27个Numpy操作【初学者专供】

发表于 | 分类于

本文介绍初学者应当掌握的27个numpy操作。

1、将列表转换为ndarray

使用np.array()将Python列表转换为Numpy数组：

1
numpy_array = np.array(list_to_convert)

2、使用np.newaxis和np.reshape

np.newaxis用来创建大小为1的新维度。例如：

1
2
a = [1,2,3,4,5]             # 列表
a_numpy = np.array(a)

如果你打印a_numpy.shape，就会得到 (5,)。为了将其转换为行向量或 列向量，可以这么做：

1
2
row_vector = a_numpy[:,np.newaxis] ####shape: (5,1) 
col_vector = a_numpy[np.newaxis,:] ####shape: (1,5)

类似的，np.reshape可以用来重设任意数组的形状，例如：

1
2
a = range(0,15)             # 列表：从0到14
b = a.reshape(3,5)

现在b就是这样：

1
2
3
4
[[0,1,2,3,4],
 [5,6,7,8,9],
 [10,11,12,13,14],
 [15,16,17,18,19]]

3、将任意数据类型转换为numpy数组

使用np.asarray()可以将任意数据类型转换为一个Numpy数组。例如：

1
2
a = [(1,2), [3,4,(5)], (6,7,8)]
b = np.asarray(a)

现在b就是numpy数组了：

1
array([(1, 2), list([3, 4, (5, 6)]), (6, 7, 8)], dtype=object)

4、创建一个N维全零数组

使用np.zeros()创建一个N维numpy数组，其成员全部都是0。

1
a = np.zeros(shape,dtype=type_of_zeros)

type_of_zeros可以是整型或浮点型，例如：

1
a = np.zeros((3,4), dtype = np.float16)

5、创建一个N维全1数组

使用np.ones()可以创建一个N维Numpy数组，其成员全部都是1。

1
a = np.ones((3,4), dtype=np.int32)

6、np.full 和 np.empty

np.full()用来创建使用单一指定值填充的Numpy数组:

1
np.full(shape_as_tuple,value_to_fill,dtype=type_you_want)

例如：

1
a = np.full((2,3),1,dtype=np.float16)

现在a的值如下：

1
2
array([[1., 1., 1.],
       [1., 1., 1.]], dtype=float16)

np.empty()用来创建使用随机值填充的Numpy数组。

1
np.empty(shape_as_tuple,dtype=int)

例如：

1
a = np.empty((2,2),dtype=np.int16)

现在a的值如下：

1
2
array([[25824, 25701],
       [ 2606,  8224]], dtype=int16)

所有的成员都是随机数。

7、np.arrange和np.linspace

np.arrange()和np.linspace()都可以用来创建一个等差的numpy数组，相邻成员 值差值保持固定不变。

1
2
np.arange(start=where_to_start,stop=where_to_stop,step=step_size)
np.linspace(start,stop,num=50,endpoint=bool_value,retstep=bool_value)

例如，下面的代码创建一个包含5个成员的numpy数组，从1开始到2截止：

1
np.linspace(1,2,num=5,endpoint=False,retstep=True)

得到的结果如下，linspace返回一个元组，第一个成员是numpy数组，第二个成员是值间隔：

1
(array([1. , 1.2, 1.4, 1.6, 1.8]), 0.2)

8、查看Numpy数组的形状

使用shape属性查看numpy数组对象的数据形状：

1
array.shape

9、了解Numpy数组的维度数量

使用ndim属性查看Numpy数组的维度数量：

1
2
x = np.array([1,2,3])  
print(x.ndim)                  # 输出： 1

10、获取Numpy数组成员数量

使用size属性获取Numpy数组的成员数量：

1
2
x = np.ones((3,2,4),dtype=np.int16)
print(x.size)                  # 输出：24

11、获取Numpy数组的内存占用情况

使用nbytes属性获取Numpy数组的内存占用情况。例如：

1
2
x = np.ones((3,2,4),dtype=np.int16)
print(x.nbytes)                # 输出：48

上面的x变量有24个成员，每个成员为int16类型即占用两个字节， 因此总内存占用字节数为：24*2 = 48。

12、查看Numpy数组成员的数据类型

使用dtype属性查看Numpy数组成员的数据类型。例如：

1
2
x = np.ones((2,3), dtype=np.int16)
print(x.dtype)                 # 输出：dtype('int16')

13、克隆一个Numpy数组

使用np.copy()创建一个Numpy数组的副本。

1
2
y = np.array([[1,3],[5,6]])
x = np.copy(y)

14、Numpy数组转置

使用T属性获取一个Numpy数组的行列转置：

1
x = [[1,2],[3,4]]

x看起来是这样：

1
2
1 2
3 4

x.T看起来是这样：

1
2
1 3
2 4

15、拉平N维Numpy数组为一维

使用np.reshape()和np.ravel()。

例如：

1
2
x= np.array([[1,2,3],[4,5,6]])
y = x.reshape(-1)

y现在是[1,2,3,4,5,6]。

使用np.ravel()也可以达到同样的效果：

1
2
x = np.array([[1, 2, 3], [4, 5, 6]])
y = x.ravel()                      # [1,2,3,4,5,6]

16、改变或交换N维Numpy数组的轴

使用np.moveaxis()和np.swapaxes()方法。

1
np.moveaxis(x,axes_to_move_as_list, destination_axes_as_list)

例如：

1
2
x = np.ones((3,4,5))
y = x.moveaxis([1,2],[0,-2])       # 1 -> 0 , 2 -> -2

上面的代码将x的第1轴变成第0轴，第2轴变成倒数第2轴，因此最终 的数组形状为：(4,5,3)。

上述变换不是本地进行的，因此别忘了另存一个变量。

np.swapaxes()可以交换指定的数据轴，例如：

1
2
x = np.array([[1,2],[3,4]])
y = np.swapaxes(x,0,1)               # 0 -> 1

x本来是:

1
2
1 2
3 4

经过0轴和1轴的交换，y现在是：

1
2
1 3
2 4

下面的代码将形状(3,4,5)的数组转换为(5,4,3)：

1
2
3
x= np.ones((3,4,5))
y = np.swapaxes(0,2)    
print(y.shape)                # (5,4,3)

17、将Numpy数组转换为列表

使用tolist()方法将Numpy数组转换为列表对象：

1
2
x = np.array([[3,4,5,9],[2,6,8,0]])
y = x.tolist()

现在的y是：

1
[[3, 4, 5, 9], [2, 6, 8, 0]]

18、修改Numpy数组成员的数据类型

使用astype()方法修改Numpy数组成员的数据类型。

1
x = np.array([0,1,2.0,3.0,4.2],dtype=np.float32)

转换为 int16： 

1
x.astype(np.int16)

x现在是这样：

1
array([0, 1, 2, 3, 4], dtype=int16)

转换为bool：

1
x.astype(np.bool)

x现在是这样：

1
array([False,  True,  True,  True,  True])

19、获取非零成员的索引

使用nonzero()方法获取Numpy数组中非零成员的索引。

1
2
x = np.array([0,1,2.0,3.0,4.2],dtype=np.float32)
y = x.nonzero()             # y: (array([1, 2, 3, 4]),)

注意上面的x形状为(5,)，因此得到的索引只有第1项。

1
2
x = np.array([[0,1],[3,5]])
y = x.nonzero()             # y：(array([0, 1, 1]), array([1, 0, 1]))

20、Numpy数组排序

使用sort()方法对Numpy数组进行排序。

1
2
3
4
5
6
7
8
9
10
11
12
x = np.array([[4,3],[3,2])
x is
4 3
3 2

x.sort(axis=1) #sort each row
3 4
2 3

x.sort(axis=0) #sort each col
3 2
4 3

21、Numpy数组的值比较

通过将Numpy数组与某个值比较可以得到一个布尔类型的新数组。例如：

1
2
x = np.array([[0,1],[2,3]])
y = x==1

得到的y如下：

1
2
array([[False,  True],
       [False, False]])

22、两个Numpy数组乘积

使用np.matmul()计算两个Numpy数组的矩阵乘积：

1
2
3
4
5
6
7
8
9
10
11
12
13
a = np.eye(2) #identity matrix of size 2
a
1 0
0 1

b = np.array([[1,2],[3,4]])
b
1 2
3 4

np.matmul(a,b) will give
1 2
3 4

23、计算两个Numpy数组的点乘

使用np.dot()计算两个Numpy数组的点乘：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
a = np.array([[1,2,3],[4,8,16]])
a:
1 2 3
4 8 16

b = np.array([5,6,11]).reshape(-1,1)
b:
5
6
11

np.dot(a,b) produces
38
160

24、计算两个Numpy向量的叉乘

使用np.cross()计算两个Numpy向量的叉乘

1
2
3
x = [1,2,3]
y = [4,5,6]
z = np.cross(x, y)

z的内容为:

1
array([-3,  6, -3])

25、计算Numpy数组的梯度

使用np.gradient()计算一个Numpy数组的梯度：

1
2
x = np.array([5, 10, 14, 17, 19, 26], dtype=np.float16)
y = np.gradient(x)

y：

1
array([5. , 4.5, 3.5, 2.5, 4.5, 7. ], dtype=float16)

26、Numpy数组切片

要切片单个成员：

1
x[r][c]          # r,c表示成员的行、列

要切片多个成员。假设x为：

1
2
3
2 4 9
3 1 5
7 8 0

如果希望切片2,4和7,8，那么：

1
x[[0,0,2,2],[0,1,0,1]]

就可以得到：

1
array([2, 4, 7, 8])

如果要切片的某一维度是连续的，那更容易：

1
x[[0,2],0:2]

得到结果：

1
2
array([[2, 4],
       [7, 8]])

27、Numpy数组的广播

对于新手有点复杂，本文删除该内容，另专文介绍。

原文链接：27 NumPy Operations for beginners

汇智网翻译整理，转载请标明出处