numpy到矩阵中不同元素的种类_NumPy简洁教程
介绍
我⾮常喜欢Python中的NumPy库。在我的数据科学之旅中，我⽆数次依赖它来完成各种任务，从基本的数学运算到使⽤它进⾏图像分类！
简⽽⾔之，NumPy是Python中最基本的库之⼀，也许是其中最有⽤的库。NumPy⾼效地处理⼤型数据集。 作为⼀名数据科学家或⼀名有抱负的数据科学专业⼈⼠，我们需要对NumPy及其在Python中的⼯作原理有⼀个扎实的掌握。
在本⽂中，我将⾸先描述⼀下NumPy库是什么，以及为什么你应该选择它⽽不是繁琐的Python列表。然后，我们将介绍⼀些最基本的NumPy操作，这些操作将使你喜欢这个很棒的库！
⽬录
NumPy库是什么？
Python列表与NumPy数组有什么区别？
创建NumPy数组基本的ndarray全零数组全⼀数组ndarray中的随机数定制的数组NumPy的Imatrix等间距的ndarray
NumPy数组的形状与重塑NumPy数组的维数NumPy数组的形状NumPy数组的⼤⼩重塑NumPy数组展开NumPy数组NumPy数组的转置
扩展和压缩⼀个NumPy数组展开NumPy数组压缩NumPy数组
NumPy数组的索引与切⽚⼀维数组的切⽚⼆维数组切⽚三维数组切⽚NumPy数组的负切⽚
堆叠和级联Numpy数组堆叠ndarrays级联ndarrays
Numpy数组⼴播
NumPy Ufuncs
⽤NumPy数组计算平均值、中位数和标准差最⼩最⼤值及其索引
在NumPy数组中排序
NumPy数组和图像
NumPy库是什么？
NumPy是Python数值库，是Python编程中最有⽤的科学库之⼀。它⽀持⼤型多维数组对象和各种⼯具。各种其他的库，如Pandas、Matplotlib和Scikit-learn，都建⽴在这个令⼈惊叹的库之上。
数组是元素/值的集合，可以有⼀个或多个维度。⼀维数组称为向量，⼆维数组称为矩阵。
NumPy数组称为ndarray或N维数组，它们存储相同类型和⼤⼩的元素。它以其⾼性能⽽闻名，并在数组规模不断扩⼤时提供⾼效的存储和数据操作。
下载Anaconda时，NumPy会预先安装。但是如果你想在你的机器上单独安装NumPy，只需在你的终端上键⼊以下命令：
pip install numpy
现在需要导⼊库：
import numpy as np
np实际上是数据科学界使⽤的NumPy的缩写。
Python列表与NumPy数组有什么区别？
如果你熟悉Python，你可能会想，既然我们已经有了Python列表，为什么还要使⽤NumPy数组？毕竟，这些Python列表充当⼀个数组，可以存储各种类型的元素。这是⼀个完全正确的问题，答案隐藏在Python在内存中存储对象的⽅式中。
Python对象实际上是⼀个指向内存位置的指针，该内存位置存储有关该对象的所有详细信息，如字节和值。尽管这些额外的信息使Python 成为⼀种动态类型语⾔，但它也付出了代价，这在存储⼤量对象(如在数组中)时变得显⽽易见。
Python列表本质上是⼀个指针数组，每个指针指向⼀个包含与元素相关信息的位置。这在内存和计算⽅⾯增加了很多开销。当列表中存储的所有对象都是同⼀类型时，⼤多数信息都是冗余的！
为了解决这个问题，我们使⽤只包含同构元素的NumPy数组，即具有相同数据类型的元素。这使得它在存储和操作数组⽅⾯更加⾼效。
当数组包含⼤量元素(⽐如数千或数百万个元素)时，这种差异就变得明显了。另外，使⽤NumPy数组，你可以执⾏元素操作，这是使⽤Python列表不可能做到的！
这就是为什么在对⼤量数据执⾏数学操作时，NumPy数组⽐Python列表更受欢迎的原因。
创建NumPy数组
基本的ndarray
考虑到NumPy数组解决的复杂问题，它很容易创建。要创建⼀个⾮常基本的ndarray，可以使⽤np.array()⽅法。你只需将数组的值作为列表传递：
np.array([1,2,3,4])
输出：
array([1, 2, 3, 4])
此数组包含整数值。可以在dtype参数中指定数据类型：
np.array([1,2,3,4],dtype=np.float32)
输出：
array([1., 2., 3., 4.], dtype=float32)
由于NumPy数组只能包含同构数据类型，因此如果类型不匹配，则将向上转换值：
np.array([1,2.0,3,4])
输出：
array([1., 2., 3., 4.])
在这⾥，NumPy将整数值上移到浮点值。
NumPy数组也可以是多维的。
np.array([[1,2,3,4],[5,6,7,8]])
array([[1, 2, 3, 4],      [5, 6, 7, 8]])
在这⾥，我们创建了⼀个⼆维数组。
注：矩阵只是⼀个NxM形状的数字矩形数组，其中N是⾏数，M是矩阵中的列数。你刚才看到的是⼀个2x4矩阵。全零数组
NumPy允许你使⽤ np.zeros()⽅法。你只需传递所需数组的形状：
array([0., 0., 0., 0., 0.])
上⾯⼀个是⼀维数组，下⾯⼀个是⼆维数组：
array([[0., 0., 0.],      [0., 0., 0.]])
全⼀数组
你还可以使⽤ np.ones()⽅法获得全⼀数组：
array([1, 1, 1, 1, 1])
ndarray中的随机数
创建ndarray的另⼀个⾮常常⽤的⽅法是随机随机数⽅法。它创建⼀个给定形状的数组，其随机值来⾃[0,1]：
# 随机的np.random.rand(2,3)
array([[0.95580785, 0.98378873, 0.65133872],      [0.38330437, 0.16033608, 0.13826526]])
定制的数组
或者，实际上，可以使⽤ np.full()⽅法。只需传⼊所需数组的形状和所需的值：
np.full((2,2),7)
array([[7, 7],      [7, 7]])
NumPy的Imatrix
另⼀个伟⼤的⽅法是np.eye()返回⼀个数组，其对⾓线上有1，其他地⽅都有0。
linspace numpy⼀个单位矩阵是⼀个正⽅形矩阵，它的主对⾓线上有1，其他地⽅都有0。下⾯是形状为3x 3的单位矩阵。
注：正⽅形矩阵是N x N的形状。这意味着它具有相同数量的⾏和列。
# 单位矩阵np.eye(3)
array([[1., 0., 0.],      [0., 1., 0.],      [0., 0., 1.]])
但是，NumPy允许你灵活地更改对⾓线，值必须为1。你可以将其移到主对⾓线上⽅：
# 不是单位矩阵
<(3,k=1)
array([[0., 1., 0.],      [0., 0., 1.],      [0., 0., 0.]])
或将其移到主对⾓线下⽅：
<(3,k=-2)
array([[0., 0., 0.],      [0., 0., 0.],      [1., 0., 0.]])
注：只有当1沿主对⾓线⽽不是任何其他对⾓线时，矩阵才称为单位矩阵！
等间距的ndarray
你可以使⽤np.arange()⽅法：
np.arange(5)
array([0, 1, 2, 3, 4])
通过分别传递三个数字作为这些值的参数，可以显式定义值间隔的开始、结束和步长。这⾥要注意的⼀点是，间隔定义为[开始，结束)，其中最后⼀个数字将不包含在数组中：
np.arange(2,10,2)
array([2, 4, 6, 8])
由于步长定义为2，因此下图展⽰了输出的元素。注意，10不会打印出来，因为它是最后⼀个元素。
另⼀个类似的功能是 np.linspace()，但它将从间隔中获取需要检索的样本数，⽽不是步长。这⾥要注意的⼀点是，最后⼀个数字包含在返回的值中，这与np.arange()不同
np.linspace(0,1,5)
array([0.  , 0.25, 0.5 , 0.75, 1.  ])
太好了！现在你知道了如何使⽤NumPy创建数组。但了解数组的形状也很重要。
NumPy数组的形状与重塑
创建了ndarray之后，接下来要做的是检查ndarray的轴数、形状和⼤⼩。
NumPy数组的维数
可以使⽤ndims属性轻松确定NumPy数组的维数或轴数：
# 轴数a = np.array([[5,10,15],[20,25,20]])print('Array :','',a)print('Dimensions :','',a.ndim)
Array :  [[ 5 10 15] [20 25 20]]Dimensions :  2
这个数组有两个维度：2⾏3列。
NumPy数组的形状
形状是NumPy数组的⼀个属性，它显⽰每个维度上有多少⾏元素。你可以进⼀步索引ndarray返回的形状，以便沿每个维度获取值：a = np.array([[1,2,3],[4,5,6]])print('Array :','',a)print('Shape :','',a.shape)print('Rows = ',a.shape[0])print('Columns = ',a.shape[1])
Array :  [[1 2 3] [4 5 6]]Shape :  (2, 3)Rows =  2Columns =  3
NumPy数组的⼤⼩
可以使⽤size属性确定数组中有多少值。它只是将⾏数乘以ndarray中的列数：
# size of arraya = np.array([[5,10,15],[20,25,20]])print('Size of array :',a.size)print('Manual determination of size of array :',a.shape[0]*a.shape[1]) Size of array : 6Manual determination of size of array : 6
重塑NumPy数组
可以使⽤np.reshape()⽅法。它在不更改ndarray中的数据的情况下更改ndarray的形状：
# 重塑a = np.array([3,6,9,12])np.reshape(a,(2,2))
array([[ 3,  6],      [ 9, 12]])
在这⾥，我将ndarray从⼀维重塑为⼆维ndarray。
重塑时，如果你不确定任何轴的形状，只需输⼊-1。当NumPy看到-1时，它会⾃动计算形状：
a = np.array([3,6,9,12,18,24])print('Three rows :','',np.reshape(a,(3,-1)))print('Three columns :','',np.reshape(a,(-1,3)))
Three rows :  [[ 3  6] [ 9 12] [18 24]]Three columns :  [[ 3  6  9] [12 18 24]]

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。