什么是Numpy？

Numpy 用于在数组中执行数学和逻辑运算。使用 NumPy 的主要目的是提高内存效率，它可以管理任何维度的大量数据。Numpy 用于执行数组和矩阵运算。

Numpy 可以执行矩阵运算、三角函数、线性代数、统计等等。

Numpy ndarray 提供多维数组对象。

Numpy中的数组有哪些类型？

标量 - 它只有单个元素0D。

向量 - 它有 n 个元素，但是，元素应该是行或列（简单地总结元素列表）1D。

矩阵 - 矩阵在2D行和列中保存值

Tensor-Tensor 有 n 维的行和列元素。

如何安装Numpy

使用 pip 安装 NumPy 包

pip install numpy

Pandas 和 Numpy 相辅相成，是两个最重要的 Python 库，如果你想了解Pandas，请查看我之前的Pandas文章：Python每日一库之Pandas

最重要的 Numpy 数据类型是什么？

• 一维数组

最重要的对象之一是称为 ndarray 的 N 维数组类型。

我们可以将一维数组视为具有一个或多个元素的表的一列或一行：

存储在 ndarray 中的所有项目都必须是同一类型。这意味着 ndarray 是一个同质数据块。ndarray 有跨步信息。该数值是维度中下一个元素的字节数。

这有助于数组在内存中导航，并且不需要复制数据。

每个 ndarray 都包含一个指向其在计算机中的内存位置的指针。它还包含它的 dtype、它的形状和步幅元组。步幅是整数，表示它必须移动的字节数才能到达维度中的下一个元素。

数组包含相同类型的对象的集合，例如整数

要创建一个数组：

import numpy as np

a = np.array([1,2,3])

• 多维数组

多维数组有不止一列。

我们可以将多维数组视为 Excel 电子表格——它具有列和行。每一列都可以被视为一个维度。

我们可以实例化一个数组对象：

numpy.array([,.,.,.,])
numpy.array([1,2]) #1D 
numpy.array([[1,2],[10,20]]) #2D#对于复杂类型
numpy.array([1,2], dtype=complex) #1D complex

如果要创建 3D 数组：

• 这将创建 3 个具有 4 行和 5 列的数组，每个数组具有随机整数。

3DArray = np.random.randint(10, size=(3, 4, 5))

还有其他类型可用，例如：

1. 布尔值
2. 整数（有符号和无符号）
3. 浮点数
4. 复杂的

何时使用数组

就像数组数据结构一样，Python 中的列表也是一种数据结构，列表是可变的，并且是有序的元素序列。它很灵活，可以保存任意数据。此外，我们可以有效地将项目附加到列表中。但是，列表比数组占用更多空间，数组是 C语言数组的封装。如果要执行数学运算，则应使用 Numpy 数组。此外，我们可以在数组上执行我们无法在列表上执行的算术函数。

创建数组的不同方法

• 如果要创建没有任何元素的数组

numpy.empty(2) #这将创建 2 个元素的一维数组
numpy.empty([2,3]) #这将创建二维数组（2 行，每列 3 列）

• 如果要创建一个0s的数组

numpy.zeros(2) #它将创建一个有2个元素的一维数组，都是0 
#注意方法的参数是shape，它可以是int或tuple

• 如果要创建一个1s的数组

numpy.ones(2) # 这将创建具有 2 个元素的一维数组，均为 1

• 如果你想从一个元素序列创建一个numpy数组

numpy.asarray([python sequence]) #e.g. numpy.asarray([1,2])

• 从内存中的缓冲区创建numpy数组

#可以在内存中复制字符串
x = np.fromstring(‘hi’, dtype=’int8')
#直接引用字符串的缓冲区，这样可以节省内存，可以传入dtype参数，默认是float
a = np.frombuffer(x, dtype=’int8')

• 如果要创建一系列元素

array = np.arange(3) #array 将包含 0,1,2

• 如果要创建一个具有均匀分布的值的数组

#numpy.arange(first, last, step, type)
numpy.arange(0,6,2) # 返回[0,2,4]

• 如果要创建一个数组，其中值在一个区间之间呈线性间隔

#numpy.linspace(first, last, number)
numpy.linspace(0,10,5)  # 返回[0,2.5,5,7.5,10]

• 如果要创建一个数组，其中值在一个间隔之间以对数间隔

#numpy.logspace(first, end, number)
a= numpy.logspace(1, 15, 4)
#[1.00000000e+01 4.64158883e+05 2.15443469e+10 1.00000000e+15]

• 随机数生成

np.random.rand(3,2) #3行，2列

添加/删除/排序元素

• 添加元素

a = [0] 
np.append(a, [1,2]) #adds 1,2 at the end 
# [0,1,2]

• 删除元素

# np.delete(array, 1) 从数组中删除元素1
a = np.delete([0,1,2], 1) #results in [0,2]

• 元素排序

对数组进行排序，请调用 sort(array, axis, kind, orderby) 函数

# np.sort(array1, axis=1, kind = 'quicksort')
a = np.sort([[0,3,2],[1,2,3]], axis=1, kind = 'quicksort' )
#[[0 2 3] 
# [1 2 3]]

NumPy 数组函数和属性

• shape：查找数组的维度（列数/行数）

#array = np.array([[..],[..]]) 
#print(array.shape)

a = np.array([[1,2],[3,4]])
print(a.shape)
# (2,2) # 行、列

#可以通过设置 shape 属性来改变数组的形状（调整大小）
array.shape = (1,2) #1 行 2 列
#如果想在不复制任何数据的情况下更改数组的形状，可以使用reshape()方法
array = np.arange(10) 
array.reshape(2,5) #这将返回一个2行5列的数组
#还可以将维度值设置为 -1，这将让 Numpy 从数据中推断出维度
#想展平一个数组而不返回一个副本，我们可以使用 ravel() 函数
array.ravel() # 这会将上面的数组重塑为1d的10个元素
#我们想展平一个数组并生成一个副本，那么我们可以使用 flatten() 方法
a = array.flatten() #这将返回一个一维数组

• 如果我们要求一个数组的维度

a = np.array([[1,2],[3,4]])
print(a.ndim)

• 如果我们要求一个数组每个元素的长度

a = np.array([0,1,2]).itemsize
print(a)

• 如果我们想要对数组的一个子集进行切片

array = np.arange(100)
#获取第三个元素：
array[2] #prints 2
#获取索引中的项目
array[3:5] #3 是开始，5 是结束, prints [3 4]
#获取3-10个元素，步长是4:
array[2:9:4] #prints [2 6]
#从第二个元素开始获取所有元素
array[1:] #prints [1-99]
#也可以传入N维索引
array = np.array([[0,1,3],[1,2,4]])
print(array[[0,1],[1,2]]) #prints [1 4]

• 数组切片中的条件

#获取所有 NAN 元素
array[np.isnan(array)]

#where()可用于传入布尔表达式
np.where(array > 2) # 将返回所有符合条件的元素

• 广播数组

#当对两个不同大小的数组执行数学运算时，较小的数组被广播到较大数组的大小
large_array = np.arange(15).reshape(5,3) #5 行 3 列数组
small_array = np.arange(5).reshape(5,1) #5 行 1 列数组
final_array = small_array * large_array 
print (final_array)

需要注意的关键是广播兼容两个数组，其中第一个数组的列数与第二个数组的行数相同，或者任何数组的长度为 1。

• 连接数组

a = [1,2] 
b= [3,4] 
c = [a,b] 
#输出：[[1, 2], [3, 4]]

np.concatenate(c) 
#输出：[1 2 3 4]
np.stack(c) #
#输出：
#[[1 2] 
#[3 4]]
# 可以使用 vstack 或 hstach 方法将它们堆叠起来
np.hstack(c) #
#输出：
#[1 2 3 4]
np.vstack(c) #
#输出：
#[[1 2] 
#[3 4]]

• 字符串操作

可以使用字符串的操作，比如添加，大写，小写，替换等。

add(), upper(), lower(), replace()

• 创建 numpy 数组的深拷贝

new_array = np.copy(array)

要重复一个数组，我们可以使用 repeat() 或 tile() 函数。repeat(n) 将简单地重复每个元素 n 次。n 也可以是一个数组，其中每个元素将根据 n 的值以不同的方式重复，例如 [1,5] 意味着我们需要重复第一个元素一次，第二个元素重复 5 次。对于多维数组，我们可以传入axis属性。tile(array, (n,m)) 略有不同，因为除了重复元素之外，它还对 n 行和 m 列的项目进行平铺/堆叠。

• 自定义数组函数

使用 np.fromnpfunc(my_new_ufunc, elements) 创建新的 func，然后在 NumPy 数组上执行它

• 结构化数组

我们想创建一个包含多种数据类型元素的数组，那么我们可以创建一个结构化数组。我们可以设置 dtype，它是一个包含元素名称和类型的元组列表。结构化数组比 pandas DataFrame 更快，因为它们消耗更少的内存，因为每个元素都表示为固定数量的字节，它们是精简的，因此是高效的低级数组，也可以被视为表格结构。

type = [('column_1', np.int32, 'column_2', np.float64]) 
array = np.array([1,2], [2.4, -1], dtype=type)

• 数学函数

Numpy 提供了一系列强大的数学函数,由于 Numpy 具有丰富的数学特性，因此在 Numpy 之上构建了许多库

#加、减、乘、除、幂、模
#要对两个数组 a 和 b 执行基本算术函数：

a = [1,2] 
b= [3,4] 
c = np.add(a, b) 
c = np.subtract(a, b) 
c = np.multiply(a, b) 
c = np.divide( a, b) 
c = np.power(a, b) 
c = np.power(a, 2) 
#得到余数
c= np.mod(a, b) 
c = np.remainder(a, b)

#四舍五入，ceiling向上取整，floor向下取整
#要更改数组所有元素的精度：

np.around(array, 4) # 4dp 
np.ceil(array) #1.8 会变成 2 
np.floor(array) #1.8 会变成 1

• 三角函数

array = [0, 1] 
np.sin(array) 
np.cos(array) 
np.tan(array) 
np.arcsin(array) 
np.arccos(array) 
np.arctan(array)

• 统计

a = [1,2]
np.amin(a, 0) #min in the axis
np.amax(a, 0) #max in the axis
np.percentile(a, 10)
np.median(a)
np.std(a)
np.average(a)
np.mean(a)
np.var(a)

• 代数

Numpy 包含一个称为 linalg 的模块。它具有许多代数函数

1. dot() #两个数组的点积
2. inner() #两个数组的内积
3. 行列式() #一个数组的行列式
4.solve() #求解矩阵方程
5. inv() #逆矩阵
6. matmul() #两个数组的矩阵乘积

关于 Numba 的注意事项

我们可以使用 Numba 为 Numpy 创建快速函数。Numba 函数本质上是纯 Python 函数。诀窍是使用 nb.jit(func) 将函数编译成更快的 Numba 版本。我们还可以在函数上使用 @numba.vectorize 装饰器将代码编译成 NumPy ufunc。尽管 Numba 不支持所有 Python 代码，但它可以处理大部分用纯 Python 编写的数值算法。

概括

本文概述了 NumPy 库的核心功能。自从 2005 年 NumPy 与 Numarray 的功能相结合以来，它已经获得了巨大的普及，并被认为是使用的关键 Python 库之一。

文章概述了 NumPy 数组的关键功能和属性，感谢阅读，Happy Code！