【精读】Numpy详解

&＃xff08;给机器学习算法与Python学习加星标&＃xff0c;提升AI技能&＃xff09;

Numpy是一个Python库/模块&＃xff0c;在Python编程中用于科学计算。在本教程中&＃xff0c;你将学习如何在Numpy数组上执行一系列操作&＃xff0c;例如以多种方式添加、删除、排序和操作元素。

Numpy提供一个多维数组对象和其他派生数组&＃xff0c;如掩码数组或掩码多维数组。

为什么使用Numpy&＃xff1f;

Numpy模块提供一个ndarray对象&＃xff0c;我们可以用这个对象来对任意维度的数组执行操作。ndarray代表N维数组&＃xff0c;其中N是任意数字。这意味着Numpy数组可以是任意维度的数组。

与Python列表相比&＃xff0c;Numpy有很多优点。我们可以对Numpy数组执行高性能操作&＃xff0c;例如&＃xff1a;

1. 数组成员排序

2. 数学和逻辑运算

3. 输入/输出功能

4. 统计和线性代数运算

如何安装Numpy?

想要安装Numpy&＃xff0c;需要在电脑系统上安装Python和Pip。

在Windows操作系统上执行以下命令&＃xff1a;

pip install numpy

现在可以像这样在脚本中导入Numpy&＃xff1a;

import numpy

添加数组元素

你可以使用NumPy模块的append&＃xff08;&＃xff09;方法添加一个NumPy数组元素。append的使用操作如下&＃xff1a;

numpy.append(array, value, axis)

这些值将附加在数组的末尾&＃xff0c;新的ndarray将与上面所示的新值和旧值一起返回。

axis是一个可选的整数&＃xff0c;用于定义数组的显示方式。如果没有指定axis&＃xff0c;数组结构将被展平&＃xff0c;如你稍后将看到的一样。

请看下面的示例&＃xff0c;首先创建一个数组&＃xff0c;然后使用append方法向该数组添加更多值&＃xff1a;

a &＃61; numpy.array([1, 2, 3])

newArray &＃61; numpy.append (a, [10, 11, 12])

添加列

使用Numpy的append&＃xff08;&＃xff09;方法插入列。

请看下面的示例&＃xff0c;创建了一个二维数组并插入了两列&＃xff1a;

a &＃61; numpy.array([[1, 2, 3], [4, 5, 6]])

b &＃61; numpy.array([[400], [800]])

newArray &＃61; numpy.append(a, b, axis &＃61; 1)

如果未使用axis属性&＃xff0c;则输出如下&＃xff1a;

这就是数组结构的扁平化过程。

在NumPy中&＃xff0c;还可以使用insert&＃xff08;&＃xff09;方法插入元素或列。insert&＃xff08;&＃xff09;和append&＃xff08;&＃xff09;两种方法之间的区别在于我们在使用insert&＃xff08;&＃xff09;方法时&＃xff0c;可以指定要在哪个索引处添加元素&＃xff0c;而append&＃xff08;&＃xff09;方法则会在数组末尾添加一个值。

请看以下示例&＃xff1a;

a &＃61; numpy.array([1, 2, 3])

newArray &＃61; numpy.insert(a, 1, 90)

这里&＃xff0c;insert&＃xff08;&＃xff09;方法在索引1处添加元素。请记住数组索引从0开始。

添加行

在本节中&＃xff0c;我们将使用append&＃xff08;&＃xff09;方法向数组添加行。此方法就像在数组中添加元素一样简单。请看以下示例&＃xff1a;

a &＃61; numpy.array([[1, 2, 3], [4, 5, 6]])

newArray &＃61; numpy.append(a, [[50, 60, 70]], axis &＃61; 0)

删除元素

可以使用NumPy模块的delete&＃xff08;&＃xff09;方法删除NumPy数组元素&＃xff0c;以下示例对此进行了演示&＃xff1a;

a &＃61; numpy.array([1, 2, 3])

newArray &＃61; numpy.delete(a, 1, axis &＃61; 0)

输出如下&＃xff1a;

在上面的例子中&＃xff0c;可以看到一个单维数组。delete&＃xff08;&＃xff09;方法从数组中删除索引1处的元素。

删除行

同样&＃xff0c;可以使用delete&＃xff08;&＃xff09;方法删除行。

请看以下示例&＃xff0c;从二维数组中删除了一行&＃xff1a;

a &＃61; numpy.array([[1, 2, 3], [4, 5, 6], [10, 20, 30]])

newArray &＃61; numpy.delete(a, 1, axis &＃61; 0)

在delete&＃xff08;&＃xff09;方法中&＃xff0c;首先给出数组&＃xff0c;然后给出要删除元素的索引。在上面的示例中&＃xff0c;删除索引为1的第二个元素。

检查 NumPy 数组是否为空值

使用size方法得出数组中元素的总数。

在下面的示例中&＃xff0c;我们将会使用一个if语句&＃xff0c;该语句通过ndarray.size去检查数组中是否有元素&＃xff0c;其中ndarray是任意给定的NumPy数组&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3])

if(a.size &＃61;&＃61; 0):

print("The given Array is empty")

其他&＃xff1a;

print("The array &＃61; ", a)

输出如下&＃xff1a;

在上面的代码中&＃xff0c;有三个元素&＃xff0c;因此这个数组不是空的&＃xff0c;if条件将返回false。

如果没有元素&＃xff0c;if条件将变为true&＃xff0c;并将显示空白数组。

如果我们的数组等于&＃xff1a;

a &＃61; numpy.array([])

上述代码的输出如下&＃xff1a;

查找值的索引

使用Numpy模块的where&＃xff08;&＃xff09;方法查找值的索引&＃xff0c;如下例所示&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5])

print("5 is found at index: ", numpy.where(a &＃61;&＃61; 5))

Where&＃xff08;&＃xff09;方法还将返回数据类型。如果你只想获取索引&＃xff0c;请使用以下代码&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5])

index &＃61; numpy.where(a &＃61;&＃61; 5)

print("5 is found at index: ", index[0])

NumPy 数组切片

数组切片是从给定数组中提取子集的过程。可以使用冒号运算符对数组进行切片&＃xff0c;并指定数组索引的起点和终点&＃xff0c;例如&＃xff1a;

array[from:to]

下面的示例突出了这点&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5, 6, 7, 8])

print("A subset of array a &＃61; ", a[2:5])

这里我们提取索引2到索引5中的元素。输出将是&＃xff1a;

如果想要提取最后三个元素&＃xff0c;可以通过使用负片切片来完成此操作&＃xff0c;如下所示&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5, 6, 7, 8])

print("A subset of array a &＃61; ", a[-3:])

将函数应用于所有数组元素

在下面的示例中&＃xff0c;我们将创建一个lambda函数&＃xff0c;在该函数上传递数组以将其应用于所有元素&＃xff1a;

import numpy

addition &＃61; lambda x: x &＃43; 2

a &＃61; numpy.array([1, 2, 3, 4, 5, 6])

print("Array after addition function: ", addition(a))

在此示例中&＃xff0c;创建了一个lambda函数&＃xff0c;它将每个元素递增2个值。

NumPy 数组长度

你可以通过使用NumPy模块的size属性来获取NumPy数组的长度&＃xff0c;如下例所示&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5, 6])

print("The size of array &＃61; ", a.size)

从列表中创建numpy数组

Python中的列表是方括号之间的多个元素。

假设有一个列表&＃xff1a;

l &＃61; [1, 2, 3, 4, 5]

现在要根据这个列表创建一个数组&＃xff0c;我们将使用NumPy模块的array&＃xff08;&＃xff09;方法&＃xff1a;

import numpy

l &＃61; [1, 2, 3, 4, 5]

a &＃61; numpy.array(l)

print("The NumPy array from Python list &＃61; ", a)

同样地&＃xff0c;通过使用array&＃xff08;&＃xff09;方法&＃xff0c;我们可以根据元组创建一个NumPy数组。一个元组包含多个用圆括号括起来的元素&＃xff0c;如下所示&＃xff1a;

import numpy

t &＃61; (1, 2, 3, 4, 5)

a &＃61; numpy.array(t)

print("The NumPy array from Python Tuple &＃61; ", a)

将NumPy数组转换为列表

想要将数组转换为列表&＃xff0c;我们可以使用NumPy模块的tolist&＃xff08;&＃xff09;方法。

请看以下代码&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5])

print("Array to list &＃61; ", a.tolist())

在这段代码中&＃xff0c;我们简单地运用了能将数组转换为列表的tolist&＃xff08;&＃xff09;方法。然后将新创建的列表打印到输出屏幕。

从NumPy 到CSV

使用NumPy模块的savetxt&＃xff08;&＃xff09;方法将数组导出为CSV文件&＃xff0c;如下例所示&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5])

numpy.savetxt("myArray.csv", a)

代码将在Python代码文件存储位置生成一个CSV文件。你还可以指定其路径。运行脚本时&＃xff0c;文件将生成如下代码&＃xff1a;

该文件的内容如下&＃xff1a;

你可以删除额外的零填充&＃xff0c;如下所示&＃xff1a;

numpy.savetxt("myArray.csv", a,fmt&＃61; %.2f )

将 NumPy 数组排序

可以使用Numpy模块的sort&＃xff08;&＃xff09;方法对numpy数组进行排序&＃xff1a;

Sort&＃xff08;&＃xff09;函数采用一个可选的axis&＃xff08;整数&＃xff09;&＃xff0c;默认值为-1。此axis指定要对数组进行排序的axis。-1表示数组将根据最后一个axis进行排序。

请看以下示例&＃xff1a;

import numpy

a &＃61; numpy.array([16, 3, 2, 6, 8, 10, 1])

print("Sorted array &＃61; ", numpy.sort(a))

在本例中&＃xff0c;我们在print语句中运用了sort&＃xff08;&＃xff09;方法。数组“a”被传递给排序函数。其输出如下&＃xff1a;

规范化数组

规范化数组是将数组值设置为某个定义范围内的过程。例如&＃xff0c;我们可以说我们想要规范化一个介于-1和1之间的数组&＃xff0c;依此类推。

规范化公式如下&＃xff1a;

x &＃61; (x – xmin) / (xmax – xmin)

现在将这个公式应用于数组&＃xff0c;对它进行规范化操作。要查找数组中的最大和最小项&＃xff0c;分别使用NumPy的max&＃xff08;&＃xff09;和min&＃xff08;&＃xff09;方法。

import numpy

x&＃61; numpy.array([400, 800, 200, 700, 1000, 2000, 300])

xmax &＃61; x.max()

xmin &＃61; x.min()

x &＃61; (x - xmin)/(xmax - xmin)

print("After normalization array x &＃61; ", x)

数组索引

索引指的是数组的一个元素。在以下示例中&＃xff0c;我们在单维和二维数组中都使用了索引&＃xff1a;

import numpy

a &＃61; numpy.array([20, 13, 42, 86, 81, 9, 11])

print("Element at index 3 &＃61; ", a[3])

现在使用二维数组进行索引&＃xff1a;

import numpy

a &＃61; numpy.array([[20, 13, 42], [86, 81, 9]])

print("Element at index a[1][2] &＃61; ", a[1][2])

索引[1] [2]表示第二行和第三列&＃xff08;索引从0开始&＃xff09;。因此&＃xff0c;我们在输出屏幕上能看到9个索引。

将numpy数组附加到另一个数组上

你可以使用append&＃xff08;&＃xff09;方法将一个NumPy数组附加到另一个NumPy数组上。请看以下示例&＃xff1a;

import numpy

a &＃61; numpy.array([1, 2, 3, 4, 5])

b &＃61; numpy.array([10, 20, 30, 40, 50])

newArray &＃61; numpy.append(a, b)

print("The new array &＃61; ", newArray)

在本例中&＃xff0c;我们创建一个numpy数组“a”&＃xff0c;然后创建另一个名为“b”的数组。然后我们使用append&＃xff08;&＃xff09;方法传递两个数组。当数组“b”作为第二个参数传递时&＃xff0c;将被添加到数组“a”的末尾。

正如我们所见&＃xff0c;使用Numpy数组非常简单。在使用大多数机器学习库时&＃xff0c;Numpy数组非常重要。所以&＃xff0c;我们可以说Numpy是通往人工智能的大门。

相关链接&＃xff1a;

https://www.codementor.io/likegeeks/python-numpy-array-tutorial-rw4gnhfg0

推荐阅读
GitHub超 7.9 万星&＃xff0c;最全Python入门算法&＃xff01;【原来如此】图文并茂&＃xff0c;一文读懂"自注意力"背后的技术&＃xff01;论文绘图神器来了&＃xff1a;一行代码绘制不同期刊格式图表&＃xff0c;哈佛博士后开源这 68 个 Python 内置函数请收好&＃xff01;长文 | 盘点 YOLOv4 这些鲜为人知的特性&＃xff01;