四舍五入，ceiling向上取整，floor向下取整
#要更改数组一切元素的精度：
np.around(array, 4) # 4dp 
np.ceil(array) #1.8 会变成 2 
np.floor(array) #1.8 会变成 1

• 三角函数

array = [0, 1]
np.sin(array) 
np.cos(array) 
np.tan(array) 
np.arcsin(array) 
np.arccos(array) 
np.arctan(array)

• 计算

a = [1,2]
np.amin(a, 0) #min in the axis
np.amax(a, 0) #max in the axis
np.percentile(a, 10)
np.median(a)
np.std(a)
np.average(a)
np.mean(a)
np.var(a)

• 代数

Numpy 包括一个称为 linalg 的模块。它具有许多代数函数

1. dot() #两个数组的点积
2. inner() #两个数组的内积
3. 行列式() #一个数组的行列式
4.solve() #求解矩阵方程
5. inv() #逆矩阵
6. matmul() #两个数组的矩阵乘积

关于 Numba 的注意事项

咱们能够运用 Numba 为 Numpy 创立快速函数。Numba 函数本质上是纯 Python 函数。诀窍是运用 nb.jit(func) 将函数编译成更快的 Numba 版本。咱们还能够在函数上运用 @numba.vectorize 装饰器将代码编译成 NumPy ufunc。虽然 Numba 不支持一切 Python 代码，但它能够处理大部分用纯 Python 编写的数值算法。

归纳

本文概述了 NumPy 库的中心功用。自从 2005 年 NumPy 与 Numarray 的功用相结合以来，它现已获得了巨大的普及，并被认为是运用的要害 Python 库之一。

文章概述了 NumPy 数组的要害功用和特点，感谢阅览，Happy Code！