Python：一篇文章掌握Numpy的基本用法
前言
Numpy是一个开源的Python科学计算库，它是python科学计算库的基础库，许多其他著名的科学计算库如Pandas，Scikit-learn等都要用到Numpy库的一些功能。
本文主要内容如下：
1 Numpy数组对象
Numpy中的多维数组称为ndarray，这是Numpy中最常见的数组对象。ndarray对象通常包含两个部分：
- ndarray数据本身
- 描述数据的元数据
Numpy数组的优势
- Numpy数组通常是由相同种类的元素组成的，即数组中的数据项的类型一致。这样有一个好处，由于知道数组元素的类型相同，所以能快速确定存储数据所需空间的大小。
- Numpy数组能够运用向量化运算来处理整个数组，速度较快；而Python的列表则通常需要借助循环语句遍历列表，运行效率相对来说要差。
- Numpy使用了优化过的C API，运算速度较快
关于向量化和标量化运算，对比下面的参考例子就可以看出差异
- 使用python的list进行循环遍历运算
- 使用numpy进行向量化运算
从上面的运行结果可以看出，numpy的向量化运算的效率要远远高于python的循环遍历运算（效率相差好几百倍）。
（1ms=1000µs）
2 创建ndarray数组
首先需要导入numpy库，在导入numpy库时通常使用“np”作为简写，这也是Numpy官方倡导的写法。
当然，你也可以选择其他简写的方式或者直接写numpy，但还是建议用“np”，这样你的程序能和大都数人的程序保持一致。
import numpy as np创建ndarray数组的方式有很多种，这里介绍我使用的较多的几种：
Method 1: 基于list或tuple
# 一维数组# 基于list arr1 = np.array([1,2,3,4]) print(arr1)# 基于tuple arr_tuple = np.array((1,2,3,4)) print(arr_tuple)# 二维数组 (2*3) arr2 = np.array([[1,2,4], [3,4,5]]) arr2 [1 2 3 4] [1 2 3 4] array([[1, 2, 4],[3, 4, 5]])请注意：
- 一维数组用print输出的时候为 [1 2 3 4]，跟python的列表是有些差异的，没有“,”
- 在创建二维数组时，在每个子list外面还有一个"[]"，形式为“[[list1], [list2]]”
Method 2: 基于np.arange
# 一维数组 arr1 = np.arange(5) print(arr1)# 二维数组 arr2 = np.array([np.arange(3), np.arange(3)]) arr2 [0 1 2 3 4] array([[0, 1, 2],[0, 1, 2]])Method 3: 基于arange以及reshape创建多维数组
# 创建三维数组 arr = np.arange(24).reshape(2,3,4) arr array([[[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]],[[12, 13, 14, 15],[16, 17, 18, 19],[20, 21, 22, 23]]])-
请注意：arange的长度与ndarray的维度的乘积要相等，即 24 = 2X3X4
-
用numpy.random创建数组的方法，可以参考下面的文章
为什么你用不好Numpy的random函数？
- 其他创建ndarray的方法，各位小伙伴们自己可以研究下。
3 Numpy的数值类型
Numpy的数值类型如下：
每一种数据类型都有相应的数据转换函数，参考示例如下：
np.int8(12.334) 12 np.float64(12) 12.0 np.float(True) 1.0 bool(1) True在创建ndarray数组时，可以指定数值类型：
a = np.arange(5, dtype=float) a array([ 0., 1., 2., 3., 4.])-
请注意，复数不能转换成为整数类型或者浮点数，比如下面的代码会运行出错
4 ndarray数组的属性
- dtype属性，ndarray数组的数据类型，数据类型的种类，前面已描述。
- ndim属性，数组维度的数量
- shape属性，数组对象的尺度，对于矩阵，即n行m列,shape是一个元组（tuple）
- size属性用来保存元素的数量，相当于shape中nXm的值
- itemsize属性返回数组中各个元素所占用的字节数大小。
- nbytes属性，如果想知道整个数组所需的字节数量，可以使用nbytes属性。其值等于数组的size属性值乘以itemsize属性值。
- T属性，数组转置
- 复数的实部和虚部属性，real和imag属性
real属性返回数组的实部
d.real array([ 1.2, 2. ])imag属性返回数组的虚部
d.imag array([ 2., 3.])- flat属性，返回一个numpy.flatiter对象，即可迭代的对象。
可通过位置进行索引，如下：
f[2] 2 f[[1,4]] array([1, 4])也可以进行赋值
e.flat=7 e array([[7, 7, 7],[7, 7, 7]]) e.flat[[1,4]]=1 e array([[7, 1, 7],[7, 1, 7]])下图是对ndarray各种属性的一个小结
5 ndarray数组的切片和索引
- 一维数组
一维数组的切片和索引与python的list索引类似。
a = np.arange(7) a array([0, 1, 2, 3, 4, 5, 6]) a[1:4] array([1, 2, 3]) # 每间隔2个取一个数 a[ : 6: 2] array([0, 2, 4])-
二维数组的切片和索引，如下所示：
插播一条硬广：技术文章转发太多。本文涉及的代码量比较多，如需要查看源代码，请在微信公众号“Python数据之道”（ID：PyDataRoad）后台回复关键字“2017026”。
6 处理数组形状
6.1 形状转换
- reshape()和resize()
函数resize（）的作用跟reshape（）类似，但是会改变所作用的数组，相当于有inplace=True的效果
- ravel()和flatten()，将多维数组转换成一维数组，如下：
两者的区别在于返回拷贝（copy）还是返回视图（view），flatten()返回一份拷贝，需要分配新的内存空间，对拷贝所做的修改不会影响原始矩阵，而ravel()返回的是视图（view），会影响原始矩阵。
参考如下代码：
- 用tuple指定数组的形状，如下：
- 转置
前面描述了数组转置的属性（T），也可以通过transpose()函数来实现
b.transpose() array([[ 0, 6],[ 1, 7],[20, 8],[ 3, 9],[ 4, 10],[ 5, 11]])6.2 堆叠数组
b array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11]]) c = b*2 c array([[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])- 水平叠加
hstack()
np.hstack((b,c)) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10],[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]])column_stack()函数以列方式对数组进行叠加，功能类似hstack（）
np.column_stack((b,c)) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10],[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]])- 垂直叠加
vstack()
np.vstack((b,c)) array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11],[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])row_stack()函数以行方式对数组进行叠加，功能类似vstack（）
np.row_stack((b,c)) array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11],[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])- concatenate()方法，通过设置axis的值来设置叠加方向
axis=1时，沿水平方向叠加
axis=0时，沿垂直方向叠加
np.concatenate((b,c),axis=1) array([[ 0, 1, 20, 3, 4, 5, 0, 2, 40, 6, 8, 10],[ 6, 7, 8, 9, 10, 11, 12, 14, 16, 18, 20, 22]]) np.concatenate((b,c),axis=0) array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11],[ 0, 2, 40, 6, 8, 10],[12, 14, 16, 18, 20, 22]])由于针对数组的轴为0或1的方向经常会混淆，通过示意图，或许可以更好的理解。
关于数组的轴方向示意图，以及叠加的示意图，如下：
深度叠加
这个有点烧脑，举个例子如下，自己可以体会下：
arr_dstack = np.dstack((b,c)) print(arr_dstack.shape) arr_dstack (2, 6, 2)array([[[ 0, 0],[ 1, 2],[20, 40],[ 3, 6],[ 4, 8],[ 5, 10]],[[ 6, 12],[ 7, 14],[ 8, 16],[ 9, 18],[10, 20],[11, 22]]])叠加前，b和c均是shape为（2,6）的二维数组，叠加后，arr_dstack是shape为（2,6,2）的三维数组。
深度叠加的示意图如下：
6.3 数组的拆分
跟数组的叠加类似，数组的拆分可以分为横向拆分、纵向拆分以及深度拆分。
涉及的函数为 hsplit()、vsplit()、dsplit() 以及split()
b array([[ 0, 1, 20, 3, 4, 5],[ 6, 7, 8, 9, 10, 11]])- 沿横向轴拆分（axis=1）
- 沿纵向轴拆分（axis=0）
- 深度拆分
拆分的结果是原来的三维数组拆分成为两个二维数组。
这个烧脑的拆分过程可以自行分析下~~
7 数组的类型转换
- 数组转换成list，使用tolist()
- 转换成指定类型，astype()函数
8 numpy常用统计函数
常用的函数如下：
请注意函数在使用时需要指定axis轴的方向，若不指定，默认统计整个数组。
- np.sum()，返回求和
- np.mean()，返回均值
- np.max()，返回最大值
- np.min()，返回最小值
- np.ptp()，数组沿指定轴返回最大值减去最小值，即（max-min）
- np.std()，返回标准偏差（standard deviation）
- np.var()，返回方差（variance）
- np.cumsum()，返回累加值
- np.cumprod()，返回累乘积值
- np.ptp()，返回整个数组的最大值减去最小值，如下：
- np.cumsum()，沿指定轴方向进行累加
- np.cumprod()，沿指定轴方向进行累乘积 （Return the cumulative product of the elements along the given axis）
9 数组的广播
当数组跟一个标量进行数学运算时，标量需要根据数组的形状进行扩展，然后执行运算。
这个扩展的过程称为“广播（broadcasting）”
b array([[ 0, 1, 20],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) d = b + 2 d array([[ 2, 3, 22],[ 5, 6, 7],[ 8, 9, 10],[11, 12, 13]])写在最后
numpy涵盖的内容其实是非常丰富的，本文仅仅介绍了numpy一些常用的基本功能，算是对numpy的一个入门级的简单的较为全面的描述。
numpy官方的《Numpy Reference》文档，光页面数量就有1500+页，如想要系统的学习numpy，建议仔细阅读官方的参考文档，可在其官方网站进行查阅。当然，资料都是英文版的，可能看起来难度稍微大点，看习惯了就好。
作者：leenard
链接：https://www.jianshu.com/p/60bf50100c2f
总结
以上是生活随笔为你收集整理的Python：一篇文章掌握Numpy的基本用法的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： 图解Numpy的tile函数
- 下一篇： 入门十大Python机器学习算法（附代码