本章节主要介绍NumPy中的三个主要的函数，分别是随机函数、统计函数和梯度函数，以及一个较经典的用数组来表示图像的栗子！，希望大家能有新的收货，共同进步！
一、np.random的随机函数(1)
- rand(d0,d1...,dn) 根据d0-dn创建随机数数组，浮点数，[0,1)均匀分布；
- randn(d0,d1...,dn) 根据d0-dn创建随机数数组，符合标准正态分布；
- randint(low[,high,shape) 根据shape创建随机整数或整数数组，范围是[low,high)；
- seed(s) 随机数种子，s是给定的种子值。
举个栗子：
使用rand函数随机生成3*4*5维的数组：
import numpy as np a = np.random.rand(3, 4, 5) print(a)
[[[0.19286829 0.43532618 0.76943415 0.70048451 0.57059645] [0.2879177 0.09881033 0.5569482 0.66148796 0.79611884] [0.31448432 0.83716575 0.41643824 0.86719307 0.03466441] [0.32409171 0.68495018 0.92662221 0.02462274 0.43318601]] [[0.03772647 0.86047162 0.22297318 0.25169961 0.04855723] [0.19216536 0.34209728 0.41324992 0.17463538 0.23026854] [0.31120323 0.34793805 0.6097682 0.26008646 0.75306371] [0.60755713 0.28799642 0.60235958 0.69418041 0.04996581]] [[0.68136971 0.27706275 0.70780751 0.49022203 0.1700511 ] [0.17666416 0.55479535 0.18881965 0.24248033 0.58432088] [0.03958541 0.34799081 0.62522536 0.66729503 0.94124187] [0.98251218 0.38442045 0.9647026 0.09981866 0.07480372]]]
使用randn函数随机生成3*4*5维的数组：
import numpy as np sn = np.random.randn(3, 4, 5) print(sn)
生成的数组符合标准正态分布：
[[[-0.97546248 0.46482237 0.46232481 -0.81607844 0.02227037] [ 1.41672647 0.3036927 -0.46643274 0.46203588 1.19725522] [-1.00459345 -1.51265022 -1.10989086 -1.73492446 0.7985382 ] [-0.55015804 1.75202698 0.34619959 2.10673056 1.1267265 ]] [[-0.52607436 -1.11950328 0.00868366 1.78641448 -1.2655594 ] [ 2.17963077 0.13667921 2.35539206 -0.23587487 0.89031534] [-0.03255321 -0.80851392 0.1731047 -2.35959613 -0.09527181] [-0.5231855 -0.41071298 -0.24792927 0.58756083 -0.01207484]] [[ 0.82598316 0.16728761 0.73248991 -1.03238179 -0.91388066] [ 0.53091162 0.50406905 -1.54711219 -0.44278951 -1.08371051] [ 0.95577053 0.8806842 -0.48579249 -0.07832728 -0.23302233] [ 2.38093125 -0.93528845 -0.50766876 0.81836112 -1.77913608]]]
使用seed()函数和randint()函数随机生成数组：
np.random.seed(10) b = np.random.randint(100, 200, (3, 4)) print(b)
随机生成的数在(100,200)区间范围内：
[[109 115 164 128] [189 193 129 108] [173 100 140 136]]
再次使用seed(10)，给予同样的种子，我们可以发现产生的随机数是相同的：
import numpy as np np.random.seed(10) b = np.random.randint(100, 200, (3, 4)) print(b) np.random.seed(10) print(np.random.randint(100, 200, (3, 4)))
生成的结果一模一样如下：
[[109 115 164 128] [189 193 129 108] [173 100 140 136]] [[109 115 164 128] [189 193 129 108] [173 100 140 136]]
二、np.randon的随机函数(2)
- shuffle(a) 根据数组a的第一轴进行随机排列，改变数组a；
- permutation(a) 根据数组a的第一轴产生一个新的乱序数组，不改变数组a；
- choice(a[,size,replace,p]) 从一维数组a中以概率p抽取元素，形成size形状数组，replace表示是否可以重用元素，默认为False.
举个栗子：
首先生成随机函数，再使用shuffle函数来改变形状：
import numpy as np a = np.random.randint(100, 200, (3, 4)) print(a) np.random.shuffle(a) print(a)
可以使用shuffle函数后a数组发现了变化：
[[165 136 138 198] [185 182 199 130] [123 188 114 119]] [[123 188 114 119] [165 136 138 198] [185 182 199 130]]
再使用choice函数来举个栗子：
b = np.random.randint(100, 200, (8,)) print(b) print(np.random.choice(b, (3, 2))) print(np.random.choice(b, (3, 2), replace=False)) print(np.random.choice(b, (3, 2), p=b / np.sum(b)))
函数生成的结果如下：
[152 142 143 125 195 140 109 181] [[140 109] [152 125] [109 140]] [[195 152] [109 125] [142 181]] [[152 143] [143 140] [142 142]]
三、np.random的随机函数(3)
- uniform(low,high,size) 产生具有均匀分布的数组，low起始值，high结束值，size形状；
- normal(loc,scale,size) 产生具有正态分布的数组，loc均值，scale标准差，size形状；
- poisson(lam,size) 产生具有泊松分布的数组，lam随机事件发生率，size形状。
举个栗子：
产生均匀分布的数组：起始值为0，结束值为10
u = np.random.uniform(0, 10, (3, 4)) print(u)
[[4.9326288 7.34687698 4.97977426 7.99871934] [5.00649544 5.07442334 7.18781348 7.32208848] [3.34763035 0.07099091 5.13151326 3.18421811]]
产生正态分布的数组，均值为10，标准差为5的数组：
n = np.random.normal(10, 5, (3, 4)) print(n)
[[ 6.8513438 11.24016929 10.4074887 16.40272973] [14.08424738 0.18636224 6.92151938 12.04935454] [16.29518527 -0.90952865 -2.54181221 20.08502763]]
四、NumPy的统计函数(基本函数)
- sum(a, axis=None) 根据给定轴axis计算数组a相关元素之后，axis为整数或元组；
- mean(a, axis=None) 根据给定轴axis计算数组a相关元素的期望，axis为整数或元组；
- average(a,axis=None,weights=None) 根据给定轴axis计算数组a相关元素的加权平均值；
- std(a,axis=None) 根据给定轴axis计算数组a相关元素的标准差；
- var(a,axis=None) 根据给定轴axis计算数组a相关元素的方差；
举个栗子：
求和：
import numpy as np a = np.arange(15).reshape((3, 5)) print(np.sum(a))
结果：
105
1轴求期望：
print(np.mean(a, axis=1)) [ 2. 7. 12.]
0轴求期望：
print(np.mean(a, axis=0)) [5. 6. 7. 8. 9.]
0轴求加权平均值：
print(np.average(a, axis=0, weights=[10, 5, 1])) [2.1875 3.1875 4.1875 5.1875 6.1875]
求标准差：
print(np.std(a)) 4.320493798938574
求方差：
print(np.var(a)) 18.666666666666668
五、NumPy的统计函数(升级)
- min(a) max(a) 计算数组a中元素的最小值、最大值；
- unravel_index(index,shape) 根据shape将一维下标index转换成多维下标；
- ptp(a) 计算数组a中元素最大值与最小值的差；
- median() 计算数组a中元素的中位数(中值)；
- argmin(a) argmax(a) 计算数组a中元素最小值、最大值的降一维后的下标。
举个栗子：
生成基础数组：
b = np.arange(15, 0, -1).reshape(3, 5)
数组中最大值：
print(np.max(b))
数组降一维后最大值对于下标：
print(np.argmax(b))
根据shape将一维下标index转换成多维下标：
print(np.unravel_index(np.argmax(b), b.shape))
求最大值和最小值之差：
print(np.ptp(b))
求数组中的中位数：
print(np.median(b))
六、NumPy的梯度函数
在NumPy中的梯度函数是np.gradient(f)，该函数能计算数组f中元素的梯度，当f为多维时，返回每个维度的梯度。
所谓的梯度指的是连续值之间的变化率，即斜率。
举个栗子：
一维数组：
生成数组：
import numpy as np a = np.random.randint(0, 20, (5))
求该数组的梯度：
print(np.gradient(a))
结果是：
[ 2. 0. 4. 3.5 -3. ]
二维数组：
生成数组：
c = np.random.randint(0, 50, (3, 5))
求该数组的梯度：
print(np.gradient(c))
结果是：
[array([[ -9., 4., 7., 0., -42.], [ -5., 2., -7., 11., -22.], [ -1., 0., -21., 22., -2.]]), array([[-22. , -1. , -4.5, 9. , 47. ], [ -9. , 7. , -6.5, -15.5, 5. ], [ -8. , -3. , 4.5, -6. , -19. ]])]
七、图像的数组表示：
我们可以把现有的图像绘制成手绘的效果：
原始图是：
from PIL import Image import numpy as np a = np.asarray(Image.open('beijing.jpg').convert('L')).astype('float') depth = 10. # (0-100) grad = np.gradient(a) # 取图像灰度的梯度值 grad_x, grad_y = grad # 分别取横纵图像梯度值 grad_x = grad_x*depth/100. grad_y = grad_y*depth/100. A = np.sqrt(grad_x**2 + grad_y**2 + 1.) uni_x = grad_x/A uni_y = grad_y/A uni_z = 1./A vec_el = np.pi/2.2 # 光源的俯视角度，弧度值 vec_az = np.pi/4. # 光源的方位角度，弧度值 dx = np.cos(vec_el)*np.cos(vec_az) # 光源对x 轴的影响 dy = np.cos(vec_el)*np.sin(vec_az) # 光源对y 轴的影响 dz = np.sin(vec_el) # 光源对z 轴的影响 b = 255*(dx*uni_x + dy*uni_y + dz*uni_z) # 光源归一化 b = b.clip(0, 255) im = Image.fromarray(b.astype('uint8')) # 重构图像 im.save('beijing4.jpg')
最终 生成的图形效果是：
本章节的内容就分享到此，希望能帮助大家对于NumPy库有个深刻的入门！