NumPy是Python科学计算的核心库之一,用来进行科学计算,数值分析等矩阵运算。主要提供了以下几种功能:
1.多维数组(ndarray)对象,可以进行快速的数值计算和数组操作;
2.广播(Broadcast)功能,可以对不同形状的数组进行算术运算;
3.数学函数库,可以对数组进行各种数学运算;
4.线性代数、傅里叶变换、随机数生成等工具操作;
5.不同数据类型之间的传输功能;
6.数据的输入和输出功能。
在NumPy中,最重要的是它的ndarray对象,多为n维数组,因此它非常适合处理科学计算中的向量、矩阵等数据结构。numpy比列表更加高效,可以大大提高程序运行速度,是数据处理和科学计算的主要工具之一。
在 NumPy 中,我们可以使用 random 模块来生成随机数。
下面是一些常用的随机数生成函数:
np.random.rand():生成 0 到 1 之间的随机浮点数,可以接收任意个参数作为随机数生成器的形状。
np.random.randn():生成符合标准正态分布的随机数,可以接收任意个参数作为随机数生成器的形状。
np.random.randint():生成整数型的随机数,可以接收两个参数:最小值和最大值。
np.random.random():生成 0 到 1 之间的随机浮点数,可以接收一个参数作为输出的形状。
np.random.shuffle():随机打乱一个序列,可以接收一个参数作为要打乱的序列。
np.random.choice():从指定的序列中随机挑选一个元素,可以接收两个参数:序列和挑选出元素的数量。
import numpy as np # 生成一个形状为 (3, 2) 的随机浮点数数组 arr1 = np.random.rand(3, 2) # 生成一个形状为 (3, 2) 的符合标准正态分布的随机数数组 arr2 = np.random.randn(3, 2) # 生成 0 到 9 之间的随机整数 randint = np.random.randint(10) # 生成一个形状为 (1, 3) 的随机浮点数数组 arr3 = np.random.random((1, 3)) # 打乱一个序列 arr4 = np.arange(10) np.random.shuffle(arr4) # 从指定的序列中随机挑选一个元素 choice = np.random.choice([1, 2, 3, 4, 5, 6], 1)
NumPy中NDArray(N-dimensional array)对象有以下特点:
它是多维数组,可以表示任意维度的数据。
所有元素必须是同一类型的数据。
它支持向量化操作,即对整个数组的操作只需要一条语句即可实现。
它快速且高效,因为它是使用C语言实现的,并且在内存使用和计算效率方面进行了优化。
它提供了大量的科学计算函数和方法,包括线性代数、傅里叶变换、统计分析等。
它易于与其他数据处理工具(如Pandas、SciPy等)集成使用,可以提高数据分析处理效率,并且支持大数据量的高效处理。
使用diag函数创建对角矩阵
import numpy as np # 创建一个3x3的对角矩阵,对角线元素为1 diag_matrix = np.diag([1, 1, 1]) print(diag_matrix)
array([[1, 0, 0], [0, 1, 0], [0, 0, 1]])
你也可以在diag函数中使用一个数字来创建对应大小的对角矩阵。
# 创建一个5x5的对角矩阵,对角线元素为2 diag_matrix = np.diag(2*np.ones(5)) print(diag_matrix)
array([[2., 0., 0., 0., 0.], [0., 2., 0., 0., 0.], [0., 0., 2., 0., 0.], [0., 0., 0., 2., 0.], [0., 0., 0., 0., 2.]])
NumPy提供了两个方法flatten()和ravel()都可用于将多维数组展平为一维数组,不同之处在于ravel()返回的是原数组的视图,而flatten()返回的是原数组的副本。下面是使用flatten()和ravel()方法展示多维数组的方法:
1.使用flatten()方法
import numpy as np # 创建一个2x3的二维数组 a = np.array([[1, 2, 3], [4, 5, 6]]) # 展平数组 b = a.flatten() print('原数组:') print(a) print('展平后的数组:') print(b)
原数组: [[1 2 3] [4 5 6]] 展平后的数组: [1 2 3 4 5 6]
2.使用ravel()方法
import numpy as np # 创建一个2x3的二维数组 a = np.array([[1, 2, 3], [4, 5, 6]]) # 拉伸数组 b = a.ravel() print('原数组:') print(a) print('拉伸后的数组:') print(b)
原数组: [[1 2 3] [4 5 6]] 拉伸后的数组: [1 2 3 4 5 6]
NumPy的数组广播操作可以在不同形状的数组之间进行数学运算,简化了数组的操作和计算。数组广播主要遵循以下规则:
以下是一个示例,演示如何使用numpy进行数组广播:
import numpy as np #创建两个形状不同的数组 a = np.array([1, 2, 3]) b = np.array([[1], [2], [3]]) #打印两个数组的形状 print("a.shape = ", a.shape) print("b.shape = ", b.shape) #使用数组广播计算a和b的和 c = a + b print("a + b = \n", c)
a.shape = (3,) b.shape = (3, 1) a + b = [[2 3 4] [3 4 5] [4 5 6]]
在这个示例中,我们创建了两个数组a和b,它们的形状不同。然后,我们使用数组广播计算a和b的和。由于a和b的形状不同,我们可以将维度较小的数组b延伸为维度相等的数组,以兼容它们之间的加法运算。最后,我们将结果存储在新数组c中。
NumPy可以使用切片和布尔索引来选择数组的子集。、
使用切片可以选择数组的某一部分,例如:
import numpy as np a = np.array([1, 2, 3, 4, 5]) b = a[1:4] # 选择a[1]到a[3]的元素 print(b) # 输出 [2 3 4]
也可以对多维数组进行切片,例如:
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = a[0:2, 1:3] # 选择a中第1列到第2列、第2行到第3行的元素 print(b) # 输出 [[2 3] # [5 6]]
使用布尔索引可以根据某种条件选择数组中的元素,例如:
a = np.array([1, 2, 3, 4, 5]) b = a[a > 2] # 选择a中大于2的元素 print(b) # 输出 [3 4 5]
也可以对多维数组使用布尔索引,例如:
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = a[a > 2] # 选择a中大于2的元素 print(b) # 输出 [3 4 5 6 7 8 9]
注意,布尔索引返回的是一维数组,需要使用reshape方法将其转换为多维数组。可以使用np.where来进行更复杂的条件选择。
NumPy是Python语言的一个扩展库,专门处理大型多维数组与矩阵运算。NumPy提供了许多线性代数和矩阵操作函数。下面是使用NumPy进行矩阵运算的一些例子:
要使用NumPy创建一个矩阵,可以使用numpy.array()函数,并将二维数组传递给它。
import numpy as np # 创建一个3x3的矩阵 matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(matrix) # 输出: # [[1 2 3] # [4 5 6] # [7 8 9]]
要使用NumPy将矩阵转置,可以使用numpy.transpose()函数。
import numpy as np # 创建一个3x3的矩阵 matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(matrix) # 转置矩阵 matrix_transpose = np.transpose(matrix) print(matrix_transpose) # 输出: # [[1 2 3] # [4 5 6] # [7 8 9]] # [[1 4 7] # [2 5 8] # [3 6 9]]
要使用NumPy对矩阵进行加法和减法操作,可以使用numpy.add()和numpy.subtract()函数。
import numpy as np # 创建两个矩阵 matrix_a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) matrix_b = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]]) # 矩阵相加 matrix_sum = np.add(matrix_a, matrix_b) print(matrix_sum) # 矩阵相减 matrix_diff = np.subtract(matrix_a, matrix_b) print(matrix_diff) # 输出: # [[10 10 10] # [10 10 10] # [10 10 10]] # [[-8 -6 -4] # [-2 0 2] # [ 4 6 8]]
要使用NumPy进行矩阵乘法,可以使用numpy.dot()函数。
import numpy as np # 创建两个矩阵 matrix_a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) matrix_b = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]]) # 矩阵乘法 matrix_prod = np.dot(matrix_a, matrix_b) print(matrix_prod) # 输出: # [[ 30 24 18] # [ 84 69 54] # [138 114 90]]
要使用NumPy计算行列式和逆矩阵,可以使用numpy.linalg.det()和numpy.linalg.inv()函数。
import numpy as np # 创建一个3x3的矩阵 matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 计算矩阵的行列式 matrix_det = np.linalg.det(matrix) print(matrix_det) # 计算矩阵的逆矩阵 matrix_inv = np.linalg.inv(matrix) print(matrix_inv) # 输出: # 0.0 # [[-3.00000000e+00 6.00000000e+00 -3.00000000e+00] # [ 6.00000000e+00 -1.20000000e+01 6.00000000e+00] # [-3.00000000e+00 6.00000000e+00 -3.00000000e+00]]
这些只是NumPy中可用的许多矩阵运算之一。NumPy库还提供了其他矩阵运算,如解线性方程组等等 逆矩阵可以计算其它方面的线性代数问题,如解线性方程组,这是数据科学中不可或缺的。
使用NumPy进行数据的离散化和分组操作可以使用numpy.digitize和numpy.bincount函数。
numpy.digitize函数可以将一组数据划分为不同的区间,返回每个数据所属的区间编号;numpy.bincount函数可以统计每个区间内数据的数量。这两个函数的联合使用可以实现数据的离散化和分组操作。
例如,对数据进行10个区间的离散化,并统计每个区间内数据的数量可以使用以下代码:
import numpy as np data = np.array([1, 4, 8, 3, 6, 9, 2, 5, 7, 10]) bins = np.linspace(0, 10, 11) # 划分为10个区间 indices = np.digitize(data, bins) # 划分数据所属区间 counts = np.bincount(indices)
上述代码执行完毕后,counts数组中即为每个区间内数据的数量。可以在此基础上进行更多操作,例如计算每个区间内数据的平均值等。
NumPy可以通过多种方式进行数组的输入和输出,包括文本文件、二进制文件、内存缓冲等。
下面是一些常见的数组输入和输出的方法和示例:
import numpy as np import io # 从文本文件读取数组 data = np.loadtxt('data.txt') print(data) # 将数组保存到文本文件中 data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) np.savetxt('data.txt', data) # 从二进制文件读取数组 data = np.load('data.npy') print(data) # 将数组保存到二进制文件中 data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) np.save('data.npy', data) # 从内存缓冲读取数组 str_data = '1 2 3\n4 5 6\n7 8 9' data = np.genfromtxt(str_data.splitlines(), delimiter=' ') print(data) # 将数组保存到内存缓冲中 data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) output = io.StringIO() np.savetxt(output, data, delimiter=',') str_data = output.getvalue() print(str_data)
除此之外,NumPy还提供了很多其他的输入和输出方式,如Pandas DataFrame、HDF5等。具体可以查阅官方文档。