NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算。同样的数值计算，使用Numpy比直接编写Python实现代码更简洁、性能更高效。它是目前Python数值计算中最为重要的基础包。
首先我们来看一个numpy运算和普通python运算的例子：

## 一个简单的加法# python运算a = [1,2,3,4,5]b = [5,4,3,2,1]c1 = []for i in range(5):    c1.append(a[i]+b[i])print(c1)  # [6, 6, 6, 6, 6]# numpy 运算c2 = np.array(a)+np.array(b)print(c2)  # [6, 6, 6, 6, 6]# 很明显,由于Python是先循环遍历再计算，Numpy直接计算，计算数量越大越节省时间。# 这里就会有人问了，python列表不能直接相加吗？试验一下print(a+b)  # [1, 2, 3, 4, 5, 5, 4, 3, 2, 1] # 它的结果是这样的，并非我们想的那样，在python中[1,2,3]叫列表，而非数组

💙认识了numpy的作用后，我们现在来正式学习numpy吧！💗

一、创建数组

1.1、普通的创建数组与数组属性

a = np.array([1,2,3,4,5])b = np.array(range(1,6))c = np.arange(1,6)  # arange与python内置方法range类似，只是前者是数组方法print(a,b,c) # [1 2 3 4 5] [1 2 3 4 5] [1 2 3 4 5] print(a.ndim) # 返回数组的维度数目(有几维)   1print(a.shape) # 返回数组的维度(几行几列)   (5,)  表示5行一列print(a.dtype) # 返回数组的数据类型,数据类型有哪些，继续往下看吧 int32print(a.size)  # 返回数组索引数据元素的数目   5d = np.array([[1,1]      ,[1,1]      ,[1,1] ,[1,1]])print(d.shape) # (4,2) 表示4行两列 数组中的逗号分割行

1.2、 np.arange(start,end,step,dtype) 创建数字序列

a = np.arange(1,11)print(a)  # [ 1  2  3  4  5  6  7  8  9 10]b = np.arange(1,11,2)print(b) # [1 3 5 7 9]  指定了步长2 print(b.dtype) # int32 这里默认数据类型int32c = np.arange(1,11,2,'float64')print(c.dtype) # float64 指定了数据类型print(c) #[1. 3. 5. 7. 9.]  浮点型,所以带了小数点 小数点后的0不显示

1.3、 np.ones(维度)与np.ones_like(数组) 创建全1数组

## np.ones(维度)a = np.ones([1,2])   # [1,2] 表示1行两列print(a)  # [[1. 1.]]a = np.ones([2,1,2]) # [2,1,2] 表示三个维度,第一个维度有两份,每份都有1行2列的数组,就相当于把上面的结果复制了一份print(a) # [[[1. 1.]],[[1. 1.]]]## np.ones_like(数组) 返回和输入的数组有着相同的维度的数组a = np.array([[1,2],[3,4],[5,6]]) print(a.shape) # (3, 2)  # 3行两列b = np.ones_like(a) # like就是像的意思,所以就是输出一个和数组a的维度相同的数组print(b) # 输出如下图所示

1.4、 np.zeros(维度)与np.zeros_like(已有数组) 创建全0数组

## 与ones()、ones_like()用法一致a = np.zeros([2,2],dtype='int32')print(a)

a = np.array([[1,2],[3,4],[5,6]])  # (3,2)b = np.zeros_like(a)print(b)

1.5、 np.full(维度,填充值)与np.full_like(已有数组,填充值) 创建指定值数组

a = np.full([2,5],fill_value=3) # 生成2行5列的数组，填充值为3 即生成一个全是3的2行5列数组print(a) 

b = np.full_like(a,fill_value=10) # 生成与数组a相同的维度(2,5) 填充值为10 print(b)

1.6、 np.random() 生成随机数

np.random.seed(20)print('--------------------------------------------rand(2,2)-------------------------------------------')print(f'随机生成的2行2列的二维数组是：\n{np.random.rand(2,2)}'  )print('--------------------------------------------rand(2,1,3)-------------------------------------------')print(f'随机生成的2块1行3列的三维数组是：\n{np.random.rand(2,1,3)}' )print('--------------------------------------------randn(2,2)-------------------------------------------')print(f'随机生成的2行2列服从标准正态分布的二维数组是：\n{np.random.randn(2,2)}')print('--------------------------------------------randn(2,1,3)-------------------------------------------')print(f'随机生成的2块1行3列服从标准正态分布的三维数组是：\n{np.random.randn(2,1,3)}')print('--------------------------------------------randint(20,23)-------------------------------------------')print(f'随机生成的在[20,23)范围内的整数是：\n{np.random.randint(20,23)}')print('--------------------------------------------random()-------------------------------------------')print(f'随机生成的随机数：\n{np.random.random()}')

print('--------------------------------------------choice()-------------------------------------------')print(f'从数组[1,98,3,554,5]中生成的(2,2)随机数组：\n{np.random.choice([1,98,3,554,5],size=(2,2))}')print(f'从数组[1,98,3,554,5]中生成的随机数：\n{np.random.choice([1,98,3,554,5],1)}')print('--------------------------------------------shuffle()-------------------------------------------')a = np.arange(1,5)np.random.shuffle(a)print(f'随机排序：\n{a}')print('--------------------------------------------permutation()-------------------------------------------')print(f'随机排序：\n{np.random.permutation([5,4,6,7,3,9])}')print('--------------------------------------------normal(0,1)-------------------------------------------')print(f'服从N(1,4)正态分布的随机数：\n{np.random.normal(1,4)}')print('--------------------------------------------uniform(3,6,(2,2))-------------------------------------------')print(f'服从均匀分布并在[3,6)范围内的2行2列的随机数组：\n{np.random.uniform(3,6,size=(2,2))}')

1.7、reshape() 、flatten()改变数组维度

• 不改变数组的原数据情况下，改变数组维度

# 将2行3列全1数组 改为 3行2列的全1数组a = np.ones([2,3])print(f'原数组:\n{a}')b = a.reshape([3,2])print(f'新数组:\n{b}')print(a.flatten())  # [1. 1. 1. 1. 1. 1.]  直接变回1维

二、数组计算

2.1、加减乘除

# 加减乘除逐元素进行计算a = np.array([1,2,3,4,5])  # (5,)  1行5列b = np.array([1,2,3,4,5])print(a+b)print(a-b)print(a*b)print(a/b)print(a+1) # [2 3 4 5 6]

• 如果两个数组的维度不一致也是可以计算的，但前提是有1个维度式一致的。

• 相同维度：按个元素位置相对应的做运算
  

• 不同维度：利用广播规则
  

• X和Y同样是3列,但行数不一致,利用广播规则,将Y沿轴复制出3行后,再进行加法运算。

2.2、快速的逐元素计算函数

print(np.abs([-1,-2]))   #  [1 2]print(np.sqrt([4,9,16])) #  [2. 3. 4.]print(np.square([1,2,3]))#  [1 4 9]print(np.exp([1,2,3]))   #  [ 2.71828183  7.3890561  20.08553692]print(np.log10([10,100,1000]))  #   [1. 2. 3.]print(np.sign([-2,0,2])) #   [-1  0  1]print(np.ceil([4.5,6.3,2.4]))   #   [5. 7. 3.]print(np.floor([4.5,6.3,2.4]))  #   [4. 6. 2.]print(np.mod([3,4,5],[2,2,6]))  #   [1 0 5]   [3%2 4%2 5%6]print(np.power([1,2,3,4],3))    #   [ 1  8 27 64]  [1^3 2^3 3^3 4^3]print(np.dot([1,2,3],[1,2,3]))  #   14 = 1*1+2*2+3*3print(np.greater([1,2,3],[0,2,6])) #[ True False False] 

三、数据的选取：索引与切片

• 索引是什么呢？索引能够确定数组中某一个确定的位置，索引从左往右是从0开始的，从右往左是从-1开始的，例如第一行的索引数就是0，最后一行的索引可以是-1或2。如果我们想取出数组中的第一行第五列的数值5，可以这样想，第一行对应的索引是0，第五列对应的索引是4，索引我们可以用a[0,4]选取数值。 行/列索引 = 行数/列数-1
• 切片又是什么呢？切片也离不开索引，它可以获取数组中的连续的多个数值，例如我们想要取出位于第一行到第三行的数据，其索引就是0，1，2，我们可以用a[0:3]【左闭右开,不选取结束位置的元素】表示第一行到第三行的数据。

3.1、一维数据选取

• 一维可以理解为数据就是一行或一列数据。
• 3.1.1 普通索引

a = np.array([3,4,6,7,8,2])  # 生成数组print(a[1]) # 4数组a索引为1的数即第二个数print(a[-1])# 2数组a索引为-1的数即最后一个数print(a[[0,3,4]])  # [3 7 8] 数组a索引为0，3，4的数, 输入多个索引必须将所有索引以数组形式输入print(a[2:5])      # [6,7,8] 索引为2到4的数值print(a[2:-1])     # [6,7,8,2] 索引为2 一直到最后一个数print(a[2:])# [6,7,8,2] 索引为2 一直到最后一个数print(a[:3])# [3,4,6]   索引为3前面的所有数据print(a[::])# [3,4,6,7,8,2] :: 表示输出所有数值

• 3.1.2 布尔索引 a[条件]

# 找出数组中大于5的所有数值 a = np.array([3,4,6,7,8,2])print(a[a>5])  # [6 7 8] 

3.2、多维数据选取

• 多维数据就是指这个多维数组有多行多列。
• 3.2.1 普通索引

a = np.random.randint(1,20,[3,5])print(f'原数组:{a}')print(f'取第二行的数据:\n{a[1]}')     print(f'取第二列的数据:\n{a[:,1]}')     print(f'取第二、三行数据:\n{a[1:2]}')   print(f'取第三行第三列的数据:\n{a[2,2]}')     print(f'取第1行第2列  和 第3行第4列 的 2个数值 :\n{a[[0,2],[1,3]]}') print(f'取第1行到第3行，同时是第2列和第4列的数值 :\n{a[0:2,1:4]}') 

• 3.2.2 布尔索引

# 把第三列大于9的数字筛选出来并修改为520np.random.seed(20)a = np.random.randint(1,20,[3,5])print(a)print('-------------输出第三列大于9的所有行-------------------')print(a[a[:,2]>9]) print('-------------输出第三列大于9的所有数字-----------')print(a[a[:,2]>9,2])print('-------------将第三列大于9的数字改为520---------------')a[a[:,2]>9,2] = 520   # 修改数据,利用索引确定需要修改的数据位置,给它赋值即可print(a)

四、数组行列转置

4.1、transpose()行列转置

a = np.arange(6).reshape((3,2))print(a)  # 原数组3行2列print(a.transpose())  # 转置后2行3列,第n行变为第n列,第n列变为第n行

4.2、swapaxes(i,j)轴转置

• i和j是维度(x,y,z)中的任意两个；例如维度为(2,3,4) ,swapaxes(1,2) 表示将行列转换维度变为(2,4,3)

a = np.arange(12).reshape((2,3,2))print(a)  # 原数组(2,3,2)print('--------------------------------')print(a.swapaxes(1,0)) # 将块与行转置 新数组(3,2,2)

五、常用函数与方法

5.1、数学统计方法

print(a)print('--------------默认 所有元素和--------------------------')print(np.sum(a))print('--------------axis=1代表列轴 行元素相加----------------------')print(np.sum(a,axis=1))print('--------------axis=0代表行轴 列元素相加-------------------')print(np.sum(a,axis=0))

a = np.arange(2,10).reshape(2,4)print(a)print('-------------数组所有元素的均值---------------------')print(np.mean(a))print('-------------数组元素的累计和：先读行再度列---------------------')print(np.cumsum(a))print('-------------数组中的最小值---------------------')print(np.min(a))print('-------------数组中的最大值索引---------------------')print(np.argmax(a)) # 最大值9,索引为7

a = np.arange(1,100)print(np.percentile(a,[0,25,50,75,100]))  # [ 1.  25.5 50.  74.5 99. ]print(np.quantile(a,[0,0.25,0.5,0.75,1])) # [ 1.  25.5 50.  74.5 99. ]

• 更多的自己去探索吧，不一一展示了。

5.2、条件查询

a = np.array([[1,3,6],[9,3,2],[1,4,3]])print(a>3)  # 判断数组中数值是否大于3 大于3输出True,否则输出False 一一对应关系print(np.where(a>3,520,1314))  # np.where()类似if()语句：符合条件输出520,不符合条件输出1314 

5.3、数组排序

a = np.array([[0,12,48],[4,18,14],[7,1,99]])print(f'数组：\n{a}')print('-'*30)print(np.sort(a))  # 默认按最后的轴排序，按列排序  将每一行作为一个序列进行排序print('-'*30) print(np.sort(a,axis=0))  # 按行排序  将每一列作为一个序列,对序列中的数字进行排序

5.4、集合逻辑

# 1、np.unique()对数组进行去重a = np.array([1,3,1,3,5,3,1,3,7,3,5,6])print(np.unique(a)) # [1 3 5 6 7]# 2、np.in1d(x,y) 检查x中的值是否在b数组中，并返回一个布尔数组： 注意：in1d 中的 1 是数字1 a = np.array([6,0,0,3,2,5,6])b = np.array([2,3,7])print(np.in1d(a,b)) # [ False False False  True  True False  False]# 3、intersect1d(x,y) 交集print(np.intersect1d(a,b)) # [2,3]

5.5、布尔逻辑计算

a = np.array([1,2,3,4])print(np.any(a>3))  # any() 只要有一个符合条件就输出Trueprint(np.all(a>3))  # all() 只有全部符合条件才输出True  

六、浅拷贝与深拷贝

6.1、浅拷贝

从以下结果可以看出无论是 a= b 还是 a = b[:]切片提取数据 只要a(b)改变数值了,那么b(a)也会改变。因为这种拷贝方法,数组a和b共用一个内存地址。

a = np.array([1,2,3,4])b = a print(a)  # [1,2,3,4]print(b)  # [1,2,3,4]a[2] = 10print(a)  # [1,2,10,4]print(b)  # [1,2,10,4]b[3] = 100print(a)  # [1,2,10,100]print(b)  # [1,2,10,100]

a = np.array([1,2,3,4])c = a [1:3]print(a)  # [1,2,3,4]print(c)  # [2,3]a[1] = 1000print(a)  # [1,1000,3,4]print(c)  # [1000,3]c[1] = 23print(a)  # [1,1000,23,100]print(c)  # [1000,23]

6.2、深拷贝

• b = a.copy() 这种拷贝,修改其中一个不会改变另一个数组。因为a一个内存地址,copy后又产生了一个新地址b指向新地址,所以a和b互不影响。

a = np.array([1,2,3,4])b = a.copy()print(a,b)  # [1 2 3 4] [1 2 3 4]b[2] = 10print(a,b)  # [1 2 3 4] [ 1  2 10  4]a[2] = 100print(a,b)  # [  1   2 100   4] [ 1  2 10  4]

Numpy的学习就到这里了，下期预告：
python最最最最最重要的数据分析工具之pandas知识点总结