NumPy介绍

发表于 | | 阅读次数: |

NumPy

在学习深度学习时，NumPy的数组类提供了很多关于操作数组和矩阵的便捷方法。

2019/5/30

1.1 导入NumPy

NumPy并不存在于标准版Python中，因此，首先需要导入NumPy库

1
>>> import numpy as np

1.2 生成NumPy数组

使用np.array()方法。np.array()接受Python的列表作为参数，生成NumPy数组（num.ndarray）。

1
2
3
4
5
>>> x=np.array([1.0,2.0,3.0])
>>> print(x)
[1. 2. 3.]
>>> type(x)
<class 'numpy.ndarray'>

1.3 NumPy的算术运算

1
2
3
4
5
6
7
8
9
10
>>> x = np.array([1.0, 2.0, 3.0])
>>> y = np.array([2.0, 4.0, 6.0])
>>> x + y # 对应元素的加法
array([ 3., 6., 9.])
>>> x - y
array([ -1., -2., -3.])
>>> x * y # element-wise product
array([ 2., 8., 18.])
>>> x / y
array([ 0.5, 0.5, 0.5])

需要注意，数组x和数组y的元素个数相同，如果元素个数不同，程序会报错。

NumPy数组不仅可以进行对应元素的运算，也可以和单一的数值（标量）进行运算，这个功能叫广播。

1
2
3
>>> x = np.array([1.0, 2.0, 3.0])
>>> x / 2.0
array([ 0.5, 1. , 1.5])

NumPy的N维数组

NumPy可以生成多维数组

1
2
3
4
5
6
7
8
>>> A = np.array([[1, 2], [3, 4]])
>>> print(A)
[[1 2]
[3 4]]
>>> A.shape #查看数组形状
(2, 2)
>>> A.dtype #查看数组元素的数据类型
dtype('int64')
1
2
3
4
5
6
7
>>> B = np.array([[3, 0],[0, 6]])
>>> A + B   #两个二维数组相加
array([[ 4, 2],
[ 3, 10]])
>>> A * B    #两个二维数组相乘，对应位置的元素进行算术运算
array([[ 3, 0],
[ 0, 24]])
1
2
3
4
5
6
7
#广播
>>>print(A)
[[1 2]
 [3 4]]
>>>A*10
array([[ 10, 20],
[ 30, 40]])

访问元素

元素的索引从0开始。对各个元素的访问如下：

1
2
3
4
5
6
7
8
9
>>> X = np.array([[51, 55], [14, 19], [0, 4]])
>>> print(X)
[[51 55]
[14 19]
[ 0 4]]
>>> X[0] # 第0行
array([51, 55])
>>> X[0][1] # (0,1)的元素
55

也可以用for语句访问各个元素

1
2
3
4
5
6
>>> for row in X:
... print(row)
...
[51 55]
[14 19]
[0 4]

除了前面介绍的索引操作，NumPy还可以使用数组访问各个元素

1
2
3
4
5
>>> X = X.flatten() # 将X转换为一维数组
>>> print(X)
[51 55 14 19 0 4]
>>> X[np.array([0, 2, 4])] # 获取索引为0、 2、 4的元素
array([51, 14, 0])

运用这个标记法，可以获取满足一定条件的元素。例如，要从 X中抽出大于15的元素，可以写成如下形式。

1
2
3
4
>>> X > 15
array([ True, True, False, True, False, False], dtype=bool)
>>> X[X>15]
array([51, 55, 19])

对NumPy数组使用不等号运算符等（上例中是 X > 15）,结果会得到一个布尔型的数组。上例中就是使用这个布尔型数组取出了数组的各个元素（取出 True对应的元素）。