1. 简介

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。最主要的数据结构是ndarray数组。

NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用， 这种组合广泛用于替代 MatLab。

SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。

Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。

2. 创建

创建一维数组

(1)直接创建：np.array([1, 2, 3, 4, 5, 6])

(2)从python的list中建立：np.array(list([1, 2, 3, 4, 5, 6]))

创建常量值的一维数据

(1)创建以0为常量值：np.zeros(n,dytpe=float/int)

(2)创建以1为常量值：np.ones(n)

(3)创建一个空数组：np.empty(4)

创建一个元素递增的数组

(1)从0开始增长的递增数组：np.arange(8)

(2)给定区间，自定义步长：np.arange(0,1,0.2)

(3)给定区间，自定义个数：np.linspace(-1,1,50)

创建多维数组：创建单维数组，再添加进多维数组# 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据

# 二维数组相当于存放的是“两层”数组而已

arr1=np.array(list([1, 2, 3, 4, 5]))

arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组

arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组

arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错

arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错

创建常量值的(n*m)维数据

(1)创建以0为常量值：np.zeros((n*m),dytpe=float/int)

(2)创建以1为常量值：np.ones((n*m))

(3)创建一个空数组：np.empty((n*m))

创建随机数字的数组

生成随机数种子：

(1)np.random.seed()

(2)np.random.RandomState()

生成随机数：

生成有分布规律的随机数组

(1)二项分布：np.random.binomial(n, p, size)

(2)正态分布：np.random.normal(loc, scale, size)

将csv文件转化成数组或阵列

使用 np.genfromtxt( ‘csv文件名’，delimiter = ‘文件中的分割符’ )函数将文件转化成数组csv_array = np.genfromtxt('sample.csv', delimiter=',')

print(csv_array)

3. 数组的变形

生成数组／矩阵转置的函数，即行列数字交换，使用.Ta = np.array([[32, 15, 6, 9, 14],

[12, 10, 5, 23, 1],

[2, 16, 13, 40, 37]])

print(a.T)

-------------------

# 结果如下

[[32 12 2]

[15 10 16]

[ 6 5 13]

[ 9 23 40]

[14 1 37]]

改变数组的形状：

(1)arr.resize(n,m) ：arr.resize(n,m)函数是原地修改数组，要求：元素的个数必须一致a=np.arange(8)

a.resize(2,4)

print(a)

---------------------------

[[0 1 2 3]

[4 5 6 7]]

(2)arr.reshape(n,m)：如果某一个维度的参数为-1，则表示元素总个数会迁就另一个维度来计算a=np.arange(8).reshape(-1,1)

print(a)

-----------------

[[0]

[1]

[2]

[3]

[4]

[5]

[6]

[7]]

将一维升至二维：np.newaxis

np.newaxis实际上是直接增加维度的意思，我们一般不会给数组增加太多维度，这里以一维增加到二维为例：

(1)增加行维度：arr[np.newaxis, :]

(2)增加列维度：arr[: , np.newaxis]a=np.arange(8)

a # array([0, 1, 2, 3, 4, 5, 6, 7])

a.shape # (8,)

a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]])

a.shape # (8,)

a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]])

a.shape # (8,)

降维：arr.ravel()

arr.ravel()函数在降维时：默认是行序优先生成新数组(就是一行行读)；如果传入参数“F”则是列序降维生成新数组a=np.array([[1,2],[3,4]])

a.ravel()

a.ravel('F')

----------------------------

# 结果 array([1, 2, 3, 4])

# 结果 array([1, 3, 2, 4])

4. 计算

对数组进行计算操作

(1)对元素进行加减计算a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])

a+b

a-b

----------------------------

# a+b和a-b结果分别是：

array([[ 1, 3, 7, 6],

[ 8, 6, 6, 13]])

array([[-1, -1, -3, 0],

[ 0, 4, 6, 1]])

(2)乘法：平方／矩阵中元素相乘a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])

a**2

a*b

-----------------------

# a矩阵平方／a*b矩阵中元素相乘结果分别：

array([[ 0, 1, 4, 9],

[16, 25, 36, 49]])

array([[ 0, 2, 10, 9],

[16, 5, 0, 42]])

(3)矩阵*矩阵：# 要求a矩阵的行要等于b矩阵的列数；且a矩阵的列等于b矩阵的行数

a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]])

c1 = np.dot(a,b)

c2 = a.dot(b)

----------------------

# ab矩阵相乘的结果：c1=c2

array([[ 31, 36],

[ 99, 100]])

(4)逻辑计算

【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的！# 结果返回：一个数组，其中每个元素根据逻辑判断的布尔类型的结果

a > 3

-----------------------------

# 结果如下：

array([[False, False, False, False],

[ True, True, True, True]])

5. 取值

获取一维数组中的某个元素：操作和list列表的index一样a = np.array([5, 2, 7, 0, 11])

a[0] # 结果为 5

a[:4] # 结果为 从头开始到索引为4结束

a[2:] # 结果为 从索引为2的开始到结尾

a[::2] # 结果为 从头开始到结尾，每2个取一个值

获取多维数组的某个元素，某行或列值a = np.array([[32, 15, 6, 9, 14],

[12, 10, 5, 23, 1],

[2, 16, 13, 40, 37]])

a[2,1] # 结果是一个元素 16

a[2][1] # 结果是一个元素 16

a[1] # 第2行 array([12, 10, 5, 23, 1])

a[：，2] # 取出全部行，第2列 [15,10,16]

a[1:3, :] # 取出[1，3)行，全部列

a[1,1:] # array([10, 5, 23, 1])

获取满足逻辑运算的# 需要注意的是，我们数据进行逻辑计算操作得到的仍然是一个数组

# 如果我们想要的是一个过滤后的数组，就需要将"逻辑判断"传入数组中

a = np.array([[32, 15, 6, 9, 14],

[12, 10, 5, 23, 1],

[2, 16, 13, 40, 37]])

a[a > 3]

a[(a > 3) | (a < 2)]

------------------------------

# 结果分别是：

array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37])

array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])

遍历：结果是按行输出a = np.array([[32, 15, 6, 9, 14],

[12, 10, 5, 23, 1],

[2, 16, 13, 40, 37]])

for x in a:

print(x)

--------------------

[32 15 6 9 14]

[12 10 5 23 1]

[ 2 16 13 40 37]

6. 复制／分割／合并

复制：arr.cope()

分割：

(1)等分：np.split(arr, n, axis=0/1)(即行数或列数可以整除n时才可以)

(2)不等分：np.array_split(arr, n) 默认按行分n份a = np.array([[32, 15, 6, 9, 14, 21],

[12, 10, 5, 23, 1, 10],

[2, 16, 13, 40, 37, 8]])

# 可以看到a矩阵是(3*6)，所以使用np.split()只能尝试行分成3份；或者列分成2/3/6份

np.split(a,3,axis=0)

np.split(a,3,axis=1)

np.array_split(a,2)

np.array_split(a,4,axis=1)

-------------------------------------------

[array([[32, 15, 6, 9, 14, 21]]),

array([[12, 10, 5, 23, 1, 10]]),

array([[ 2, 16, 13, 40, 37, 8]])]

[array([[32, 15],

[12, 10],

[ 2, 16]]), array([[ 6, 9],

[ 5, 23],

[13, 40]]), array([[14, 21],

[ 1, 10],

[37, 8]])]

[array([[32, 15, 6, 9, 14, 21],

[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])]

[array([[32, 15],

[12, 10],

[ 2, 16]]), array([[ 6, 9],

[ 5, 23],

[13, 40]]), array([[14],

[ 1],

[37]]), array([[21],

[10],

[ 8]])]

合并：np.concatenate((arr1,arr2,arr3), axis=0/1) 默认接在数据下面a=np.random.rand(2,3)

b=np.random.randint(1,size=(2,3))

np.concatenate((a,b,a)) # 接在下面

np.concatenate((a,b,a),axis=1) # 接在后面

------------------------

array([[0.95912866, 0.81396527, 0.809493 ],

[0.4539276 , 0.24173315, 0.63931439],

[0. , 0. , 0. ],

[0. , 0. , 0. ],

[0.95912866, 0.81396527, 0.809493 ],

[0.4539276 , 0.24173315, 0.63931439]])

array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. ,

0. , 0.95912866, 0.81396527, 0.809493 ],

[0.4539276 , 0.24173315, 0.63931439, 0. , 0. ,

0. , 0.4539276 , 0.24173315, 0.63931439]])