最新Python学习教程（Python学习路线）：Numpy常用用法总结

一、前言

玩数据分析、数据挖掘、AI的都知道这个python库用的是很多的，里面包含各种操作，在实际的dataset的处理当中是非常常用的，这里我做一个总结，方便自己看，也方便大家看，我准备做一个非常细致的分类，每个分类有对应的numpy常用用法，以后见到或者用到再一个个慢慢加进来，如果我还用csdn我就会移植update下去。

二、下载、安装、导入

用anaconda安装是十分方便的，如果你已经安装了tf,keras之类的，其实已经直接把numpy安装了，一般来说安装就是pip命令。

1pip install numpy #py22pip3 install numpy #py3

用法则是

1import numpy as np　# 一般as为np来操作

三、常用用法总结

１．array基本信息以及生成各种常见array基本操作　

生成array，得到对应的基本信息

 1import numpy as np 2 3array = np.array([[1, 2, 3], 4 [2, 3, 4]]) 5 6print array #numpy生成的array 7print array.dtype　# 每个元素的类型 8print "number of dim", array.ndim　# array的维度 9print 'shape:', array.shape　#形状，　两行三列。10print 'size:', array.size #array的大小＝array中所有元素的个数11"""12 [[1 2 3]13 [2 3 4]]14 int6415 number of dim 216 shape: (2, 3)17 size: 618"""

array的生成就是np.array(list)，本质上是把定义的list转换成array，因为array可以进行更加方便地计算和操作，比如矩阵的转置和相乘。

array的dtype设置

 1import numpy as np 2 3a = np.array([2, 23, 4], dtype=np.float32) 4print "a's dtype", a.dtype 5aa = np.array([2, 23, 4], dtype=np.int) 6print "aa's dtype", aa.dtype 7aaa = np.array([2, 23, 4]) 8print "aaa's dtype", aaa.dtype 9aaaa = np.array([2.2, 23.2, 4.2])10print "aaaa's dtype", aaaa.dtype11aaaaa = np.array([2, 23, 4], dtype=np.int64)12print "aaaaa's dtype:", aaaaa.dtype1314"""15 a's dtype float3216 aa's dtype int6417 aaa's dtype int6418 aaaa's dtype float6419 aaaaa's dtype: int6420"""

由可以得到一个结论就是如果定义的array里面的list的元素本身为整数的话，不设置type，则默认为int64,如果设置为int类型而没有设置字节大小则还是默认为int64,如果元素本身为小数，则默认为float64。

所以如果用int64，则如果元素都为整数则不需要设置默认即可，设置其他类型需要设置，float类似。

生成常见array格式

 1a1 = np.zeros((2, 3), dtype=np.int) # 生成shape=(2, 3)的全为0的array 2 3print a1 4""" 5 [[0 0 0] 6 [0 0 0]] 7""" 8 9a2 = np.ones((3, 4), dtype=np.int16) # 生成shape=(3, 4)的全为1的array1011print a212"""13 [[1 1 1 1]14 [1 1 1 1]15 [1 1 1 1]]16"""

这里注意shape=(a,b)，在填入shape的参数的时候一定要加括号，以下雷同。

 1a3 = np.empty((3, 4)) # 生成shape=(3, 4)的全为接近空的array 2print a3 3""" 4 [[6.92259773e-310 4.67497449e-310 6.92259751e-310 6.92259750e-310] 5 [2.37151510e-322 3.16202013e-322 0.00000000e+000 6.92257087e-310] 6 [6.92259748e-310 6.92257087e-310 6.92257063e-310 6.92257063e-310]] 7""" 8a4 = np.arange(10, 20, 2)　　# 生成array　10到20　每隔2的一增加，for循环中主要使用 9print a410"""11 [10 12 14 16 18]12"""1314a5 = np.arange(12) # 生成array　０到12-1=11　每一个增加，for循环中非常常用15print a516"""17 [ 0 1 2 3 4 5 6 7 8 9 10 11]18"""1920a6 = np.arange(12).reshape((3,4)) # 这里主要展示reshape的功能，能够重新定义矩阵的形状21print a622"""23 [[ 0 1 2 3]24 [ 4 5 6 7]25 [ 8 9 10 11]]26"""27 # 1和10之间４个元素越过，这个主要应用在插值运算或者matplotlib画光滑曲线的时候计算用到。28a7 = np.linspace(1, 10, 4).reshape((2, 2))　2930print a731"""32 [[ 1. 4.]33 [ 7. 10.]]3435"""

２．array之间的计算

加减法

相同维度:

 1import numpy as np 2 3a = np.array([10, 20, 30, 40]) 4b = np.arange(4) 5print "a:", a 6print "b:", b 7c = a+b 8print "c:", c 9c1 = a-b10print "c1:", c111"""12 a: [10 20 30 40]13 b: [0 1 2 3]14 c: [10 21 32 43]15 c1: [10 19 28 37]16"""

不同维度:

 1aa = np.array([[1, 2, 3, 4], 2 [11, 22, 33, 44]]) 3 4bb = np.arange(4) 5 6print "aa:", aa 7print "bb:", bb 8print "a+b:", aa+bb 910"""11 aa: [[ 1 2 3 4]12 [11 22 33 44]]13 bb: [0 1 2 3]14 a+b: [[ 1 3 5 7]15 [11 23 35 47]]16"""

如果是不同维度的array进行加减法的话，程序就是把维度低的array自动复制扩展到大维度的array,进行相加 当然前提条件是两个不同维度的array进行相加的时候，低维度的array的shape也要和高维度的array其中一个shape相同，例如上面代码所示，(2,4) (1,4) 都有个shape为４

乘除法

 1d = np.array([[1, 2], 2 [3, 4]]) 3e = np.arange(1, 8, 2).reshape((2, 2)) 4print "d:", d 5print "e:", e 6 7print "d*e:", d*e #对应元素相乘 8print "d/e", d/e #对应元素相除，因为是int64类型所以类似于2/3=0 9"""10 d: [[1 2]11 [3 4]]12 e: [[1 3]13 [5 7]]14 d*e: [[ 1 6]15 [15 28]]16 d/e [[1 0]17 [0 0]]18"""

不同纬度的乘除法和上面加减法解析情况一样，可对比来看。

平方，三角函数，比较元素大小

 1a = np.array([10, 20, 30, 40]) 2b = np.arange(4) 3c2 = b**2 # 平方 4print "c2:", c2 5 6c3 = 10*np.sin(a) #　sin函数 7print "c3:", c3 8""" 9c2: [0 1 4 9]10c3: [-5.44021111 9.12945251 -9.88031624 7.4511316 ]11"""12print "b:", b13print "b:", b < 3 #　b中小于３的都为TRUE14print "b:", b == 3 # b中等于３的为TRUE15"""16b: [0 1 2 3]17b: [ True True True False]18b: [False False False True]1920"""

矩阵相乘

 1d = np.array([[1, 2], 2 [3, 4]]) 3e = np.arange(1, 8, 2).reshape((2, 2)) 4print "d:", d 5print "e:", e 6print np.dot(d, e) 7print d.dot(e) 8""" 9 d: [[1 2]10 [3 4]]11 e: [[1 3]12 [5 7]]13 [[11 17] #例如１１　为1*1+2*5=1114 [23 37]]15 [[11 17]16 [23 37]]1718"""

np.dot(d, e) 与d.dot(e)一样，都为d和e进行矩阵相乘

随机数和max,min,sum

 1f = np.random.random((2, 4)) #随机产生shape为（２，４）的一个array，每个元素都为0-1之间随机生成 2print f 3print "=------=" 4print np.sum(f) 5print np.min(f) 6print np.max(f) 7""" 8[[0.11027523 0.84841991 0.59866992 0.92557867] 9 [0.99917522 0.2771565 0.25578198 0.06671013]]10=------=114.081767552987877120.06671012832269874130.999175215388682714"""15print "============="16print np.sum(f, axis=0)17print np.min(f, axis=1)18print np.max(f, axis=0)19"""20[1.10945044 1.12557641 0.8544519 0.9922888 ]21[0.11027523 0.06671013]22[0.99917522 0.84841991 0.59866992 0.92557867]23"""

顾名思义，sum为总，min为最小，max为最大，如果不设置axis维度参数的话，则都为整个array的元素来说，但一般我们运用都只是算某个维度的sum,max,min，在二维数据中，axis=0代表行，第一个维度，axis=1，代表列为第二个维度，其实这么记并不是很好很有可能记错，我一般都是这么记得：axis=0为行，那意思就是每一行都要算呗？算完那不就是一列的每一行算个数被，axis=1类推，多维数据类推即可

矩阵转置和排序，以及元素比较大小重置元素方法

 1c = np.arange(14, 2, -1).reshape((3, 4)) 2 3print c 4print "sort:", np.sort(c)# 每一行进行重新大小排序当然也有axis参数配置，根据我的axis参数说明来操作 5 6print np.transpose(c) #转置　同下面操作 7print c.T #　转置　同上面操作 8 9print "clip:",np.clip(c, 5, 9)#c矩阵中的元素小于５的等于５，大于９的等于９10"""11 [[14 13 12 11]12 [10 9 8 7]13 [ 6 5 4 3]]14 sort: [[11 12 13 14]15 [ 7 8 9 10]16 [ 3 4 5 6]]17 [[14 10 6]18 [13 9 5]19 [12 8 4]20 [11 7 3]]21 [[14 10 6]22 [13 9 5]23 [12 8 4]24 [11 7 3]]25 clip: [[9 9 9 9]26 [9 9 8 7]27 [6 5 5 5]]28"""

平均值、中值，累加，后减前

 1a = np.arange(2, 14).reshape((3, 4)) 2print "a:", a 3print "average:", np.average(a) #平均值 4print "median:", np.median(a) #中值 5 6print "cumsum:", np.cumsum(a) #每个元素变成当前元素＋前面所有元素的和 7print "diff:", np.diff(a)　#当前元素减去前面元素的差 8""" 9 a: [[ 2 3 4 5]10 [ 6 7 8 9]11 [10 11 12 13]]12 average: 7.513 median: 7.514 cumsum: [ 2 5 9 14 20 27 35 44 54 65 77 90]15 diff: [[1 1 1]16 [1 1 1]17 [1 1 1]]18"""

３．索引

最大值最小值索引，非零索引

 1a = np.array([[2, 6, 0, 4], 2 [4, 8, 9, 1], 3 [10, 2, 3, 11]]) 4print "argmin:", np.argmin(a) 5print "axis0:", np.argmin(a, axis=0) 6print "axis1:", np.argmin(a, axis=1) 7print "argmax:", np.argmax(a) 8print "zero:", np.nonzero(a) 910"""11argmin: 212axis0: [0 2 0 1]13axis1: [2 3 1]14argmax: 1115zero: (array([0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2]), array([0, 1, 3, 0, 1, 2, 3, 0, 1, 2, 3]))16"""

argmin/argmax都是返回最小值/最大值的索引的函数。

这里的axis和上面的分析是完全一致的，例如argmin(a)就是最小的索引，虽小的毋庸置疑是０，所以总体来讲从第一行第一个元素到最后一行最后一个元素，总体来算索引，那就是第二个为０，所以返回２，如果axis=0说明一列中的每一行来比较，那第一列比较出来最小的为２，即索引为０，因为每一列的每一行来比较所以最后的维度为列数，在这里即为４，以此列推。

非零索引的意思为非零的数返回索引，如上例为返回两个array，前面array对应行索引，后面对应列索引，一前一后加一起的shape才对应一个非零索引

取值，取列或行

 1import numpy as np 2 3a = np.arange(3, 15).reshape((3, 4)) 4 5print a 6print a[1]　#索引为1的行，同下 7print a[:][1]　#索引为1的行，同上 8print "=========-------===========" 9print a[2][1] #和数组一样的表示 10print a[2, 1]　#同上，这才是比较标准的array的索引表示，前面是行后面是列的索引11print "=========---------============"12print a[:, 1] 　　#索引为１的列,生成为行向量13print a[:, 1:2]　　#索引为１的列，生成为列向量14print a[:, 1:3]　　1516print a[1, 1:3] #为上面a[:, 1:3]的索引为１的行向量17"""18 [[ 3 4 5 6]19 [ 7 8 9 10]20 [11 12 13 14]]21 [ 7 8 9 10]22 [ 7 8 9 10]23 =========-------===========24 1225 1226 =========---------============27 [ 4 8 12]28 [[ 4]29 [ 8]30 [12]]31 [[ 4 5]32 [ 8 9]33 [12 13]]34 [8 9]35"""

着重讲一下　a[:, 1:2]　a[:, 1:3]　a[1, 1:3]

a[:, 1:2]：:代表行所有也就是一列要的话，这一列的每一行都要，1:2对应的从索引为１的列来算移植相当于取到索引为（2-1）的列，2为取的最高索引大一个。所以总体来讲就是首先取每一行，之后在行里取索引１->１的列元素，所以为最终的结果列向量。

a[:, 1:3]：按照上面的分析则每一行都要，列要索引为1和(3-1)的元素，那就是索引为1和2的所有元素，也就是第二列和第三列的元素。

a[1, 1:3]：为a[:, 1:3]的索引为１的所有元素。

这里需要注意的是

a[:, 1] 　#索引为１的列,生成为行向量，

a[:, 1:2]　#索引为１的列，生成为列向量

因为两种取值的思想不一样，最终造成的结果也不一样，一个是直接取，所以维度减少了一个，另一个是在原本维度上截取，最终还是原来的维度。

迭代元素和降维

 1a = np.arange(3, 15).reshape((3, 4))# 数据都是下取上差一个取到。 2print a 3print "row" 4for row in a:　#取每一行迭代 5 print row 6print "column" 7for column in a.T:　#每一列迭代 8 print column 9print "====================="10print a.flatten() # 所有元素变成一维11b = np.array([[1, 2, 3]])　12print b13print b.flatten() #降维1415for item in a.flat:　#每个元素打印16 print item1718"""19 [[ 3 4 5 6]20 [ 7 8 9 10]21 [11 12 13 14]]22 row23 [3 4 5 6]24 [ 7 8 9 10]25 [11 12 13 14]26 column27 [ 3 7 11]28 [ 4 8 12]29 [ 5 9 13]30 [ 6 10 14]31 =====================32 [ 3 4 5 6 7 8 9 10 11 12 13 14]33 [[1 2 3]]34 [1 2 3]35 336 437 538 639 740 841 942 1043 1144 1245 1346 1447"""

行迭代，就是可以理解为最外层的维度进行迭代，列迭代就是利用转置来完成。

flatten()函数的意思为把array的内层的维度进行降一维，将内层的维度弄掉，则二维数据就成为一维数据了

４．合并与分开

两个合并、多个合并（行向量转换成列向量）

 1# -*- coding: utf-8 -*- 2import numpy as np 3 4a = np.array([1, 1, 2]) 5b = np.array([2, 3, 4]) 6 7c = np.vstack((a, b)) #vertical 8 9print "a:", a10print "b:", b11print "c:", c12print "a,c shape:", a.shape, c.shape1314d = np.hstack((a, b)) #horizontal15print "d:", d16print d.shape17"""18 a: [1 1 2]19 b: [2 3 4]20 c: [[1 1 2]21 [2 3 4]]22 a,c shape: (3,) (2, 3)23 d: [1 1 2 2 3 4]24 (6,)25"""26print a.T # not transponse　行向量无法直接用转置来变成列向量27# 行向量变成列向量28print a[np.newaxis, :].shape29print a[:, np.newaxis].shape30print a[:, np.newaxis] #转换方法31"""32 [1 1 2]33 (1, 3)34 (3, 1)35 [[1]36 [1]37 [2]]38"""39a = np.array([1, 1, 2])[:, np.newaxis]40b = np.array([2, 3, 4])[:, np.newaxis]4142c = np.concatenate((a, b, b), axis=0) #多向量融合 4344print c4546c = np.concatenate((a, b, b), axis=1) #多向量融合4748print c4950"""51 [[1]52 [1]53 [2]54 [2]55 [3]56 [4]57 [2]58 [3]59 [4]]60 [[1 2 2]61 [1 3 3]62 [2 4 4]]63"""

分开

 1# -*- coding: utf-8 -*- 2import numpy as np 3 4a = np.arange(12).reshape((3, 4)) 5 6print a 7print "平等分开" 8print "vertical:", np.split(a, 2, axis=1) # 910print "horizontal:", np.split(a, 3, axis=0) #11"""12 [[ 0 1 2 3]13 [ 4 5 6 7]14 [ 8 9 10 11]] 15 平等分开16 vertical: [array([[0, 1],17 [4, 5],18 [8, 9]]), array([[ 2, 3],19 [ 6, 7],20 [10, 11]])]21 horizontal: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]22"""23print "不平等分开"24print np.array_split(a, 3, axis=1)2526print "代替需要axis参数"27print "vertical_a:", np.vsplit(a, 3)2829print "horizontal_a:", np.hsplit(a, 2)30"""31 不平等分开32 [array([[0, 1],33 [4, 5],34 [8, 9]]), array([[ 2],35 [ 6],36 [10]]), array([[ 3],37 [ 7],38 [11]])]39 代替需要axis参数40 vertical_a: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]41 horizontal_a: [array([[0, 1],42 [4, 5],43 [8, 9]]), array([[ 2, 3],44 [ 6, 7],45 [10, 11]])]46"""

５．元素传递和copy

 1b = np.arange(4) 2 3print b 4c = b 5e = c 6d = e 7b[0] = 11 8print b 910print c is b11print d is b12print b[0]1314d[1: 3] = [22, 22]15print b16print c1718c = b.copy()1920b[3] = 442122print b23print c24print e25"""26 [0 1 2 3]27 [11 1 2 3]28 True29 True30 1131 [11 22 22 3]32 [11 22 22 3]33 [11 22 22 44]34 [11 22 22 3]35 [11 22 22 44]36"""

array这个元素传递有点意思的，就是如果直接a=b，其实从内存角度来考虑就相当于a和b指向了一样的元素内存空间，所以改变一个元素的值，另一个一样改变，如果想各是各的，并且还想传递另一个元素的值那就用a=b.copy()，所以这个还是需要注意的

6.补充部分

array.min/max/ptp

 1import numpy as np 2 3a = [[2, 4, 8, 9], [1, 7, 4, 5], [5, 7, 1, 4]] 4a = np.array(a) 5print(a) 6print(a.min(0)) 7print(a.min(1)) 8print(a.ptp(0)) 9"""10[[2 4 8 9]11 [1 7 4 5]12 [5 7 1 4]]13axis=0 为每列的最小值返回14[1 4 1 4]15axis=1 为每行的最小值返回16[2 1 1]17ptp为最大值减最小值的range18[4 3 7 5]19"""

np.random.choice

1import numpy as np23a = np.random.choice(a=100, size=20)4print(a)5"""60-99之间选size为20的随机数的list7[78 82 91 96 5 60 28 79 24 56 5 34 58 48 96 57 77 23 80 69]8"""