Day 01-基础入门-灵析社区

本节内容

1、numpy简介
2、ndarray介绍
3、numpy安装
4、numpy基础用法
5、numpy数组广播

一、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。

二、Ndarray 对象

从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。它从任何暴露数组接口的对象，或从返回数组的任何方法创建一个ndarray。

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

三、安装numpy

安装numpy

!pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
安装jupyter
!pip install jupyter notebook -i https://pypi.tuna.tsinghua.edu.cn/simple

四、基础用法(重要)

4.1、为什么要用numpy

比如：我要针对一个数组的元素都乘以2，有2种做法

# 方法一
num_list=[1,2,3,4,5,6]
ret_list = []
for num in num_list:
    ret_list.append(num*2)
print(ret_list)
print("-----------------")

# 方案二
np_array = np.array(num_list)
print(np_array*2)

4.2、各维度数据定义：

# 创建ndarray数据
import numpy as np 
# 一维数组
a = np.array([1,2,3])
a_ = np.array((1,2,3))  
# 二维数组
b = np.array([[1,  2],  
              [3,  4]])
# 三维数组
c = np.array([[[1,  2],  
              [3,  4]],
              [[1,  2],  
              [3,  4]]])
print(a)
print("-----------------")
print(a_)
print("-----------------")
print(b)
print("-----------------")
print(c)

4.3、数组信息

print(a.shape)
print("-----------------")
print(b.shape)
print("-----------------")
print(c.shape)

五、数据类型

5.1、numpy数据类型

NumPy 支持比 Python 更多种类的数值类型。下表显示了 NumPy 中定义的不同标量数据类型。

NumPy 数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征

5.2、类型对象（dtype）

dtype可由一下语法构造：

numpy.dtype(object, align, copy)

参数为：

Object：被转换为数据类型的对象。
Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。
Copy ? 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。

# 使用数组标量类型  
# #int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，以及其他。  
import numpy as np 
dt = np.dtype(np.int32)  
dt_ = np.dtype('i4')
print(dt)
print("----------------")
print(dt_)

# 创建结构化数据类型
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)
print(dt)
print(a['age'])

5.4、常量（只需有印象即可）

常用的常量如下：

# 无穷大
# inf
print(np.inf)
# 它是一个浮点型
print(type(np.inf))
# float

a = np.array([np.inf, -np.inf, 1])
# 显示哪些元素是正无穷大或负无穷大
np.isinf(a) # array([ True,  True, False])

#自然数 e
print(type(np.e))
# float
print(np.e)
# 2.718281828459045

#圆周率 
print(type(np.pi))
# float
print(np.pi)
# 3.141592653589793

5.5、广播(重要)

广播（Array Broadcasting）：描述的是 NumPy 如何计算不同形状的数组之间的运算。如果是较大的矩阵和较小的矩阵进行运算的话，较小的矩阵就会被广播，从而保证运算的正确进行。

如果满足以下规则，可以进行广播：

ndim较小的数组会在前面追加一个长度为 1 的维度。
输出数组的每个维度的大小是输入数组该维度大小的最大值。
如果输入在每个维度中的大小与输出大小匹配，或其值正好为 1，则在计算中可它。
如果输入的某个维度大小为 1，则该维度中的第一个数据元素将用于该维度的所有计算。
如果上述规则产生有效结果，并且满足以下条件之一，那么数组被称为可广播的。
数组拥有相同形状。
数组拥有相同的维数，每个维度拥有相同长度，或者长度为 1。
数组拥有极少的维度，可以在其前面追加长度为 1 的维度，使上述条件成立。

a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]])
print ('a shape：')  
print(a.shape)
b = np.array([1.0,2.0,3.0])
print ('b shape：')  
print(b.shape)
print ('第一个数组：')  
print(a) 
print ('\n')  
print ('第二个数组：')  
print(b) 
print ('\n')  
print ('\n')  
print ('第一个数组加第二个数组：')  
print(a + b)
print ('\n')

图片展示了数组b如何通过广播来与数组a兼容:

阅读量：2017

点赞量：0

收藏量:0