概述
文章
- 基础篇
- 进阶篇
- 其他篇
用户指南
NumPy 参考手册
- 数组对象
- 常量
- 通函数(ufunc)
- 常用 API
- 创建数组
- 数组处理程序
- 二进制运算
- 字符串操作
- C-Types 外部函数接口(numpy.ctypeslib)
- 时间日期相关
- 数据类型相关
- 可选的 Scipy 加速支持(numpy.dual)
- 具有自动域的数学函数( numpy.emath)
- 浮点错误处理
- 离散傅立叶变换(numpy.fft)
- 财金相关
- 实用的功能
- 特殊的 NumPy 帮助功能
- 索引相关
- 输入和输出
- 线性代数(numpy.linalg)
- 逻辑函数
- 操作掩码数组
- 数学函数(Mathematical functions)
- 矩阵库 (numpy.matlib)
- 杂项(Miscellaneous routines)
- 填充数组(Padding Arrays)
- 多项式(Polynomials)
- 随机抽样 (numpy.random)
- 操作集合(Set routines)
- 排序,搜索和计数(Sorting, searching, and counting)
- Statistics
- Test Support (numpy.testing)
- Window functions
- 打包(numpy.distutils)
- NumPy Distutils 用户指南
- NumPy C-API
- NumPy 的内部
- NumPy 和 SWIG
其他文档
理解 NumPy
在这篇文章中,我们将介绍使用NumPy的基础知识,NumPy是一个功能强大的Python库,允许更高级的数据操作和数学计算。
什么是 NumPy?
NumPy是一个功能强大的Python库,主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical
和Python
。NumPy提供了大量的库函数和操作,可以帮助程序员轻松地进行数值计算。这类数值计算广泛用于以下任务:
机器学习模型:在编写机器学习算法时,需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库,用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。
图像处理和计算机图形学:计算机中的图像表示为多维数字数组。NumPy成为同样情况下最自然的选择。实际上,NumPy提供了一些优秀的库函数来快速处理图像。例如,镜像图像、按特定角度旋转图像等。
数学任务:NumPy对于执行各种数学任务非常有用,如数值积分、微分、内插、外推等。因此,当涉及到数学任务时,它形成了一种基于Python的MATLAB的快速替代。
NumPy 的安装
在你的计算机上安装NumPy的最快也是最简单的方法是在shell上使用以下命令:pip install numpy
。
这将在你的计算机上安装最新/最稳定的NumPy版本。通过PIP安装是安装任何Python软件包的最简单方法。现在让我们来谈谈NumPy中最重要的概念,NumPy数组。
NumPy 中的数组
NumPy提供的最重要的数据结构是一个称为NumPy数组的强大对象。NumPy数组是通常的Python数组的扩展。NumPy数组配备了大量的函数和运算符,可以帮助我们快速编写上面讨论过的各种类型计算的高性能代码。让我们看看如何快速定义一维NumPy数组:
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
print my_array
在上面的简单示例中,我们首先使用import numpy作为np导入NumPy库。然后,我们创建了一个包含5个整数的简单NumPy数组,然后我们将其打印出来。继续在自己的机器上试一试。在看 “NumPy安装” 部分下面的步骤的时候,请确保已在计算机中安装了NumPy。
现在让我们看看我们可以用这个特定的NumPy数组能做些什么。
print my_array.shape
它会打印我们创建的数组的形状:(5, )
。意思就是 my_array 是一个包含5个元素的数组。
我们也可以打印各个元素。就像普通的Python数组一样,NumPy数组的起始索引编号为0。
print my_array[0]
print my_array[1]
上述命令将分别在终端上打印1和2。我们还可以修改NumPy数组的元素。例如,假设我们编写以下2个命令:
my_array[0] = -1
print my_array
我们将在屏幕上看到:[-1,2,3,4,5]
。
现在假设,我们要创建一个长度为5的NumPy数组,但所有元素都为0,我们可以这样做吗?是的。NumPy提供了一种简单的方法来做同样的事情。
my_new_array = np.zeros((5))
print my_new_array
我们将看到输出了 [0., 0., 0., 0., 0.]
。与 np.zeros
类似,我们也有 np.ones
。 如果我们想创建一个随机值数组怎么办?
my_random_array = np.random.random((5))
print my_random_array
我们得到的输出看起来像 [0.22051844 0.35278286 0.11342404 0.79671772 0.62263151] 这样的数据。你获得的输出可能会有所不同,因为我们使用的是随机函数,它为每个元素分配0到1之间的随机值。
现在让我们看看如何使用NumPy创建二维数组。
my_2d_array = np.zeros((2, 3)) print my_2d_array
这将在屏幕上打印以下内容:
[[0. 0. 0.]
[0. 0. 0.]]
猜猜以下代码的输出结果如何:
my_2d_array_new = np.ones((2, 4)) print my_2d_array_new
这里是:
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]
基本上,当你使用函数np.zeros()
或np.ones()
时,你可以指定讨论数组大小的元组。在上面的两个例子中,我们使用以下元组,(2, 3) 和(2, 4) 分别表示2行,3列和4列。像上面那样的多维数组可以用 my_array[i][j]
符号来索引,其中i表示行号,j表示列号。i和j都从0开始。
my_array = np.array([[4, 5], [6, 1]])
print my_array[0][1]
上面的代码片段的输出是5,因为它是索引0行和索引1列中的元素。
你还可以按如下方式打印my_array的形状:
print my_array.shape
输出为(2, 2),表示数组中有2行2列。
NumPy提供了一种提取多维数组的行/列的强大方法。例如,考虑我们上面定义的my_array
的例子。
[[4 5] [6 1]]
假设,我们想从中提取第二列(索引1)的所有元素。在这里,我们肉眼可以看出,第二列由两个元素组成:5
和 1
。为此,我们可以执行以下操作:
my_array_column_2 = my_array[:, 1]
print my_array_column_2
注意,我们使用了冒号(:
)而不是行号,而对于列号,我们使用了值1
,最终输出是:[5, 1]
。
我们可以类似地从多维NumPy数组中提取一行。现在,让我们看看NumPy在多个数组上执行计算时提供的强大功能。
NumPy中的数组操作
使用NumPy,你可以轻松地在数组上执行数学运算。例如,你可以添加NumPy数组,你可以减去它们,你可以将它们相乘,甚至可以将它们分开。 以下是一些例子:
import numpy as np
a = np.array([[1.0, 2.0], [3.0, 4.0]])
b = np.array([[5.0, 6.0], [7.0, 8.0]])
sum = a + b
difference = a - b
product = a * b
quotient = a / b
print "Sum = \n", sum
print "Difference = \n", difference
print "Product = \n", product
print "Quotient = \n", quotient
# The output will be as follows:
Sum = [[ 6. 8.] [10. 12.]]
Difference = [[-4. -4.] [-4. -4.]]
Product = [[ 5. 12.] [21. 32.]]
Quotient = [[0.2 0.33333333] [0.42857143 0.5 ]]
如你所见,乘法运算符执行逐元素乘法而不是矩阵乘法。 要执行矩阵乘法,你可以执行以下操作:
matrix_product = a.dot(b)
print "Matrix Product = ", matrix_product
输出将是:
[[19. 22.]
[43. 50.]]
总结
如你所见,NumPy在其提供的库函数方面非常强大。你可以使用NumPy公开的优秀的API在单行代码中执行大型计算。这使它成为各种数值计算的优雅工具。如果你希望自己成为一名数学家或数据科学家,你一定要考虑掌握它。在熟练掌握NumPy之前,你需要了解Python。
你可以在 Hackr.io 上找到编程社区推荐的最佳Python 教程open in new window,愿上帝保佑你!
文章出处
由NumPy中文文档翻译,原作者为 Vijay Singhopen in new window,翻译至:https://dzone.com/article/understanding-numpyopen in new window。
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论