用 NumPy 在 Python 中处理数字

编辑: admin 分类: python 发布时间: 2023-05-01 来源:互联网

用 NumPy 在 Python 中处理数字

这篇文章讨论了安装 NumPy，然后创建、读取和排序 NumPy 数组。

NumPy（即 Numerical Python）是一个库，它使得在 Python 中对线性数列和矩阵进行统计和集合操作变得容易。我在 Python 数据类型的笔记中介绍过，它比 Python 的列表快几个数量级。NumPy 在数据分析和科学计算中使用得相当频繁。

我将介绍安装 NumPy，然后创建、读取和排序 NumPy 数组。NumPy 数组也被称为 ndarray，即 N 维数组的缩写。

安装 NumPy

使用 pip 安装 NumPy 包非常简单，可以像安装其他软件包一样进行安装：

  1. pip install numpy
登录后复制

安装了 NumPy 包后，只需将其导入你的 Python 文件中：

  1. import numpy as np
登录后复制

将 numpy 以 np 之名导入是一个标准的惯例，但你可以不使用 np，而是使用你想要的任何其他别名。

为什么使用 NumPy? 因为它比 Python 列表要快好几个数量级

当涉及到处理大量的数值时，NumPy 比普通的 Python 列表快几个数量级。为了看看它到底有多快，我首先测量在普通 Python 列表上进行 min() 和 max() 操作的时间。

我将首先创建一个具有 999,999,999 项的 Python 列表：

  1. >>> my_list = range(1, 1000000000)
  2. >>> len(my_list)
  3. 999999999
登录后复制

现在我将测量在这个列表中找到最小值的时间：

  1. >>> start = time.time()
  2. >>> min(my_list)
  3. 1
  4. >>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))
  5. Time elapsed in milliseconds: 27007.00879096985
登录后复制

这花了大约 27,007 毫秒，也就是大约 27 秒。这是个很长的时间。现在我试着找出寻找最大值的时间：

  1. >>> start = time.time()
  2. >>> max(my_list)
  3. 999999999
  4. >>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))
  5. Time elapsed in milliseconds: 28111.071348190308
登录后复制

这花了大约 28,111 毫秒，也就是大约 28 秒。

现在我试试用 NumPy 找到最小值和最大值的时间：

  1. >>> my_list = np.arange(1, 1000000000)
  2. >>> len(my_list)
  3. 999999999
  4. >>> start = time.time()
  5. >>> my_list.min()
  6. 1
  7. >>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))
  8. Time elapsed in milliseconds: 1151.1778831481934
  9. >>>
  10. >>> start = time.time()
  11. >>> my_list.max()
  12. 999999999
  13. >>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))
  14. Time elapsed in milliseconds: 1114.8970127105713
登录后复制

找到最小值花了大约 1151 毫秒，找到最大值 1114 毫秒。这大约是 1 秒。

正如你所看到的，使用 NumPy 可以将寻找一个大约有 10 亿个值的列表的最小值和最大值的时间 从大约 28 秒减少到 1 秒。这就是 NumPy 的强大之处。

使用 Python 列表创建 ndarray

有几种方法可以在 NumPy 中创建 ndarray。

你可以通过使用元素列表来创建一个 ndarray：

  1. >>> my_ndarray = np.array([1, 2, 3, 4, 5])
  2. >>> print(my_ndarray)
  3. [1 2 3 4 5]
登录后复制

有了上面的 ndarray 定义，我将检查几件事。首先，上面定义的变量的类型是 numpy.ndarray。这是所有 NumPy ndarray 的类型：

  1. >>> type(my_ndarray)
登录后复制

这里要注意的另一件事是 “形状shape”。ndarray 的形状是 ndarray 的每个维度的长度。你可以看到，my_ndarray 的形状是 (5,)。这意味着 my_ndarray 包含一个有 5 个元素的维度（轴）。

  1. >>> np.shape(my_ndarray)
  2. (5,)
登录后复制

数组中的维数被称为它的 “秩rank”。所以上面的 ndarray 的秩是 1。

我将定义另一个 ndarray my_ndarray2 作为一个多维 ndarray。那么它的形状会是什么呢？请看下面：

  1. >>> my_ndarray2 = np.array([(1, 2, 3), (4, 5, 6)])
  2. >>> np.shape(my_ndarray2)
  3. (2, 3)
登录后复制

这是一个秩为 2 的 ndarray。另一个要检查的属性是 dtype，也就是数据类型。检查我们的 ndarray 的 dtype 可以得到以下结果：

  1. >>> my_ndarray.dtype
  2. dtype('int64')
登录后复制

int64 意味着我们的 ndarray 是由 64 位整数组成的。NumPy 不能创建混合类型的 ndarray，必须只包含一种类型的元素。如果你定义了一个包含混合元素类型的 ndarray，NumPy 会自动将所有的元素类型转换为可以包含所有元素的最高元素类型。

例如，创建一个 int 和 float 的混合序列将创建一个 float64 的 ndarray：

  1. >>> my_ndarray2 = np.array([1, 2.0, 3])
  2. >>> print(my_ndarray2)
  3. [1. 2. 3.]
  4. >>> my_ndarray2.dtype
  5. dtype('float64')
登录后复制

另外，将其中一个元素设置为 string 将创建 dtype 等于 的字符串 ndarray，意味着我们的 ndarray 包含 unicode 字符串：

  1. >>> my_ndarray2 = np.array([1, '2', 3])
  2. >>> print(my_ndarray2)
  3. ['1' '2' '3']
  4. >>> my_ndarray2.dtype
  5. dtype('
登录后复制

size 属性将显示我们的 ndarray 中存在的元素总数：

  1. >>> my_ndarray = np.array([1, 2, 3, 4, 5])
  2. >>> my_ndarray.size
  3. 5
登录后复制

使用 NumPy 方法创建 ndarray

如果你不想直接使用列表来创建 ndarray，还有几种可以用来创建它的 NumPy 方法。

你可以使用 np.zeros() 来创建一个填满 0 的 ndarray。它需要一个“形状”作为参数，这是一个包含行数和列数的列表。它还可以接受一个可选的 dtype 参数，这是 ndarray 的数据类型：

  1. >>> my_ndarray = np.zeros([2,3], dtype=int)
  2. >>> print(my_ndarray)
  3. [[0 0 0]
  4.  [0 0 0]]
登录后复制

你可以使用 np. ones() 来创建一个填满 1 的 ndarray：

  1. >>> my_ndarray = np.ones([2,3], dtype=int)
  2. >>> print(my_ndarray)
  3. [[1 1 1]
  4.  [1 1 1]]
登录后复制

你可以使用 np.full() 来给 ndarray 填充一个特定的值：

  1. >>> my_ndarray = np.full([2,3], 10, dtype=int)
  2. >>> print(my_ndarray)
  3. [[10 10 10]
  4.  [10 10 10]]
登录后复制

你可以使用 np.eye() 来创建一个单位矩阵 / ndarray，这是一个沿主对角线都是 1 的正方形矩阵。正方形矩阵是一个行数和列数相同的矩阵：

  1. >>> my_ndarray = np.eye(3, dtype=int)
  2. >>> print(my_ndarray)
  3. [[1 0 0]
  4.  [0 1 0]
  5.  [0 0 1]]
登录后复制

你可以使用 np.diag() 来创建一个沿对角线有指定数值的矩阵，而在矩阵的其他部分为 0：

  1. >>> my_ndarray = np.diag([10, 20, 30, 40, 50])
  2. >>> print(my_ndarray)
  3. [[100000]
  4.  [ 0 20000]
  5.  [ 00 3000]
  6.  [ 000 400]
  7.  [ 0000 50]]
登录后复制

你可以使用 np.range() 来创建一个具有特定数值范围的 ndarray。它是通过指定一个整数的开始和结束（不包括）范围以及一个步长来创建的：

  1. >>> my_ndarray = np.arange(1, 20, 3)
  2. >>> print(my_ndarray)
  3. [ 147 10 13 16 19]
登录后复制

读取 ndarray

ndarray 的值可以使用索引、分片或布尔索引来读取。

使用索引读取 ndarray 的值

在索引中，你可以使用 ndarray 的元素的整数索引来读取数值，就像你读取 Python 列表一样。就像 Python 列表一样，索引从 0 开始。

例如，在定义如下的 ndarray 中：

  1. >>> my_ndarray = np.arange(1, 20, 3)
登录后复制

第四个值将是 my_ndarray[3]，即 10。最后一个值是 my_ndarray[-1]，即 19：

  1. >>> my_ndarray = np.arange(1, 20, 3)
  2. >>> print(my_ndarray[0])
  3. 1
  4. >>> print(my_ndarray[3])
  5. 10
  6. >>> print(my_ndarray[-1])
  7. 19
  8. >>> print(my_ndarray[5])
  9. 16
  10. >>> print(my_ndarray[6])
  11. 19
登录后复制

使用分片读取 ndarray

你也可以使用分片来读取 ndarray 的块。分片的工作方式是用冒号（:）操作符指定一个开始索引和一个结束索引。然后，Python 将获取该开始和结束索引之间的 ndarray 片断：

  1. >>> print(my_ndarray[:])
  2. [ 147 10 13 16 19]
  3. >>> print(my_ndarray[2:4])
  4. [ 7 10]
  5. >>> print(my_ndarray[5:6])
  6. [16]
  7. >>> print(my_ndarray[6:7])
  8. [19]
  9. >>> print(my_ndarray[:-1])
  10. [ 147 10 13 16]
  11. >>> print(my_ndarray[-1:])
  12. [19]
登录后复制

分片创建了一个 ndarray 的引用（或视图）。这意味着，修改分片中的值也会改变原始 ndarray 的值。

比如说：

  1. >>> my_ndarray[-1:] = 100
  2. >>> print(my_ndarray)
  3. [1 4 7101316 100]
登录后复制

对于秩超过 1 的 ndarray 的分片，可以使用 [行开始索引:行结束索引, 列开始索引:列结束索引] 语法：

  1. >>> my_ndarray2 = np.array([(1, 2, 3), (4, 5, 6)])
  2. >>> print(my_ndarray2)
  3. [[1 2 3]
  4.  [4 5 6]]
  5. >>> print(my_ndarray2[0:2,1:3])
  6. [[2 3]
  7.  [5 6]]
登录后复制

使用布尔索引读取 ndarray 的方法

读取 ndarray 的另一种方法是使用布尔索引。在这种方法中，你在方括号内指定一个过滤条件，然后返回符合该条件的 ndarray 的一个部分。

例如，为了获得一个 ndarray 中所有大于 5 的值，你可以指定布尔索引操作 my_ndarray[my_ndarray > 5]。这个操作将返回一个包含所有大于 5 的值的 ndarray：

  1. >>> my_ndarray = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
  2. >>> my_ndarray2 = my_ndarray[my_ndarray > 5]
  3. >>> print(my_ndarray2)
  4. [ 6789 10]
登录后复制

例如，为了获得一个 ndarray 中的所有偶数值，你可以使用如下的布尔索引操作：

  1. >>> my_ndarray2 = my_ndarray[my_ndarray % 2 == 0]
  2. >>> print(my_ndarray2)
  3. [ 2468 10]
登录后复制

而要得到所有的奇数值，你可以用这个方法：

  1. >>> my_ndarray2 = my_ndarray[my_ndarray % 2 == 1]
  2. >>> print(my_ndarray2)
  3. [1 3 5 7 9]
登录后复制

ndarray 的矢量和标量算术

NumPy 的 ndarray 允许进行矢量和标量算术操作。在矢量算术中，在两个 ndarray 之间进行一个元素的算术操作。在标量算术中，算术运算是在一个 ndarray 和一个常数标量值之间进行的。

如下的两个 ndarray：

  1. >>> my_ndarray = np.array([1, 2, 3, 4, 5])
  2. >>> my_ndarray2 = np.array([6, 7, 8, 9, 10])
登录后复制

如果你将上述两个 ndarray 相加，就会产生一个两个 ndarray 的元素相加的新的 ndarray。例如，产生的 ndarray 的第一个元素将是原始 ndarray 的第一个元素相加的结果，以此类推：

  1. >>> print(my_ndarray2 + my_ndarray)
  2. [ 79 11 13 15]
登录后复制

这里，7 是 1 和 6 的和，这是我相加的 ndarray 中的前两个元素。同样，15 是 5 和10 之和，是最后一个元素。

请看以下算术运算：

  1. >>> print(my_ndarray2 - my_ndarray)
  2. [5 5 5 5 5]
  3. >>>
  4. >>> print(my_ndarray2 * my_ndarray)
  5. [ 6 14 24 36 50]
  6. >>>
  7. >>> print(my_ndarray2 / my_ndarray)
  8. [6. 3.52.66666667 2.25 2.]
登录后复制

在 ndarray 中加一个标量值也有类似的效果，标量值被添加到 ndarray 的所有元素中。这被称为“广播broadcasting”：

  1. >>> print(my_ndarray + 10)
  2. [11 12 13 14 15]
  3. >>>
  4. >>> print(my_ndarray - 10)
  5. [-9 -8 -7 -6 -5]
  6. >>>
  7. >>> print(my_ndarray * 10)
  8. [10 20 30 40 50]
  9. >>>
  10. >>> print(my_ndarray / 10)
  11. [0.1 0.2 0.3 0.4 0.5]
登录后复制

ndarray 的排序

有两种方法可以对 ndarray 进行原地或非原地排序。原地排序会对原始 ndarray 进行排序和修改，而非原地排序会返回排序后的 ndarray，但不会修改原始 ndarray。我将尝试这两个例子：

  1. >>> my_ndarray = np.array([3, 1, 2, 5, 4])
  2. >>> my_ndarray.sort()
  3. >>> print(my_ndarray)
  4. [1 2 3 4 5]
登录后复制

正如你所看到的，sort() 方法对 ndarray 进行原地排序，并修改了原数组。

还有一个方法叫 np.sort()，它对数组进行非原地排序：

  1. >>> my_ndarray = np.array([3, 1, 2, 5, 4])
  2. >>> print(np.sort(my_ndarray))
  3. [1 2 3 4 5]
  4. >>> print(my_ndarray)
  5. [3 1 2 5 4]
登录后复制

正如你所看到的，np.sort() 方法返回一个已排序的 ndarray，但没有修改它。

总结

我已经介绍了很多关于 NumPy 和 ndarray 的内容。我谈到了创建 ndarray，读取它们的不同方法，基本的向量和标量算术，以及排序。NumPy 还有很多东西可以探索，包括像 union() 和 intersection()这样的集合操作，像 min() 和 max() 这样的统计操作，等等。

我希望我上面演示的例子是有用的。祝你在探索 NumPy 时愉快。

以上就是用 NumPy 在 Python 中处理数字的详细内容，更多请关注海外IDC网其它相关文章！

【文章原创作者：香港云服务器 http://www.558idc.com/ne.html 复制请保留原URL】
更多阅读

Copyright 2020-2021 hwidc.net All Rights Reserved.