本文轉(zhuǎn)載自AI小白入門

Numpy（Numeric Python）是一個用python實現(xiàn)的科學(xué)計算的擴展程序庫。包括：1、一個強大的N維數(shù)組對象Array；2、比較成熟的（廣播）函數(shù)庫；3、用于整合C/C++和Fortran代碼的工具包；4、實用的線性代數(shù)、傅里葉變換和隨機數(shù)生成函數(shù)。提供了許多高級的數(shù)值編程工具，如：矩陣數(shù)據(jù)類型、矢量處理，以及精密的運算庫。

Numpy基本操作

import numpy as np
a = np.array([[1,2],[3,4]])
print(a)
# 輸出"[[1 2]
#? ? [3 4]]"
print(a.ndim) ?# 維度,輸出: 2
# 行數(shù)和列數(shù)
print(a.shape) #　輸出: (2, 2)
# 元素個數(shù)
print(a.size) ?# 輸出: 4

Numpy的數(shù)組(Array)

Numpy數(shù)組是一個由不同數(shù)值組成的網(wǎng)格, 網(wǎng)格中的數(shù)據(jù)都是同一種數(shù)據(jù)類型并且可以通過非負整型數(shù)的元組來訪問。維度的多少被稱為數(shù)組的階，數(shù)組的大小是一個由整型數(shù)構(gòu)成的元組，可以描述數(shù)組不同維度上的大小。

# 創(chuàng)建numpy數(shù)組
import numpy as np
a = np.array([1, 2, 3]) ?# 創(chuàng)建一維數(shù)組
print(type(a)) ? ? ? ? ? # 輸出 "<class 'numpy.ndarray'>"
print(a[0], a[1], a[2]) ?# 輸出 "1 2 3"
a[0] = 8 ? ? ? ? ? ? ? ? # 修改數(shù)組某元素的值
print(a[0]) ? ? ? ? ? ? ?# 輸出 "8"

# 其他創(chuàng)建數(shù)組的方法
b = np.zeros((2, 2))
print(b) ? ? ? ? ? ? ? ?# 輸出 "[[ 0. ?0.]
? ? ? ? ? ? ? ? ? ? ? # ? ? ? [ 0. ?0.]]"
c = np.ones((1,2))
print(c) ? ? ? ? ? ? ? ?# 輸出 "[[ 1. ?1.]"

d = np.eye(2) ? ? ? ? ? # 創(chuàng)建單位矩陣
print(d) ? ? ? ? ? ? ? ?# 輸出 "[[ 1. ?0.]
? ? ? ? ? ? ? ? ? ? ? # ? ? ? [ 0. ?1.]]"
e = np.random.random((2, 2)) # 隨機值
print(e) ? ? ? ? ? ? ? ?# 輸出 "[[0.29027784 0.01445969]
? ? ? ? ? ? ? ? ? ? ? # ? ? ? [0.76571518 0.75046783]]"

數(shù)組索引

Numpy提供了多種訪問數(shù)組的方法。

import numpy as np
#　切片：和Python列表類似，numpy數(shù)組也可以使用切片語法。
# 由于數(shù)組可能是多維的，因此必須為數(shù)組的每個維指定切片。

# 創(chuàng)建一個二維數(shù)組，shape為 (3，2)
a = np.array([[1, 2],[3, 4],[5, 6]])
b = a[:1,1:2]
print(b) # 輸出"[[2]]"

#可以同時使用整型和切片語法來訪問數(shù)組。這樣做會產(chǎn)生比原數(shù)組低階的新數(shù)組。
row_r1 = a[1, :] ? ?
row_r2 = a[1:2, :]
print(row_r1, row_r1.shape) ?# Prints "[3 4] (2,)"
print(row_r2, row_r2.shape) ?# Prints "[[3 4]] (1, 2)"

# 使用切片語法訪問數(shù)組時，得到的總是原數(shù)組的一個子集
# 整型數(shù)組訪問允許我們利用其它數(shù)組的數(shù)據(jù)構(gòu)建一個新的數(shù)組
a1 = np.array([[1,2], [3, 4], [5, 6]])

print(a1[[0, 1, 2], [0, 1, 0]]) # Prints "[1 4 5]"
# 等價于以下操作
print(np.array([a1[0, 0], a1[1, 1], a1[2, 0]]))


# 布爾型數(shù)組訪問：布爾型數(shù)組訪問可以讓你選擇數(shù)組中任意元素
# 這種訪問方式用于選取數(shù)組中滿足某些條件的元素
a2 = np.array([[1,2], [3, 4], [5, 6]])
b2 = (a > 2)
print(b2)
print(a2[b2]) ?# 輸出 "[3 4 5 6]"
# 等價于
print(a[a>2]) ?# 輸出 "[3 4 5 6]"

數(shù)據(jù)類型

每個Numpy數(shù)組的元素數(shù)據(jù)類型相同。創(chuàng)建數(shù)組的時候，Numpy會嘗試猜測數(shù)組的數(shù)據(jù)類型，當然也可以通過參數(shù)直接指定數(shù)據(jù)類型。

import numpy as np
x1 = np.array([1, 2]) ? ? # numpy選擇類型
print(x1.dtype) ? ? ? ? # 輸出"int32"

x2 = np.array([1.0, 2.0])?# numpy選擇類型
print(x2.dtype) ? ? ? ?# 輸出"float64"

x3 = np.array([1, 2], dtype=np.int64) ? ?# 指定類型
print(x3.dtype)? ? ? ? ? ? ? ? ??# 輸出"int64"

數(shù)組計算

基本數(shù)學(xué)計算函數(shù)會對數(shù)組中元素逐個進行計算，既可以利用操作符重載，也可以使用函數(shù)方式。

import numpy as np

x = np.array([[1,2],[3,4]], dtype=np.float64)
y = np.array([[5,6],[7,8]], dtype=np.float64)

# 按元素相加，產(chǎn)生的還是同樣shape的數(shù)組
# 輸出 "[[ 6. ?8.]
# ? ? ? [10. 12.]]"
print(x + y)
print(np.add(x, y))

# 按元素相減
# 輸出 "[[ 6. ?8.]
# ? ? ? [10. 12.]]"
print(x - y)
print(np.subtract(x, y))

# 按元素相乘
# 輸出 "[[ 5. 12.]
# ? ? ? [21. 32.]]"
print(x * y)
print(np.multiply(x, y))

# 按元素相除
# 輸出 "[[0.2 ? ? ? ?0.33333333]
# ? ? ? ?[0.42857143 0.5 ? ? ? ]]"
print(x / y)
print(np.divide(x, y))

# 開平方
# 輸出 "[[1. ? ? ? ? 1.41421356]
# ? ? ? ?[1.73205081 2. ? ? ? ?]]"
print(np.sqrt(x))


# numpy矩陣乘法
x = np.array([[1,2],[3,4]])
y = np.array([[5,6],[7,8]])

v = np.array([9,10])
w = np.array([11, 12])

# 向量的內(nèi)積，輸出：219
print(v.dot(w))
print(np.dot(v, w))

# 向量/矩陣乘積
# 輸出 "[29 67]"
print(x.dot(v))
print(np.dot(x, v))

# 矩陣/矩陣乘積
# 輸出 "[[19 22]
# ? ? ? [43 50]]"
print(x.dot(y))
print(np.dot(x, y))

# 求和函數(shù)sum
x = np.array([[1,2],[3,4]])
print(np.sum(x)) # 所有元素相加，輸出"10"
print(np.sum(x, axis=0)) ?# 按列相加，輸出"[4 6]"
print(np.sum(x, axis=1)) ?# 按行相加，輸出"[3 7]"

# 轉(zhuǎn)置操作
x = np.array([[1,2], [3,4]])
print(x) ? ?# 輸出 ? "[[1 2]
? ? ? ? ? ?# ? ? ? ?[3 4]]"
print(x.T) ?# 輸出 ? "[[1 3]
? ? ? ? ? ?# ? ? ? ?[2 4]]"

廣播機制(Broadcasting)

廣播是一種強有力的機制，可以讓不同大小的矩陣進行數(shù)學(xué)計算。我們常常會有一個小的矩陣和一個大的矩陣，然后我們會需要用小的矩陣對大的矩陣做一些計算。

# 把一個向量加到矩陣的每一行，可以這樣做
import numpy as np
x = np.array([[1,2,3], [4,5,6], [7,8,9]])
v = np.array([1, 0, 1])
y = np.empty_like(x) ?# 創(chuàng)建一個空矩陣，shape和x一致

for i in range(3):
? ?y[i, :] = x[i, :] + v
print(y)

# ?輸出
# [[ 2 ?2 ?4]
# [ 5 ?5 ?7]
# [ 8 ?8 10]]

# 當x矩陣非常大，利用循環(huán)來計算就會變得很慢很慢
# 換一種思路
vv = np.tile(v, (3, 1)) ?# 將v復(fù)制三次堆疊在一起
print(vv) ? ? ? ? ? ? ? ?# 輸出 ? ?"[[1 0 1]
? ? ? ? ? ? ? ? ? ? ? ? # ? ? ? ? ?[1 0 1]
? ? ? ? ? ? ? ? ? ? ? ? # ? ? ? ? ?[1 0 1]"

y = x + vv # 按元素相加
print(y)

# Numpy廣播機制讓我們不用創(chuàng)建vv，就能直接運算
y = x + v #　使用廣播將v添加到x的每一行
print(y)

# 廣播機制例子
# 1.計算向量的外積

v = np.array([1,2,3]) ?# v 的shape (3,)
w = np.array([4,5]) ? ?# w 的shape (2,)
# ?首先將v轉(zhuǎn)化成(3, 1)，然后廣播
# ?輸出的shape為(3, 2)
# [[ 4 ?5]
# ?[ 8 10]
# ?[12 15]]
print(np.reshape(v, (3, 1)) * w)


# 2.向矩陣的每一行添加一個向量
x = np.array([[1,2,3], [4,5,6]])
# x的shape為（2,3），v的shape為（3，），因此它們廣播得到（2,3）
# ?輸出:
# [[2 4 6]
# ?[5 7 9]]
print(x + v)

# 3.向矩陣的每一列添加一個向量
# x 的shape (2, 3) and w的shape (2,).
#　轉(zhuǎn)置x的shape（3,2），針對w廣播以產(chǎn)生形狀的結(jié)果（3,2）
# 輸出:
# [[ 5 ?6 ?7]
# ?[ 9 10 11]]
print((x.T + w).T)

# 4.另一個解決方案是將w重塑shape為（2,1）
# 然后可以直接對x廣播它以產(chǎn)生相同的效果
# 輸出
print(x + np.reshape(w,(2,1)))

# 5.用常數(shù)乘以矩陣
# 輸出:
# [[ 2 ?4 ?6]
# ?[ 8 10 12]]
print(x * 2)

參考：
https://github.com/kuleshov/cs228-material/blob/master/tutorials/python/cs228-python-tutorial.ipynb

總結(jié)

以上是生活随笔為你收集整理的快速入门numpy的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。