Python進階之NumPy快速入門(一)

• 2019 年 10 月 11 日
• 筆記

前言

NumPy是Python的一個擴展庫，負責數組和矩陣運行。相較於傳統Python，NumPy運行效率高，速度快，是利用Python處理數據必不可少的工具。

這個NumPy快速入門系列分為四篇，包含了NumPy大部分基礎知識，每篇閱讀時間不長，但內容含量高。大家最好親自碼一遍程式碼，這樣可以更有收穫。

概要

輕鬆認識和安裝NumPy，對NumPy建立一個良好印象。

掌握NumPy的各種屬性，讓使用數組變得得心應手。

學會三種創建數組方法，讓創建數組變得輕而易舉。

01

NumPy安裝和介紹

NumPy安裝

我們提供兩種命令安裝方法，都非常簡便：

• pip命令安裝
• conda命令安裝

這兩種安裝方法適用於Windows, Linux,以及Mac系統。

（1）pip命令：pip install numpy

當終端顯示成功安裝或者已經安裝說明numpy已經安裝完畢。

（2）conda命令: conda install numpy

conda命令是通過Anaconda軟體來安裝NumPy。安裝好Anaconda軟體後，打開Anaconda Prompt後在裡面輸入conda install numpy命令即可。

安裝完成後，為了檢驗NumPy是否可以使用，我們用一個簡單的例子做個實驗：

程式碼：

import numpy as np  print (np.eye(4))

講解：

為了方便，大家一般採用import numpy as np這種調用方法，將numpy縮寫成np來使用。我們使用NumPy中的eye()函數來檢查NumPy是否已經安裝完成，eye(N)是一個產生N*N的單位矩陣

運行結果：

[[1. 0. 0. 0.]

[0. 1. 0. 0.]

[0. 0. 1. 0.]

[0. 0. 0. 1.]]

如果大家的螢幕裡面也出現了這個結果，那麼恭喜你NumPy庫已經成功安裝，可以開始正式學習了。

NumPy和列表

我們首先要搞清楚的是，NumPy處理的對象是什麼。事實上，我們把NumPy處理的對象叫ndarray，這是一個縮寫，翻譯過來叫做多維數組。ndarray類型的數據和我們之前學過的列表頗有淵源：

程式碼：

import numpy as np  list = [1, 2, 3]  arr = np.array(list)  print (type(list))  print (type(arr))

講解：

我們首先建立一個列表，然後通過np.array函數將這個列錶轉換成一個NumPy數組，通過列印這兩個變數的type資訊，我們可以發現二者的區別和聯繫。

運行結果：

<class 'list'>

<class 'numpy.ndarray'>

沒錯，arr變數的數據類型是ndarray。當然，我們並不是總是通過轉換列表變成ndarray。我們想強調的是，雖然NumPy數組雖然和列表很類似，但是二者卻是完全不同的數據類型，因此二者使用方法也有很大不同。

Numpy比Python列表更具優勢，其中一個優勢便是速度。在對大型數組執行操作時，Numpy的速度比Python列表的速度快了好幾百。因為Numpy數組本身能節省記憶體，並且Numpy在執行算術、統計和線性代數運算時採用了優化演算法。

常見數組

我們最後給大家介紹常見的幾種ndarray數組：

程式碼：

a = np.array([1, 2, 3])  b = np.array([[1, 2], [3, 4]])  c = np.array([1, 2, 3], dtype = complex)  print (a)  print (b)  print (c)

講解：

a是一個一維數組；b是一個二維數組；c是複數變數的一維數組。這些都是常見的ndarray，以後我們將會用NumPy提供的函數對這些常見的數組進行處理，來完成我們想要的目標。

運行結果：

[1 2 3]

[[1 2]

[3 4]]

[1.+0.j 2.+0.j 3.+0.j]

02

NumPy數組屬性

我們將幾種常見數組屬性分成以下幾種：

• 數據類型 dtype
• 元素個數 size
• 維度 ndim
• 形狀 shape
• 實部和虛部 real image

NumPy支援很多不同的數據類型，從整數型(int)到浮點型(float)，再到複數型，應有盡有。如何判斷數組的數據類型是一件比較重要的事情，NumPy給我們提供了dtype命令來查看數據類型：

程式碼：

import numpy as np  a = np.array([1, 2, 3])  b = np.array([[1.1, 2], [3.1, 4.2]])  c = np.array([1, 2, 3], dtype = complex)  print (a.dtype, b.dtype, c.dtype)

講解：

我們分別建立了三個NumPy數組，a是整數型；b是浮點型；c是複數型。dtype既可以在創建數組的時候申明變數類型，也可以通過列印告訴我們數組的數據類型。

運行結果：

int32 float64 complex128

在我們知道了NumPy數據類型後，我們還需要知道它的更多屬性來全面了解這個數組。

程式碼：

b = np.array([[1.1, 2], [3.1, 4.2]])  c = np.array([1, 2, 3], dtype = complex)  print (b.ndim, b.shape, b.size)  print (c.real, c.imag)

講解：

我們分別查看了b數組的維度，形狀，以及元素個數。我們知道b是一個2*2的浮點型數組，因為它的維度是2,形狀就是行數乘以列數(2,2)；元素個數是4。對於c這個複數數組，我們調用了實部(real)和虛部(imag)這個兩個屬性。

運行結果：

2 (2, 2) 4

[1. 2. 3.] [0. 0. 0.]

03

創建數組

對於NumPy數組，一般而言我們有三種創建方法：

1. 用np.array直接填入已知數據，比如我們在第一小節介紹常見數組的時候用的方法。
2. 用特殊函數創建符合一定規律的數組。比如numpy.zeros：創建元素全是0的數組。
3. 用asarray將其他類型數據轉換成NumPy數組。

我們先介紹第二種方法中常見的幾種函數：

• numpy.zeros 創建元素全是0的數組
• numpy.ones 創建元素全是1的數組
• numpy.arrange 創建數值範圍
• numpy.linspace 創建數值範圍

np.zeros() & np.ones()

程式碼：

e = np.array([1, 2, 3], dtype=float)  f = np.zeros((3,2),dtype=int)  g = np.ones((1,3))  print (e)  print (f)  print (g)

講解：

我們用第一種方法，創建了數據類型為浮點型(float)的數組e;然後通過第二種方法，分別創建了元素都是0和1的兩個數組。注意到我們可以通過dtype，以及shape等來控制數組屬性。在上面的例子中f和g,我們把shape省略了，只用(3,2)這種形式。

運行結果：

[1. 2. 3.]

[[0 0]

[0 0]

[0 0]]

[[1. 1. 1.]]

np.arrange()

很多情況下我們非常想要得到從一個整數到另一個整數的一個數組，比如周一到周日，一天中從1點到24點等，還有從-10度到40度的溫度範圍。這時候用NumPy中的arange函數就可以幫助你達成這個目標。

arange函數有四個輸入參數來調整：

• start 起始值
• stop 終止值
• step 步長（默認是1）
• dtype 數據類型。

值得注意的是，這裡的終止值是取不到的，所以真正意義上而言終止值是stop-1。

程式碼：

import numpy as np  a = np.arange(5)  b = np.arange(1,5)  c = np.arange(1,10,2)  d = np.arange(2,6,dtype=float)  print (a, b, c, d)

講解：

我們一共建立了四個數組，第一個我們只有一個參數，是終止值參數，這時候其他參數都是默認的。第二個數組，我們給定了起始值和終止值。第三個數組我們增加了步長。第四個數組，我們隱藏的其實是步長，也就是取默認值1。大家在看答案之前可以猜一下a,b,c,d分別是多少。

運行結果：

[0 1 2 3 4] [1 2 3 4] [1 3 5 7 9] [2. 3. 4. 5.]

np.linspace()

linspace是linear space的縮寫，線性空間。和arange稍有不同的是，linspace沒有步長，相反它有個叫做num的參數來控制生成數列的總數目。也就是說，在給定起始值和終止值的時候，步長被總數目決定了。

程式碼：

a = np.linspace(1,10,10)  b = np.linspace(10,20,5, endpoint = False)  c = np.linspace(10,20,5, endpoint = False,  retstep = True)  print (a)  print (b)  print (c)

講解：

我們分別利用linspace建立了三個數組，第一個endpoint不賦值，默認是True，默認終止值是包含在內的；第二個我們不把終止值包括在內；最後我們用retstep=True顯示數列的間距。

運行結果：

[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]

[10. 12. 14. 16. 18.]

(array([10., 12., 14., 16., 18.]), 2.0)

第三種創建方法：asarray() & array()

asarray函數可以將其他數據類型轉換成Numpy數組。

程式碼：

a = [1, 2, 3]  b = (1, 2, 3)  a_1 = np.array(a)  a_2 = np.asarray(a)  b_1 = np.array(b)  b_2 = np.asarray(b)  print (a_1, a_2,type(a_1))  print (b_1, b_2)

講解：

我們建立了一個列表a和一個元組b，分別用np.array和np.asarray來轉換。其實在將列表和元組轉換成numpy數組的時候效果是一樣的。也就是說不論是從列表a出發得到的a_1和a_2還是從元組b出發得到的b_1和b_2都是numpy數組[1,2,3]。

但是，他們二者還是有區別的，當數據源是ndarray,即numpy數組的時候，array會複製出一個副本，佔用新的記憶體，但是asarray並不會。從這裡看來，對一般的程式任務，我們並不太需要區分array和asarray，除非做大型數據的時候

運行結果：

[1 2 3] [1 2 3]

[1 2 3] [1 2 3]

總結回顧

1

兩種方法安裝NumPy，NumPy和列表的區別和聯繫。

2

NumPy數組的幾種屬性，包括數據類型，維度，大小等。

3

三種創建數組的方法，直接創建，特殊函數，數組轉換。