初識python的numpy模塊

Numpy是Numerical Python extensions的縮寫,字面意思是Python數值計算擴展。Numpy是python中眾多機器學習庫的依賴,這些庫通過Numpy實現基本的矩陣計算。

Numpy支持高階、大量計算的矩陣、向量計算,與此同時還提供瞭較為豐富的函數。此外,Numpy基於更加現代化的編程語言–python,python憑借著開源、免費、靈活性、簡單易學、工程特性好等特點風靡技術圈,已經成為機器學習、數據分析等領域的主流編程語言。

本文主要帶大傢粗略的學習python的numpy模塊!!

一、array類型

numpy的array類型是該庫的一個基本數據類型,這個數據類型從字面上看是數組的意思,也就意味著它最關鍵的屬性是元素與維度,我們可以用這個數據類型來實現多維數組。

因此,通過這個數據類型,我們可以使用一維數組來表示向量,二維數組表示矩陣,並以此類推以用來表示更高維度的張量。

1.1array類型的基本使用

import numpy as np
# 通過np.array()方法創建一個名為array的array類型,參數是一個list
array = np.array([1, 2, 3, 4])
print(array)
# 結果為:[1 2 3 4]
# 獲取array中元素的最大值
print(array.max())
# 結果為:4
# 獲取array中元素的最小值
print(array.min())
# 結果為:1
# 獲取array中元素的平均值
print(array.mean())
# 結果為:2.5
# 直接將array乘以2,python將每個元素都乘以2
print(array*2)
# 結果為:[2 4 6 8]
print(array+1)
# 結果為:[2 3 4 5]
print(array/2)
# 結果為:[0.5 1.  1.5 2. ]
# 將每一個元素都除以2,得到浮點數表示的結果
print(array % 2)
# 結果為:[1 0 1 0]
array_1 = np.array([1, 0, 2, 0])
# 獲取該組數據中元素值最大的那個數據的首個索引,下標從0開始
print(array_1.argmax())
# 結果為:2

通過上面的代碼,我們可以瞭解到Numpy中array類型的基本使用方法。

我們可以看到,array其實是一個類,通過傳入一個list參數來實例化為一個對象,從而實現瞭對數據的封裝。

1.2對更高維度數據的處理

import numpy as np
# 創建一個二維數組,用以表示一個3行2列的矩陣
array = np.array([[1, 2], [3, 4], [5, 6]])
print(array)
# 查看數據的維度屬性,下面輸出結果(3,2)表示3行2列
print(array.shape)
# 結果為:(3, 2)
# 查看元素個數
print(array.size)
# 結果為:6
# 查看元素最大值的索引
print(array.argmax())
# 結果為:5
# 將shape為(3,2)的array轉換為一行表示
print(array.flatten())
# 結果為:[1 2 3 4 5 6]
# 我們可以看到,flatten()方法是將多維數據“壓平”為一維數組的過程
#將array數據從shape為(3,2)的形式轉為(2,3)的形式
print(array.reshape(2, 3))
'''結果為:
[[1 2 3]
 [4 5 6]]'''
#將array數據從shape為(3,2)的形式轉為(1,6)的形式
print(array.reshape(1, 6))
# 結果為:[[1 2 3 4 5 6]]

高級一點的就是flatten()和reshape()函數瞭,需要註意下reshape()返回的結果是array類型

1.3Numpy創建特殊類型的array類型

1.3.1生成全為0或全為1的array

import numpy as np
# 生成所有元素為
array_zeros = np.zeros((2, 3, 3))
print(array_zeros)
'''結果為:
[[[0. 0. 0.]
  [0. 0. 0.]
  [0. 0. 0.]]
 [[0. 0. 0.]
  [0. 0. 0.]
  [0. 0. 0.]]]
'''
array_ones = np.ones((2, 3, 3))
print(array_ones)
'''結果為:
[[[1. 1. 1.]
  [1. 1. 1.]
  [1. 1. 1.]]
 [[1. 1. 1.]
  [1. 1. 1.]
  [1. 1. 1.]]]
'''
print(array_ones.shape)
# 結果為:(2, 3, 3)

註意:如果將(2,3,3)改為(3,3)

array_zeros = np.zeros((3, 3))print(array_zeros)'''結果為:[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]]'''

其生成的是3行3列的array 

1.3.2np.arrange()和np.linspace()

arange([start,] stop[, step,], dtype=None, , like=None)

返回給定間隔內均勻分佈的值。值在半開區間“[start, stop)“(換句話說,包括`start`但不包括`stop`的區間)內生成。對於整數參數,該函數等效於 Python 內置的 `range` 函數,但返回的是 ndarray 而不是列表。當使用非整數步長(例如 0.1)時,結果通常會不一致。對於這些情況,最好使用 `numpy.linspace`。

linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

在指定的時間間隔內返回均勻分佈的數字。返回“num”個均勻分佈的樣本,在區間 [`start`, `stop`] 上計算。 

start:序列的起始值。

stop:序列的結束值,除非 `endpoint` 設置為 False。在這種情況下,序列由除最後一個“num + 1”個均勻分佈的樣本之外的所有樣本組成,因此排除瞭“stop”。請註意,當 `endpoint` 為 False 時,步長會發生變化。

num=50:要生成的樣本數。默認值為 50。必須為非負數。

endpoint=True:如果為真,`stop` 是最後一個樣本。否則,不包括在內。默認為真。

retstep=False:如果為 True,則返回 (`samples`, `step`),其中 `step` 是樣本之間的間距。

dtype=None:輸出數組的類型。如果 `dtype` 沒有給出,數據類型是從 `start` 和 `stop` 推斷出來的。推斷的 dtype 永遠不會是整數;即使參數會產生一個整數數組,也會選擇`float`。

因此以下代碼就很容易理解瞭

# 生成一個array,從0遞增到10,步長為1
array_arange = np.arange(10)
print(array_arange)
# 結果為:[0 1 2 3 4 5 6 7 8 9]
# 生成一個array,從0遞增到10,步長為2
array_arange_1 = np.arange(0, 10, 2)
print(array_arange_1)
# 結果為:[0 2 4 6 8]
# 生成一個array,將0-10等分為5部分
array_linspace = np.linspace(0, 10, 5)
print(array_linspace)
# 結果為:[ 0.   2.5  5.   7.5 10. ]

1.4Numpy基礎計算演示

import numpy as np
# 取絕對值
print(np.abs([1, -2, 3, -4]))
# [1 2 3 4]
# 求正弦值
print(np.sin(np.pi/2))
# 1.0
# 求反正切值
print(np.arctan(1))
# 0.7853981633974483
# 求e的2次方
print(np.exp(2))
# 7.38905609893065
# 求2的三次方
print(np.power(2, 3))
# 8
# 求向量[1,2]與[3,4]的點積
print(np.dot([1, 2], [3, 4]))
# 11
# 求開方
print(np.sqrt(4))
# 2.0
# 求和
print(np.sum([1, 2, 3, 4]))
# 10
# 求平均值
print(np.mean([1, 2, 3, 4]))
#2.5 
# 求標準差
print(np.std([1, 2, 3, 4]))
# 1.118033988749895

二、線性代數相關 

前面我們已經瞭解到array類型及其基本操作方法,瞭解array類型可以表示向量、矩陣和多維張量。

線性代數計算在科學計算領域中非常重要,因此接下來瞭解以下Numpy提供的線性代數操作

import numpy as np
vector_a = np.array([1, 2, 3])
vector_b = np.array([2, 3, 4])
# 定義兩入向量vector_a與vector_b
m = np.dot(vector_a, vector_b)
# 將兩個向量相乘,在這裡也就是點乘,結果為20
print(m)
n = vector_a.dot(vector_b)
print(n)
# 將vector_a與vector_b相乘,結果為20
o = np.dot(vector_a, vector_b.T)
print(o)
'''
將一個行向量與一個列向量叉乘的結果相當於將兩個行向量求點積,這裡測試瞭dot()方法。其中array類型的T()方法表示轉置。
測試結果表明:
dot()方法默認對兩個向量求點積。對於符合叉乘格式的矩陣,自動進行又乘。'''
# 我們看一下下面這個例子:
matrix_a = np.array([[1, 2], [3, 4]])
# 定義一個2行2列的方陣
matrix_b = np.dot (matrix_a, matrix_a.T)
# 這裡將該方陣與其轉置叉乘,將結果賦予matrix_b變量
print(matrix_b)
'''結果為:
array([[5,11],
[11,25]])'''
p = np.linalg.norm([1, 2])
print(p)
# 求一個向量的范數的值,結果為2.2360679774997898
# 如果norm()方法沒有指定第2個參數,則默認為求2范數
np.linalg.norm([1, -2], 1)
# 指定第2個參數值為1,即求1范數。我們在前面介紹過,1范數的結果為向量中各元素絕對值之和,結果為3.0
q = np.linalg.norm([1, 2, 3, 4], np. inf)
print(q)
# 求向量的無窮范數,其中np.inf表示正無窮,也就是向量中元素值最大的那個,其結果為4.0
r = np.linalg .norm([1, 2, 3, 4], -np.inf)
print(r)
# 同理,求負無窮范數的結果為1, 也就是向量中元素的最小值
# 求行列式
s = np.linalg.det(matrix_a)
print(s)
# -2.0000000000000004
t = np.trace(matrix_a)
print(t)
# 求矩陣matrix_a的跡,結果為5
u = np.linalg.matrix_rank(matrix_a)
# 求矩陣的秩,結果為2
print(u)
v = vector_a * vector_b
# 使用*符號將兩個向量相乘,是將兩個向量中的元素分別相乘,也就是我們所講到的哈達馬乘積
print(v)
# [ 2  6 12]
w = vector_a ** vector_b
print(w)
# 使用二元運算符**對兩個向量進行操作,結果為array([1, 8, 81],dtype = int32)
# 表示將向量vector. a中元素對應vector. b中的元素值求冪運算。例如最終結果[1,8,81]可以表示為[1*1,2*2*2,3*3*3*3]
# 求逆矩陣
z = np.linalg.inv(matrix_a)
print(z)
'''
[[-2.   1. ]
 [ 1.5 -0.5]]'''
 

三、矩陣的高級函數-隨機數矩陣

Numpy除瞭為我們提供常規的數學計算函數和矩陣相關操作之外,還提供很多功能豐富的模塊,隨機數模塊就是其中一部分。

利用隨機數模塊可以生成隨機數矩陣,比python自帶的隨機數模塊功能還要強大。

import numpy as np
# 設置隨機數種子
np.random.seed()
# 從[1,3)中生成一個整型的隨機數,連續生成10個
a = np.random.randint(1, 3, 10)
print(a)
# [1 1 1 2 1 1 1 1 2 2]
# 若要連續產生[1,3}之間的浮點數,可以使用以下方法:
# ①
b = 2*np.random.random(10)+1
print(b)
'''
[2.88458839 2.07004167 2.80814156 1.83247535 2.33649809 2.62763357
 2.0549351  2.33464915 1.70562208 2.66257726]'''
# ②
c = np.random.uniform(1, 3, 10)
print(c)
'''
[1.76967412 1.37703868 2.48838004 1.45986254 2.04487418 2.51107658
 1.25673115 1.31416097 2.56218317 2.90575438]'''
# 生成一個滿足正態分佈(高斯分佈)的矩陣,其維度是4*4
d = np. random.normal(size=(4, 4))
print(d)
'''
[[ 0.76164366  0.11588368  0.49221559 -0.28222691]
 [ 0.47638143 -0.21197541 -1.0776362   0.49241666]
 [ 0.26038756 -0.20406522  1.11210954 -1.191425  ]
 [ 0.58255677  1.84047863 -0.21366512 -0.85425828]]'''
# 隨機產生10個n=5、p=0.5的二項分佈數據:
e = np.random.binomial(n=5, p=0.5, size=10)
print(e)
# [1 1 5 2 1 2 1 2 1 2]
# 產生一個0到9的序列
data = np.arange(10)
print(data)
# [0 1 2 3 4 5 6 7 8 9]
# 從data數據中隨機采集5個樣本,采集過程是有放回的
f = np.random.choice(data, 5)
print(f)
# [1 7 3 3 4]
# 從data數據中隨機采集5個樣本,采集過程是沒有放回的
g = np.random.choice(data, 5, replace=False)
print(g)
# [8 9 1 5 0]
# 對data進行亂序
h = np.random.permutation(data)
print(h)
# [8 5 3 9 2 0 4 6 1 7]
# 對data進行亂序,並替換為新的data
np.random.shuffle(data)
print(data)
# [9 7 0 3 8 5 2 1 4 6]

四、總結

到此這篇關於初識python的numpy模塊的文章就介紹到這瞭,更多相關python numpy模塊內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: