pythonnumpy詳解

A. （python）numpy 常用操作

不放回取樣：
從列表ori中不放回地取n個數

通過這種操作，我們可以獲得一個二維列表的子集：
（如果這個二維列表是圖的鄰接矩陣，那麼就是對圖進行隨機采樣，獲得一個圖的子圖）

首先要注意，"+" 操作對於list和numpy.array是完全不同的
python 中的list，"+"代表拼接:

在numpy.array中，"+"代表矩陣相加

keepdim指的是維度不變，常在sum中使用。如：

會發現，keepdim之後還是二維的

這里要注意，pytorch和numpy里max()函數的返回值是不同的
pytorch:

也就是說，max(1)代表求第一維的最大值，對於二維數組來說，就是求縱向的最大值，然後，第一個返回值是最大值所形成數組，第二個返回值是最大值所在的索引。這一個技巧在機器學習的分類任務中很常用，比如我們的分類任務是把數據分成m類，那麼最終我們模型的輸出是m維的，對於n個樣本就是n*m，如果要判斷我們的模型最終的分類結果，就是找n個樣本里，每個樣本m維輸出的最大值索引，代表樣本是這個類的可能性最大。我們可以方便地用這種方式找到最大值地索引：

其中test_out是模型輸出，predict_y則是分類結果
另外一點要注意的是，numpy與pytorch不同，numpy的max()只有一個返回值：

也就是說，numpy.max()不會返回最大值所在的索引

B. python庫numpy使用技巧（二）——隨機抽取二維矩陣中多行或多列

使用庫numpy

創建一個二維數組

行與列隨機抽取類似

行隨機抽取

列隨機抽取

C. python基礎之numpy.reshape詳解

這個方法是在不改變數據內容的情況下，改變一個數組的格式，參數及返回值，官網介紹：

a：數組--需要處理的數據

newshape：新的格式--整數或整數數組，如(2,3)表示2行3列，新的形狀應該與原來的形狀兼容，即行數和列數相乘後等於a中元素的數量

order：

 首先做出翻譯： order  : 可選范圍為{『C』, 『F』, 『A』}。使用索引順序讀取a的元素，並按照索引順序將元素放到變換後的的數組中。如果不進行order參數的設置，默認參數為C。

（1）「C」指的是用類C寫的讀/索引順序的元素，最後一個維度變化最快，第一個維度變化最慢。以二維數組為例，簡單來講就是橫著讀，橫著寫，優先讀/寫一行。

（2）「F」是指用FORTRAN類索引順序讀/寫元素，最後一個維度變化最慢，第一個維度變化最快。豎著讀，豎著寫，優先讀/寫一列。注意，「C」和「F」選項不考慮底層數組的內存布局，只引用索引的順序。

（3）「A」選項所生成的數組的效果與原數組a的數據存儲方式有關，如果數據是按照FORTRAN存儲的話，它的生成效果與」F「相同，否則與「C」相同。這里可能聽起來有點模糊，下面會給出示例。

二、示例解釋

1、首先隨機生成一個4行3列的數組

2、使用reshape，這里有兩種使用方法，可以使用np.reshape(r,(-1,1),order='F')，也可以使用r1=r.reshape((-1,1),order='F')，這里我選擇使用第二種方法。通過示例可以觀察不同的order參數效果。

通過例子可以看出來，F是優先對列信息進行操作，而C是優先行信息操作。如果未對r的格式進行設置，那麼我們rashape的時候以「A」的順序進行order的話，它的效果和「C」相同。

3、我們將r的存儲方式進行修改，修改為類Fortan的方式進行存儲。並做與第2步類似的操作。

基礎操作樣例：

1.引入numpy，名稱為np 

2.接下來創建一個數組a，可以看到這是一個一維的數組 

3.使用reshape()方法來更改數組的形狀，可以看到看數組d成為了一個二維數組

4.通過reshape生成的新數組和原始數組公用一個內存，也就是說，假如更改一個數組的元素，另一個數組也將發生改變 

5.同理還可以得到一個三維數組 

reshape(-1,1)什麼意思：

大意是說，數組新的shape屬性應該要與原來的配套，如果等於-1的話，那麼Numpy會根據剩下的維度計算出數組的另外一個shape屬性值。

舉例：

同理，只給定行數，newshape等於-1，Numpy也可以自動計算出新數組的列數。

D. python numpy有什麼用

NumPyis the fundamental package for scientific computing withPython。就是科學計算包。

• a powerful N-dimensional array object

• sophisticated (broadcasting) functions

• tools for integrating C/C++ and Fortran code

• useful linear algebra, Fourier transform, and random number capabilities

一個用python實現的科學計算包。包括：1、一個強大的N維數組對象Array；2、比較成熟的（廣播）函數庫；3、用於整合C/C++和Fortran代碼的工具包；4、實用的線性代數、傅里葉變換和隨機數生成函數。numpy和稀疏矩陣運算包scipy配合使用更加方便。

NumPy系統是Python的一種開源的數字擴展。這種工具可用來存儲和處理矩陣，比Python自身的嵌套列表結構要高效。據說NumPy將Python相當於變成一種免費的更強大的MatLab系統。

E. python numpy是什麼庫

NumPy是Python語言的一個擴充程序庫。支持高級大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。Numpy內部解除了CPython的GIL（全局解釋器鎖），運行效率極好，是大量機器學習框架的基礎庫！

相關推薦：《Python基礎教程》

NumPy的全名為Numeric Python，是一個開源的Python科學計算庫，它包括：

·一個強大的N維數組對象ndrray；

·比較成熟的（廣播）函數庫；

·用於整合C/C++和Fortran代碼的工具包；

·實用的線性代數、傅里葉變換和隨機數生成函數。

NumPy的優點：

·對於同樣的數值計算任務，使用NumPy要比直接編寫Python代碼便捷得多；

·NumPy中的數組的存儲效率和輸入輸出性能均遠遠優於Python中等價的基本數據結構，且其能夠提升的性能是與數組中的元素成比例的；

·NumPy的大部分代碼都是用C語言寫的，其底層演算法在設計時就有著優異的性能，這使得NumPy比純Python代碼高效得多。

當然，NumPy也有其不足之處，由於NumPy使用內存映射文件以達到最優的數據讀寫性能，而內存的大小限制了其對TB級大文件的處理；此外，NumPy數組的通用性不及Python提供的list容器。因此，在科學計算之外的領域，NumPy的優勢也就不那麼明顯。

F. 問一下Python里的numpy的正確讀法是什麼

numpy讀法是:英['nʌmpi]，NumPy是Python中科學計算的基礎包。

它是一個Python庫，提供多維數組對象，各種派生對象(如掩碼數組和矩陣)，以及用於數組快速操作的各種常式，包括數學邏輯，形狀操作，I / O離散傅立葉變換，隨機模擬等等。

NumPy包的核心是ndarray對象。這封裝了同構數據類型的n維數組，許多操作在編譯代碼中執行以提高性能。

NumPy數組和標准Python序列之間有幾個重要的區別：

1、NumPy數組在創建時具有固定大小，與Python列表(可以動態增長)不同。更改ndarray的大小將創建一個新數組並刪除原始數組。

2、NumPy數組中的元素都需要具有相同的數據類型，因此在內存中的大小相同。例外：可以有(Python，包括NumPy)對象的數組，從而允許不同大小的元素的數組。

3、NumPy數組有助於對大量數據進行高級數學和其他類型的操作。通常，與使用Python的內置序列相比，這些操作的執行效率更高，代碼更少。

4、越來越多的基於Python的科學和數學軟體包正在使用NumPy數組；雖然這些通常支持Python序列輸入，但它們在處理之前將這些輸入轉換為NumPy數組，並且它們通常輸出NumPy數組。

G. Python基礎 numpy中的常見函數有哪些

有些Python小白對numpy中的常見函數不太了解，今天小編就整理出來分享給大家。

Numpy是Python的一個科學計算的庫，提供了矩陣運算的功能，其一般與Scipy、matplotlib一起使用。其實，list已經提供了類似於矩陣的表示形式，不過numpy為我們提供了更多的函數。

數組常用函數
1.where()按條件返回數組的索引值
2.take(a,index)從數組a中按照索引index取值
3.linspace(a,b,N)返回一個在(a,b)范圍內均勻分布的數組，元素個數為N個
4.a.fill()將數組的所有元素以指定的值填充
5.diff(a)返回數組a相鄰元素的差值構成的數組
6.sign(a)返回數組a的每個元素的正負符號
7.piecewise(a,[condlist],[funclist])數組a根據布爾型條件condlist返回對應元素結果
8.a.argmax(),a.argmin()返回a最大、最小元素的索引

改變數組維度
a.ravel(),a.flatten():將數組a展平成一維數組
a.shape=(m,n),a.reshape(m,n):將數組a轉換成m*n維數組
a.transpose,a.T轉置數組a

數組組合
1.hstack((a,b)),concatenate((a,b),axis=1)將數組a,b沿水平方向組合
2.vstack((a,b)),concatenate((a,b),axis=0)將數組a,b沿豎直方向組合
3.row_stack((a,b))將數組a,b按行方向組合
4.column_stack((a,b))將數組a,b按列方向組合

數組分割
1.split(a,n,axis=0),vsplit(a,n)將數組a沿垂直方向分割成n個數組
2.split(a,n,axis=1),hsplit(a,n)將數組a沿水平方向分割成n個數組

數組修剪和壓縮
1.a.clip(m,n)設置數組a的范圍為(m,n),數組中大於n的元素設定為n,小於m的元素設定為m
2.a.compress()返回根據給定條件篩選後的數組

數組屬性
1.a.dtype數組a的數據類型
2.a.shape數組a的維度
3.a.ndim數組a的維數
4.a.size數組a所含元素的總個數
5.a.itemsize數組a的元素在內存中所佔的位元組數
6.a.nbytes整個數組a所佔的內存空間7.a.astype(int)轉換a數組的類型為int型

數組計算
1.average(a,weights=v)對數組a以權重v進行加權平均
2.mean(a),max(a),min(a),middle(a),var(a),std(a)數組a的均值、最大值、最小值、中位數、方差、標准差
3.a.prod()數組a的所有元素的乘積
4.a.cumprod()數組a的元素的累積乘積
5.cov(a,b),corrcoef(a,b)數組a和b的協方差、相關系數
6.a.diagonal()查看矩陣a對角線上的元素7.a.trace()計算矩陣a的跡，即對角線元素之和

以上就是numpy中的常見函數。更多Python學習推薦:PyThon學習網教學中心。

H. Python中numpy.array函數有啥作用呢

答: 把我們定義的普通數組轉化為山飢Numpy中的array類型，這樣做的好處就在於可以使用該類型定義的多種數組方法，比如排序取其中的最大值或者最小值。我們就不需要從頭開始實現，逗含返直接調用相老余關的API就行。

I. python關於numpy基礎問題

Python發展至今，已經有越來越多的人使用python進行科學技術，NumPY是python中的一款高性能科學計算和數據分析的基礎包。
ndarray
ndarray（以下簡稱數組）是numpy的數組對象，需要注意的是，它是同構的，也就是說其中的所有元素必須是相同的類型。其中每個數組都有一個shape和dtype。
shape既是數組的形狀，比如
復制代碼
1 import numpy as np
2 from numpy.random import randn
3
4 arr = randn(12).reshape(3, 4)
5
6 arr
7
8 [[ 0.98655235 1.20830283 -0.72135183 0.40292924]
9 [-0.05059849 -0.02714873 -0.62775486 0.83222997]
10 [-0.84826071 -0.29484606 -0.76984902 0.09025059]]
11
12 arr.shape
13 (3, 4)
復制代碼
其中(3, 4)即代表arr是3行4列的數組，其中dtype為float64
一下函數可以用來創建數組
array將輸入數據轉換為ndarray，類型可制定也可默認
asarray將輸入轉換為ndarray
arange類似內置range
ones、ones_like根據形狀創建一個全1的數組、後者可以復制其他數組的形狀
zeros、zeros_like類似上面，全0
empty、empty_like創建新數組、只分配空間
eye、identity創建對角線為1的對角矩陣
數組的轉置和軸對稱
轉置是多維數組的基本運算之一。可以使用.T屬性或者transpose()來實現。.T就是進行軸對換而transpose則可以接收參數進行更豐富的變換
復制代碼
arr = np.arange(6).reshape((2,3))
print arr
[[0 1 2]
[3 4 5]]
print arr.T
[[0 3]
[1 4]
[2 5]]
arr = np.arange(24).reshape((2,3,4))
print arr
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
print arr.transpose((0,1,2))
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
復制代碼
數組的運算
大小相等的數組之間做任何算術運算都會將運算應用到元素級別。
復制代碼
1 arr = np.arange(9).reshape(3, 3)
2 print arr
3
4 [[0 1 2]
5 [3 4 5]
6 [6 7 8]]
7
8 print arr*arr
9
10 [[ 0 1 4]
11 [ 9 16 25]
12 [36 49 64]]
13
14 print arr+arr
15
16 [[ 0 2 4]
17 [ 6 8 10]
18 [12 14 16]]
19
20 print arr*4
21
22 [[ 0 4 8]
23 [12 16 20]
24 [24 28 32]]
復制代碼
numpy的簡單計算中，ufunc通用函數是對數組中的數據執行元素級運算的函數。
如：
復制代碼
arr = np.arange(6).reshape((2,3))
print arr
[[0 1 2]
[3 4 5]]
print np.square(arr)
[[ 0 1 4]
[ 9 16 25]]
復制代碼
類似的有：abs,fabs,sqrt,square,exp,log,sign,ceil,floor,rint,modf,isnan,isfinite,isinf,cos,cosh,sin,sinh,tan,tanh，
add,subtract,multiply,power,mod,equal,等等