Numpy學習筆記（更新中）
阿新 • • 發佈：2018-12-10
一個在Python中做科學計算的基礎庫，重在數值計算，也是大部分PYTHON科學計算庫的基礎庫，多用於在大型、多維陣列上執行數值運算。
陣列的定義
import numpy as np
# numpy陣列的定義方法
a = np.arange(1, 6， 2)
b = np.array([1, 3, 5])
c = np.array(range(1, 6， 2))
# 這樣產生的a,b,c三個結果是一樣的，均為[1, 3, 5]# 這裡看一下陣列的型別和陣列元素的型別的定義和修改，type（a）表示的是陣列a的型別，a.dtype則表示的是陣列a中元素的型別。
In [1 陣列的形狀
以下的程式碼是在Jupyter Notebook中完成的：
# 陣列的形狀
In [1]: import numpy as np
In [2]: a = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
In [3]: a
Out[3]: array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
In [4]: a.shape
Out[4]: (2, 2, 3)
# 上面元組中的元素個數即是這個陣列的維數，例如這個就是個三維陣列，他一共有 2 塊，每塊有 2 行， 3 列，即（2， 2， 3）
In [5]: a.reshape((3, 4))
Out[5]: array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
In [6]: a.reshape((12,))
Out[6]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
In [7]: a
Out[7]: array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
# 從這裡看以看出a.reshape並不能改變a的形狀和維度，如果需要改變a的維度和形狀，需要重新對a進行賦值，如下?
In [8]: a = a.reshape((4,3))
In [9]: a
Out[9]: array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
# 計算一個二維陣列的元素個數，可以使用如下的方法，shape[0]是這個二維陣列的行數，shape[1]即是這個陣列的列數。
In [10]: a.shape[0] * a.shape[1]
Out[10]: 12
# 所以將一個二維陣列變為一維陣列便有了如下的方法：
In [11]: a = a.reshape((a.shape[0] * a.shape[1],))
In [12]: a
Out[12]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# 當然一個現成簡單的方法是使用flatten這個函式
In [13]: a.flatten()
Out[13]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])陣列的計算
# 陣列直接對一個數進行加減乘除，產生的結果是陣列中的每個元素都會加減乘除這個數。
In [14]: a * 2
Out[14]: array([[ 2, 4, 6],
[ 8, 10, 12],
[14, 16, 18],
[20, 22, 24]])
In [15]: a / 0
D:\Anaconda3\lib\site-packages\ipykernel\__main__.py:1: RuntimeWarning: divide by zero encountered in true_divide
if __name__ == '__main__':
Out[15]: array([[inf, inf, inf],
[inf, inf, inf],
[inf, inf, inf],
[inf, inf, inf]])
# 接下來我們看一下陣列與陣列之間的計算
In [17]: b = np.arange(12,24).reshape((4,3))
In [18]: b
Out[18]: array([[12, 13, 14],
[15, 16, 17],
[18, 19, 20],
[21, 22, 23]])
In [19]: a + b
Out[19]: array([[13, 15, 17],
[19, 21, 23],
[25, 27, 29],
[31, 33, 35]])
In [20]: c = np.array([1,2,3])
In [21]: a+c
Out[21]: array([[ 2, 4, 6],
[ 5, 7, 9],
[ 8, 10, 12],
[11, 13, 15]])
In [22]: d = np.arange(10,14).reshape((4,1))
In [23]: d
Out[23]: array([[10],
[11],
[12],
[13]])
In [24]: a + d
Out[24]: array([[11, 12, 13],
[15, 16, 17],
[19, 20, 21],
[23, 24, 25]])
# 從上面可以看出，和線性代數中不同的是，m*n列的m行的一維陣列或者n列的一維陣列也是可以計算的。這是為什麼呢？這裡要提到numpy的廣播原則：
如果兩個陣列的後緣維度(從末尾開始算起的維度)的軸長度相符或其中一方的長度為1，則認為它們是廣播相容的。廣播會在缺失維度和(或)軸長度為1的維度上進行。
在上面的程式碼中，a的維度是（4，3），c的維度是（1，3）；d的維度是（4，1）。所以假設有兩個陣列，第一個的維度是（x_1, y_1, z_1），另一個數組的維度是（x_2, y_2, z_2），要判斷這兩個陣列能不能進行計算，可以用如下方法來判斷：
if z_1 == z_2 or z_1 == 1 or z_2 == 1:
if y_1 == y_2 or y_1 == 1 or y_2 == 1:
if x_1 == x_2 or x_1 == 1 or x_2 == 1:
可以運算
else:
不可以運算
else:
不可以運算
else:
不可以運算這裡需要注意：（3，3，2）和（3，2）是可以運算的，因為對於二維陣列（3，2）也可以表示為（1，3，2），套用上述的規則是完全適用的，同理：（4，2，5，4）和（2，1，4）也是可以進行運算的。
軸(axis)
在numpy中可以理解為方向,使用0,1,2…數字表示,對於一個一維陣列,只有一個0軸,對於2維陣列(shape(2,2)),有0軸和1軸,對於三維陣列(shape(2,2, 3)),有0,1,2軸。
二維陣列的軸如下圖所示：
三維陣列的軸：
numpy讀資料
使用如下語句來讀取CSV檔案：np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
陣列轉置：（兩種方法）
.transpose().swapaxes(1， 0)
取陣列中的值
import numpy as np
us_file_path = "./youtube_video_data/US_video_data_numbers.csv"
uk_file_path = ".\youtube_video_data\GB_video_data_numbers.csv"
t1 = np.loadtxt(us_file_path, delimiter=",", dtype="int64")
print(t1)
print("*" * 100)
# 取行
# print(t1[2])
# print(t1[2,])
# 取連續的多行
# print(t1[2:])
# print(t1[2: ,])
# 取不連續的多行
# print(t1[[2, 9, 3]])
# print(t1[[2, 9, 3],])
# 取列
# print(t1[:,2])
# 取連續的多列
# print(t1[:,2:])
# 取不連續的多列
# print(t1[:, [0, 2]])
# 取元素
# print(t1[1, 3])
# 取連續多行和多列
# print(t1[1:4, 1:4])
# 取多個不相鄰的點（0，1）， （2， 2）， （2， 3）
# print(t1[[0, 1, 2], [2, 2, 3]])numpy中數值修改
# 取值然後賦值即可
In [1]: import numpy as np
In [2]: t2 = np.arange(24).reshape(4, 6)
In [3]: t2
Out[3]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
In [4]: t2<10
Out[4]:
array([[ True, True, True, True, True, True],
[ True, True, True, True, False, False],
[False, False, False, False, False, False],
[False, False, False, False, False, False]])
In [5]: t2[t2<10] = 3
In [6]: t2
Out[6]:
array([[ 3, 3, 3, 3, 3, 3],
[ 3, 3, 3, 3, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])
In [7]: np.where(t2<10, 0, 10)
Out[7]:
array([[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 10, 10],
[10, 10, 10, 10, 10, 10],
[10, 10, 10, 10, 10, 10]])clip操作
t.clip(10, 12)
# 這句話的意思是將陣列t中小於10的數變為10，大於12的數變為12拼接操作和換行換列操作
In [12]: a = np.arange(12).reshape(4,3)
In [13]: b = np.arange(12,24).reshape(4,3)
In [14]: a
Out[14]:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
In [15]: b
Out[15]:
array([[12, 13, 14],
[15, 16, 17],
[18, 19, 20],
[21, 22, 23]])
# 豎直拼接
In [17]: np.vstack((a,b))
Out[17]:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17],
[18, 19, 20],
[21, 22, 23]])
# 水平拼接
In [18]: np.hstack((a,b))
Out[18]:
array([[ 0, 1, 2, 12, 13, 14],
[ 3, 4, 5, 15, 16, 17],
[ 6, 7, 8, 18, 19, 20],
[ 9, 10, 11, 21, 22, 23]])
# 兩行互換
Out[21]: 0
In [22]: a[[0,1],:] = a[[1,0],:]
In [23]: a
Out[23]:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]]) 將一維行向量轉置為一維列向量的辦法：.reshape(-1， 1）
構造全為0或1的包含n個元素的一維向量的方法：
# 列向量
np.zeros((n, 1))
np.ones((n, 1))
# 行向量
np.zeros((1, n))
np.ones((1, n))