Numpy学习笔记（一）

Python本身支持的数据结构不多，除了int、float和string等一些常规的之外，还有列表、元祖、字典，都有自己的属性和方法，怎么说呢，功能已经足够强大，解决一般的问题已经足够，可当数据量增大，计算形式变得多样，这种普通的数据结构效率不高，况且python本身对于数组的支持不是很好，这也是为什么会有一批类似于numpy、scipy、panda等第三方库，大大扩展了python的功能，胶水的本质越来越突出。学习的成本也不高，不会像重新学一门语言那么困难，况且据了解，python的科学计算能力已经不亚于R还有Matlab，这两个都没有学过，不敢妄言。

自己对于numpy的学习也是刚起步，算不上很精通，总之，慢慢的学吧。

Example1

Numpy有自己的数据结构，即数组，可以用arange()和array()来创建

# -*- coding:utf-8 -*-

# 先导入numpy库

import numpy as np

# arange()的用法与range()类似

a = np.arange(1, 10, 2)

print 'a:', a

# 利用array()可以直接创建

b = np.array([[1, 2], [1, 2]])

print 'b:', b

# arange()与array()结合

c = np.array([np.arange(2), np.arange(2)])

print 'c:', c

结果如下

Example2

选取数组中的元素，同样也是从0开始

d = np.array([[1, 2], [3, 4]]) # 这是一个2*2的数组

print d

# 选取第一行第一个元素

print d[0, 0]

# 选取第二行第一个元素

print d[1, 0]

结果如下：

Numpy同样支持切片操作，使用方式与python一致

e = np.arange(10)

print e

print e[1:5:2] # 5是不包含的

结果如下：

Example3

对于多维数组，操作方法类似，但有一些小技巧

（一）生成一个多维数组

# reshape()可以改变数组的维度

f = np.arange(24).reshape(2, 3, 4)

print f

# 可以通过shape属性查看数据的维度信息

print f.shape

结果如下：

（二）切片和索引

其实对于一个3*3的数组a，选取的方法总结起来就是a[start:end:step, start:end:step, start:end:step]，并且对于多个冒号可以用…代替，这个需要慢慢体会

# 把数组f理解为一个二层的楼，每一层有3行4列个房间

print u'选取第一层的所有房间', f[0] # 等价于f[0, :, :]和f[0, ...]

print u'选取第一层楼第二行的房间', f[0, 1] # 等价于f[0, 1, :]

# 也可以按照一定的步长

print u'选取第一层楼第一和第三行', f[0, 0:3:2]

结果如下

Example4

改变数组的维度

# 展平操作，两种方式

g = np.array([np.arange(5), np.arange(5)])

print u"数组g:", g

print "ravel:", g.ravel()

print "flatten:", g.flatten()

# 设置维度，三种方式

print "reshape:", g.reshape(5, 2)

print u"数组g:", g # g本身并没有变

# 以下两种方式数组g被改变

g = np.array([np.arange(5), np.arange(5)])

g.shape = (5, 2)

print "shape:", g

g = np.array([np.arange(5), np.arange(5)])

g.resize((5, 2))

print "resize:", g

# 转置

# 数组本身有一个T属性

g = np.array([np.arange(5), np.arange(5)])

print "T:", g.T

# 可以用transpose方法

g = np.array([np.arange(5), np.arange(5)])

print "transpose:", g.transpose()

结果如下：

Example5

数组的组合，有水平组合、垂直组合和深度组合等多种组合方式，很复杂，很独特，但很有用

# 数组的组合

# 先创建两个数组

h = np.arange(9).reshape(3, 3)

print u"数组h:", h

i = 2 * h

print u"数组i:", i

# 水平组合hstack

print "hstack:", np.hstack((h, i))

# concatenate函数也可以，不过要设置参数

print "concatenate(axis=1):", np.concatenate((h, i), axis=1)

# 垂直组合vstack

print "vstack:", np.vstack((h, i))

# 当然也可以用concatenate，axis默认为0

print "concatenate(axis=0):", np.concatenate((h, i))

# 深度组合dstack，像是切蛋糕

print "dstack:", np.dstack((h, i))

# 列组合column_stack, 二维数组column_stack与hstack一样

print "column_stack:", np.column_stack((h, i))

# 行组合row_stack, 二维数组row_stack与vstack一样

print "row_stack:", np.row_stack((h, i))

结果如下：

Example6

数组的分割，其实就是组合的逆操作

# 数组的分割

j = np.arange(9).reshape(3, 3)

print u"数组j:", j

# 水平分割hsplit，可以理解为沿着水平方向进行分割

print "hsplit:", np.hsplit(j, 3)

# 也可以用split，指定axis=1

print "split(axis=1):", np.split(j, 3, axis=1)

# 垂直分割vsplit，可以理解为沿着垂直方向进行分割

print "vsplit:", np.vsplit(j, 3)

# 同样的split也可以，axis默认即为0

print "split(axis=0):", np.split(j, 3)

# 深度分割dsplit，至少三维

k = np.arange(27).reshape(3, 3, 3)

print k

print "dsplit:", np.dsplit(k, 3)

结果如下：

组合就是把多个数组合成一个，分割就是把一个数组分成多个数组

Example7

数组的属性

l = np.arange(20).reshape(2, 10)

print u"数组l:", l

print u"数组的维数:", l.ndim

print u"数组的维度:", l.shape

print u"数组元素的个数:", l.size

print u"数组单个元素所占内存:", l.itemsize

print u"数组所占内存:", l.nbytes

print u"转置:", l.T

print u"数组元素类型:", l.dtype

# flat属性返回一个flatier对象(扁平迭代器)

f = l.flat

print f

# 遍历

for item in f:

print item

# 直接获取

print "l.flat[2]:", l.flat[2]

print "l.flat[[1, 2, 3]]:", l.flat[[1, 2, 3]]

# 可赋值

l.flat[[1, 2, 3]] = 1

print u"flat赋值:", l

结果如下：

数组的属性有很多，经常用，要记牢

Example8

数组的转换

# 数组的转换

# numpy数组转换为list

m = np.arange(5)

print m.tolist()

# astype可以指定数据类型

print m.astype(complex)

结果如下：

总结：数组这种数据类型几乎可以说是numpy的核心，极大的拓展了Python的科学计算能力，依附在数组这个对象上有很多属性和方法，使用起来很方便，不用自己再一一实现，可以将更多的精力放在解决具体的问题上。以上所写都只是入门的知识，接下来仍有很多要学，可以结合numpy的帮助文档和别人的博客

源代码可以参考这里：https://github.com/Lucifer25/Learn-Python/blob/master/numpy_exercise1.py

参考书籍：Python数据分析基础教程（Numpy学习指南） 人民邮电出版社 。。。。错字挺多，内容还算翔实