python中numpy講解（numpy csdn）

本文目錄一覽：

• 1、python基礎之numpy.reshape詳解
• 2、（Python）numpy 常用操作
• 3、圖解Python中數據分析工具包：Numpy

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  : 可選範圍為{『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。這裡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，這裡有兩種使用方法，可以使用np.reshape(r,(-1,1),order=’F’)，也可以使用r1=r.reshape((-1,1),order=’F’)，這裡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。

（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採樣，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

這裡要注意，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

圖解Python中數據分析工具包：Numpy

numpy是我學習python遇到的第一個第三方工具包，它可以讓我們快速上手數據分析。numpy提供了向量和矩陣計算和處理的大部分介面。目前很多python的基礎工具包都是基於numpy開發而來，比如 scikit-learn, SciPy, pandas, 還有 tensorflow。 numpy可以處理表格、圖像、文本等數據，極大地方便我們處理和分析數據。本文主要內容來自於Jay Alammar的一篇文章以及自己學習記錄。

原文地址：

使用過程中，如果希望 Numpy 能創建並初始化數組的值， Numpy 提供了 ones()、zeros() 和 random.random() 等方法。只需傳遞希望生成的元素數量（大小）即可：

還可以進行如下操作：

一般，需要數組和單個數字之間也可以進行運算操作（即向量和標量之間的運算）。比如說 data * 1.6 ，numpy利用一個叫做廣播機制（broadcasting）的概念實現了這一運算。：

我們可以通過索引對numpy數據獲取任意位置數據或者對數據切片

我們可以通過numpy自帶的函數對數據進行一些想要的聚合計算，比如min、max 和 sum ，還可以使用 mean 得到平均值，使用 prod 得到所有元素的乘積，使用 std 得到標準差等等。

上述操作不僅可以應用於單維度數據，還可以用於多維度數據{（矩陣）。

同樣可以使用ones()、zeros() 和 random.random()創建矩陣，只要寫入一個描述矩陣維數的元組即可：

numpy還可以處理更高維度的數據：

創建更高維度數據只需要在創建時，在參數中增加一個維度值即可：

根據數組中數值是否滿足條件，輸出為True或False.

希望得到滿足條件的索引，用np.where函數實現.

根據索引得到對應位置的值.

np.where也可以接受另兩個可選擇的參數a和b。當條件滿足時，輸出a，反之輸出b.

獲取數組最大值和最小值的索引可以使用np.argmax和np.argmin.

1、numpy.tofile()和numpy.fromfile()

保存為二進位格式，但是不保存數組形狀和數據類型， 即都壓縮為一維的數組，需要自己記錄數據的形狀，讀取的時候再reshape.

2、numpy.save() 和 numpy.load()

保存為二進位格式，保存數組形狀和數據類型， 不需要進行reshape

實例：

3、numpy.savetxt()和numpy.loadtxt()

np.savetxt(fname,array,fmt=』%.18e』,delimiter=None)

Parameter解釋：

array:待存入文件的數組。

fmt:寫入文件的格式

實例：