前言

NumPy是Python用于處理大型矩陣的一個(gè)速度極快的數(shù)學(xué)庫(kù)。它允許你在Python中做向量和矩陣的運(yùn)算，而且很多底層的函數(shù)都是用C寫的，你將獲得在普通Python中無(wú)法達(dá)到的運(yùn)行速度。這是由于矩陣中每個(gè)元素的數(shù)據(jù)類型都是一樣的，這也就減少了運(yùn)算過(guò)程中的類型檢測(cè)。

矩陣基礎(chǔ)

在 numpy 包中我們用數(shù)組來(lái)表示向量，矩陣和高階數(shù)據(jù)結(jié)構(gòu)。他們就由數(shù)組構(gòu)成，一維就用一個(gè)數(shù)組表示，二維就是數(shù)組中包含數(shù)組表示。

創(chuàng)建

# coding: utf-8import numpy as npa = np.array([ [1.73, 1.68, 1.71, 4], [1, 2, 3, 4], [1, 2, 3, 4]])print type(a) # <type 'numpy.ndarray'>

ndarray （N-dimensional array object） 意思就是n維數(shù)組。例子中就表示一個(gè)3行4列的二維數(shù)組。

形狀

數(shù)組的大小可以通過(guò)其 shape 屬性獲得：

print a.shape # (3L,4L)

數(shù)組的元素?cái)?shù)量可以通過(guò) ndarray.size 得到：

print a.size # 12

使用 ndarray 的 dtype 屬性我們能獲得數(shù)組元素的類型：

print a.dtype # float64

可以用過(guò) shape 重新設(shè)置矩陣的形狀或者通過(guò) reshape 方法創(chuàng)建一個(gè)改變了尺寸的新數(shù)組，原數(shù)組的shape保持不變:

a.shape = 4, 3b = a.reshape((2, 6))# 盡管b的形狀是新的，但是a和b是共享數(shù)據(jù)存儲(chǔ)內(nèi)存區(qū)域的，如果b[0][1] = 8 那么a[0][1] 也會(huì)是8

數(shù)組生成

可以用過(guò) np.arange 來(lái)創(chuàng)建數(shù)組,參數(shù)與range類似：

x = np.arange(0, 10, 1) # arguments: start, stop, step

也可以用 np.linspace 創(chuàng)建等差數(shù)列:

x = np.linspace(1, 10, 5) # arguments: start, stop, num元素個(gè)數(shù)# [ 1. 3.25 5.5 7.75 10. ]# np.logspace 是創(chuàng)建等比數(shù)列

矩陣運(yùn)算

計(jì)算將變量直接參與運(yùn)算符，操作符優(yōu)先級(jí)不變：

a = np.random.rand(5, 5)b = np.random.rand(5, 5)print a + bprint a - bprint a * bprint a / bprint a ** 2print a < bprint a > b

一個(gè)數(shù)組中除了 dot() 函數(shù)，其他這些操作都是單元操作。

np_arr = np.array([2,3,34,5,5])print np.mean(np_arr) # 平均數(shù)print np.median(np_arr) # 中位數(shù)print np.corrcoef(a[0], a[1]) # 判斷兩個(gè)軸的數(shù)據(jù)是否有相關(guān)性print np.std(np_arr) # 標(biāo)準(zhǔn)差

數(shù)據(jù)提取

切片索引語(yǔ)法：M[lower:upper:step]

a = np.array([1,2,3,4,5])a[1:3] # array([2, 3])# 進(jìn)行切片賦值時(shí)，原數(shù)組會(huì)被修改a[1:3] = [-2, -3] # array([ 1, -2, -3, 4, 5])b = np.random.rand(5, 5)b[1:4, 1:4] # 提取 1~4 行，1~4列b > 0.1 #array([False, False, False, ...])# 因此要提取可以用, 這是利用了布爾屏蔽這個(gè)特性b[ b > 0.1 ]# where()函數(shù)是另一個(gè)有用的方式，當(dāng)需要以特定條件來(lái)檢索數(shù)組元素的時(shí)候。只需要傳遞給它一個(gè)條件，它將返回符合條件的元素列表。c = np.where(b > 0.1)