numpy 介绍与使用

一、介绍

中文文档：https://www.numpy.org.cn/

NumPy是Python语言的一个扩展包。支持多维数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy提供了与Matlab相似的功能与操作方式，因为两者皆为直译语言。

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，是一个流行的技术平台。

NumPy中定义的最重要的对象是称为ndarray的N维数组类型。它描述相同类型的元素集合，可以使用基于零的索引访问集合中元素。基本的ndarray是使用NumPy中的数组函数创建的: numpy.array。

NumPy支持比Python更多种类的数值类型。NumPy数值是dtype(数据类型)对象的实例，每个对象具有唯一的特征。

二、生成numpy数组

1、方法一使用np.array将list转换为numpy数组

x=[[1,2],[3,4],[5,6]]

a=np.array(x)  #转换成numpy数组

2、方法二随机生成numpy数组

import numpy as np

a1=np.ndarray([12]) #生成随机的12位的数组

a=np.random.randint(0,10,100)#范围内的整数,长度为100

b=np.random.rand(40)#0到1的均匀分布，长度为40

c=np.random.randn(10)#标准正态分布，长度为10

d=np.random.normal(0,1,100)#生成指定正态分布,长度为100

e=np.random.random(20)#0到1的均匀分布,长度20

f=np.random.ranf(20)#0到1的均匀分布,长度20

g=np.random.uniform(-1,1,100)#指定均匀分布,长度100

3、顺序生成数组

import numpy as np

h=np.arange(12)#按顺序生成0-11的数组(类似pythn的range)

b=np.arange(0,12,2)#python list的布长0,2,4,6,8等

4、生成零数组、1数组、空数组

import numpy as np

#0数组

a= np.zeros(shape=[4,10],dtype=np.float32)  #生成4*10的0数组，类型为float32

print(a)

#1数组

b=np.ones(shape=[4,10],dtype=np.float32)

print(b)

#空数组（前面有0数组或1数组，就更前面一样，没有就是随机的数组）

c=np.empty(shape=[4,10],dtype=np.float32)

print(c)

#生成one-hot数组（将0数组中指定位置的值改成1）

#8,5,2,6(one-hot)

a= np.zeros(shape=[4,10],dtype=np.float32)#8,5,2,6(one-hot)

print(a)

#遍历，修改对应的值为1

for i,k in enumerate(a):

    if i == 0:

        k[8]=1

    elif i == 1:

        k[5]=1

    elif i == 2:

        k[2]=1

    else:

        k[6]=1

print(a

c=np.argmax(a,axis=1) #1所在的下标

print(c) #[8 5 2 6]

5、将字符串元素转为数值元素

import numpy as np

x = np.array(['','','','',''],dtype=np.string_)

y = x.astype(np.int8)#如果元素中有不为数字的元素，则会抛出异常

三、设置numpy数组维度与常用方法

1、设置数组的维度（使用reshape）

#设置3维数组

a=np.ndarray([12]) #定义0-11的12位numpy数组

a1=a.reshape(2,2,3) #2*2*3的数组,（由2组数组，每组数组再由2组数组组成，里面没个数组由3组数组成）

#定义2维数组

b=np.arange(12).reshape(3,4) #类似range，从0开始到n的列表（这里是0-11的数字）

print(b)

#其它维度也是这么定义的

2、数组的一些属性与方法

import numpy as np

b=np.arange((12),dtype=np.float32).reshape(2,2,3)  #定义数组类型np.float32

#查看数组的一些属性

np.shape(b) #形状，上面reshape的值，如(3,4),(2,2,3)

b.shape   #和上面一样，获取形状值

b.size    #数组、列表长度 如：12

b.dtype   #获取类型，如int32

b.ndim   #获取维度

#数组复制

a = np.arange(24).reshape(2,3,4)

b = a.copy() #复制

#数组排序

a= np.array([12,45,1,6,8,9,32])

a.sort()  #排序

3、二维数组的轴使用

import numpy as np

a = np.arange(12).reshape(4,3)

a[0,1]=20 #第0组，下标为1的值改为20（1改成20）

print(a)

b=np.argmin(a,axis=1)  #[0 0 0 0]

print(b)

c=np.min(a,axis=1) #获取每组数组的第1个数（0下标的值）

print(c)

d=np.max(a,axis=1)  #获取每组数组中最大的值

print(d)

c=a[:,0]    #获取每组数组0下标的值

print(c)

4、三维数组的轴使用

import numpy as np

a = np.arange(24).reshape(2,3,4)

a[0,0,2]=66 #0下标数组，中的第0号下标的数组中下标为2的值改成66（把2改成66）

print(a)

b=np.max(a,axis=1)  #每个数组中下标相同的值，取下标的最大值，axis代表哪个轴

print(b)

'''结果

[[ 8  9 66 11]

 [20 21 22 23]]'''

 c=np.sum(a,axis=1) #每组中下标相同的值相加的和

print(c)

'''结果

[[12 15 82 21]

 [48 51 54 57]]

'''

c=np.mean(a,axis=1) #每组中下标相同的值的平均值

print(c)

'''结果

[[ 4.          5.         27.33333333  7.        ]

 [16.         17.         18.         19.        ]]

'''

四、数组的广播机制

1、形状相同的广播

import numpy as np

a=np.arange(12).reshape(4,3)

b=3

c=a+b

print(a)

print(c)  #广播后，全部数字加3了

2、形状不相同的广播

形状不相同，后缘维度要相同

import numpy as np

a=np.arange(12).reshape(4,3)

print(a)

print()

b=[3,2,1] #后缘维度长度要相同，即上面reshape(4,3)的后面的数和b的长度要一致（3）

print(a+b,'a+b') #每一行都按3,2,1顺序相加，如3+0,2+1,1+2,3+3依次类推

五、numpy数组转置

1、numpy数组转置

import numpy as np

a=np.arange(12).reshape(4,3)

b=np.arange(12).reshape(3,4)

c=np.dot(a,b)  #转置

print(a)

print(b)

print(c)

2、图像转成np数组

图像的4个维度：N,H,W,C

N：批次中的图像数量
H：图像的高度
W：图像的宽度
C：图像的通道数(例如：3表示RGB,1表示灰度……)

import numpy as np

import PIL.Image as img

path="1.jpg"

i=img.open(path)

print(np.shape(i))  #(153, 232, 3)

arr = np.array(i) #图片转成numpy数组

# print(arr)

a=np.arange(24).reshape(2,3,4)  #设置一个0-23的3维数组

print(a)

b=a.T #T方法转置,

print(b.shape) #(4, 3, 2)

print(b)

c=np.transpose(arr,[1,0,2]) #转置，轴对换 把(153, 232, 3) 改成(232, 153, 3)

print(c)

print(c.shape)

六、numpy数组的切片

1、二维数组的切片

import numpy as np

a=np.arange(12).reshape(4,3) #生成numpy数组

b = a[1:,:2]  #从下标为1的数组中,0-2(即0,1)下标的值

c = a[0][0]   #取下标0的数组中，下标为0的值（0）

d = a[0]      #取下标为0的数组

e = a[0][2]   #取下标为0的数组中。下标为2的值

2、三维数组的切片

import numpy as np

a=np.arange(24).reshape(2,3,4)

b = a[:1,:,2:] #取下标到1的数组（即下标为0，到2就是0,1）中，所有下标数组中，下标从2开始到所有的值

c = a[1,2,1] #取下标为1的数组中下标为2的数组中，下标为1的值

d = a[1][2][3] #取下标为1的数组中下标为2的数组中,下标为2的值

3、其它维度的数组以此类推

七、数组拼接

1、方式一、转成list再append追加

import numpy as np

a = np.arange(12).reshape(3,4)

b = np.array([4,5,6,7])

#将b放到a数组的后面

c=a.tolist()  #将a转成list类型

c.append(b.tolist())

2、方式二、转成list后使用extend

import numpy as np

a=np.arange(12).reshape(3,4)

b=np.array([4,5,6,7])

a=a.tolist()

a.extend([b.tolist()])

print(a)

3、轴拼接

import numpy as np

a=np.arange(12).reshape(3,4)

b=np.arange(12).reshape(3,4)

c=np.vstack((a,b))  #将b最佳到a的后面,(拼接0轴)

print(c.shape) #(6, 4)

d=np.hstack((a,b))  #把a和b数组中下标相同的列表合并（拼接1轴）

print(d.shape) #(3, 8)

八、使用numpy采样例子

import numpy as np

import os

import PIL.Image as img

path_image = r"F:/test4/img" #图片目录路径

class Sample:

    '''读取所有图像数据'''

    def read_data(self):

        self.img_arr=[]

        #遍历系统文件夹里的文件名

        for name in os.listdir(path_image):

            imgs = img.open(r"{0}/{1}".format(path_image,name))

            images=(np.array(imgs)/255-0.5)*2#/0.5（除0.5） #神经网络通常不会使用太大的数据。所以除255等操作，尽量归1化（通常使用正负1之间的数据）

            self.img_arr.append(images)

        return self.img_arr

    def get_batch(self,set):

        '''获取随机数据采样的批次'''

        self.read_data()

        self.get_arr = []

        for i in range(set):

            #生成图像个数长度内的一个随机数字

            num=np.random.randint(0,len(self.img_arr))

            #将生成的随机数作为图像数据集的索引

            imge=self.img_arr[num]

            #把得到的随机图像数据累计起来

            self.get_arr.append(imge)

        return self.get_arr

sample=Sample()

# sample.read_data()

#查看随机图像批次形状（4维数组）

print(np.shape(sample.get_batch(100))) #100张，48*48尺寸的图片，图像的通道数(例如：3表示RGB）

#查看随机获得的图像数据

sample.get_batch(10)

九、pandas简单使用

1、pandas介绍

pandas是基于NumPy构建的，让以NumPy为中心的应用变得更加简单

2、pandas简单实用

import numpy as np

from pandas import Series,DataFrame

#左边是索引，右边是数据

a=Series([1,2,3,4],dtype=np.float32) #创建Series数据结构，类型为np.float32

print(a)

'''

0    1.0

1    2.0

2    3.0

3    4.0

dtype: float32

'''

print(a.values)  #值[1,2,3,4]

print(a.index)  #RangeIndex(start=0, stop=4, step=1) #长度0-4，布长为1

#自定义索引(值和索引长度一样)

b=Series([4,5,6,7],index=["a","b","c","d"])

print(b)

'''

a    4

b    5

c    6

d    7

dtype: int64

'''

b["a"]=8  #改变索引为"a"的值为8

print(b)

#自定义索引方式二

b=Series({"A":1,"B":2})

print(b)

#DataFrame类型，类似课表或者excel表格一样，拥有行索引和列索引

c=DataFrame(data=[[2,4,6],[7,8,3],[4,7,5]],index=["d","e","f"],columns=["a","b","c"])

print(c)

'''

   a  b  c

d  2  4  6

e  7  8  3

f  4  7  5

'''

巴特西

numpy 介绍与使用

一、介绍

二、生成numpy数组

1、方法一使用np.array将list转换为numpy数组

2、方法二随机生成numpy数组

3、顺序生成数组

4、生成零数组、1数组、空数组

#生成one-hot数组（将0数组中指定位置的值改成1）

5、将字符串元素转为数值元素

三、设置numpy数组维度与常用方法

1、设置数组的维度（使用reshape）

2、数组的一些属性与方法

3、二维数组的轴使用

4、三维数组的轴使用

四、数组的广播机制

1、形状相同的广播

2、形状不相同的广播

五、numpy数组转置

1、numpy数组转置

2、图像转成np数组

六、numpy数组的切片

1、二维数组的切片

2、三维数组的切片

3、其它维度的数组以此类推

七、数组拼接

1、方式一、转成list再append追加

2、方式二、转成list后使用extend

3、轴拼接

八、使用numpy采样例子

九、pandas简单使用

1、pandas介绍

2、pandas简单实用

最新文章

热门文章

巴特西

numpy 介绍与使用

一、介绍

二、生成numpy数组

1、方法一 使用np.array将list转换为numpy数组

2、方法二 随机生成numpy数组

3、顺序生成数组

4、生成零数组、1数组、空数组

#生成one-hot数组（将0数组中指定位置的值改成1）

5、将字符串元素转为数值元素

三、设置numpy数组维度与常用方法

1、设置数组的维度（使用reshape）

2、数组的一些属性与方法

3、二维数组的轴使用

4、三维数组的轴使用

四、数组的广播机制

1、形状相同的广播

2、形状不相同的广播

五、numpy数组转置

1、numpy数组转置

2、图像转成np数组

六、numpy数组的切片

1、二维数组的切片

2、三维数组的切片

3、其它维度的数组以此类推

七、数组拼接

1、方式一、转成list再append追加

2、方式二、转成list后使用extend

3、轴拼接

八、使用numpy采样例子

九、pandas简单使用

1、pandas介绍

2、pandas简单实用

最新文章

热门文章

1、方法一使用np.array将list转换为numpy数组

2、方法二随机生成numpy数组