《numpy》专题

视图是指对数据的引用，通过该引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内存在同一位置。 副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。 视图一般发生在： Numpy 的切片操作返回原数据的视图； 调用 ndarray 的 view() 函数产生一个视图。 副本一般发生在： 在对 Pytho

Numpy 比一般的 Python 序列提供更多的索引方式。除了前面章节介绍的用整数和切片的索引外，本节深入介绍布尔型索引和花式索引。 1. 布尔型索引 在前面的章节，我们简单介绍了，可以通过一个布尔数组来索引目标数组。 1.1 比较运算符与布尔型数组 在实际使用中，可以通过比较运算符来产生一个布尔型数组。 案例 利用random模块产生一个大小为7×4的随机数数组： data = np.rand

Numpy 中包含了一些函数用于处理数组，本节重点介绍如下几类： 修改数组形状； 翻转数组； 格式转换。 1. 修改数组形状 常用的修改数组形状的函数有： 函数 说明 reshape 不改变数据的条件下修改形状 flat 数组元素迭代器 flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组 ravel 返回展开数组 1.1 reshape numpy.reshape 函数可以在不改变

NumPy 提供了很多统计函数，例如对数组求和、用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 常用的统计函数如下： 函数 说明 sum 对数组中的全部或沿着轴向的元素求和。 mean、median 求数组的算术平均值、中位数 std、var 分别为标准差和方差 min、max 最小值和最大值 argmin、argmax 分别为最小和最大元素的索引 cumsum 所有元素的累计和 cu

通用函数中，接受两个标量值、并产生一个或多个标量值的情况，这里称之为二元函数。 常用的二元函数，包括算术运算、比较级运算、求余数等。 1. 常用算术运算 1.1 四则运算 当对两个数组进行四则运算，可以通过运算函数完成，需要注意的是数组必须具有相同的形状或符合数组广播规则。 四则运算具体函数说明如下： 函数 说明 add 加法运算 subtract 减法运算，从第一个数组中减去第二个数组 mult

通用函数（即 ufunc）是一种对 ndarray 中的数据执行元素级运算的函数。你可以将其看作简单函数的矢量化封装结果。本小节主要讲述仅接受一个标量值、并产生一个或多个标量值的情况，这里称之为一元函数。 Numpy 中包含了大量的这类数学运算，包括三角函数、舍入取整函数、运算函数等。 1. 三角函数 1.1 三角函数 Numpy 提供了标准的三角函数：sin()、cos()、tan()，通过接受

广播，是指 Numpy 在算术运算期间处理不同形状的数组的能力。 对数组的算术运算通常在相应的元素上进行。 如果两个阵列具有完全相同的形状，则这些操作被无缝执行，这一小节将通过数组的运算来展示广播的一些特征。 1. 常见的两种广播途径 1.1 相同大小的数组计算 如果两个数组的维度完全一致，那么运算过程是两个数组相应元素的逐个计算。 案例 定义两个完全一致的数组： arr0 = np.array(

Numpy 提供了一个迭代器对象 numpy.nditer，能够实现灵活地访问一个或者多个数组元素，达到遍历数组的目的。 1. 数组元素访问 1.1 按照内存布局打印数组元素 在默认情况下，numpy.nditer 迭代器返回的元素顺序，是和数组内存布局一致的，这样做是为了提升访问的效率，默认是行序优先。 案例 例如，我们对于新创建的 2×3 的数组，利用 nditer 迭代器进行顺序访问： ar

Python 的内置容器对象，例如列表，可以通过索引或切片来访问和修改。这在 ndarray 对象中也一样，ndarray 对象中的元素遵循基于零的索引，常用的索引方式：元素访问、切片索引、布尔型索引。 1. 元素访问 1.1 单一元素访问 一维数组的元素访问非常简单，和 Python 列表规则基本差不多。对单一元素的访问，索引遵循从 0 开始，依次递增 1。 案例 例如，对于创建的一维数组，我们

numpy.random 模块对 Python 内置的 random 进行了补充，增加了一些用于高效生成符合多种概率分布的样本值的函数。这一小节将详述如何用 Numpy 快速创建随机数矩阵。 1. 创建符合均匀分布的随机数组 1.1 numpy.random.rand 函数 numpy.random.rand 函数通常用来创建一个服从 “0~1” 均匀分布的随机浮点数（组），随机样本取值范围是[0

在数组的属性和方法这一小节中我们学习到了如何查看数组的大小、维数（秩）、元素的数据类型、每个元素的大小等等。这一小节将详述如何从数值范围创建特殊数组，比如指定间隔的等差数列型数组、等比数列型数组等。 1. 创建等间隔序列数组 通常定义一个等间隔序列数组（即等差数组），需要指定某些具体要素，例如起始值、终止值、步长、样本数量等。主要功能类似于 Python 内置的 range 函数，但是返回的是一个

ndarray 对象预留了一些方法供我们调用，通过这些方法，我们可以查探到数组的一些基本信息，例如 dtype 可以查看数组的数据类型。本小节将介绍其他常用的方法，比如数组的大小、维数（秩）、元素的数据类型、每个元素的大小等等。 1. 数组的维数 1.1 ndim 数组的维数，即数组的秩，用来表征数组轴的数量或维度的数量。对于行向量： arr_1 = np.array([1,2,3]) arr_1

本小节将详述 Numpy 内置的数据类型，以及如何在创建数组对象时进行灵活指定、如何查看创建好的数组类型、以及如何更改数据类型。 1. 常见数据类型 Numpy 支持的数据类型比 Python 内置的要多很多，而这也是 Numpy 如此灵活和强大的原因之一。 例如对于整数，在 Numpy 中，根据整数的位数不同所需要占据的空间大小不同，又对整数类型进行类细分，常见地可以分为 int8、int16、

本小节将详述如何创建 ndarray 对象，以及如何创建特殊的 ndarray 对象。 1. ndarray 对象 ndarray，也就是我们常用的 N 维数组对象，是 Numpy 最核心的组成部分。你可以把它视为一个快速而灵活的大数据集容器，利用这种数组你可以便捷地执行一些数学运算。 ndarray 有两个显著特点： ndarray 是一个通用的同构数据多维容器，也就是说，该容器中的每一个元素都

在开启 Numpy 之旅之前，请务必确认你有可用的 Python 环境。考虑到官方不在继续维护 Python2 ，因此建议 Python 的版本在 3.5 及以上。 1. 安装数据科学全家桶 Anaconda Anaconda 是一个集成的 Python 数据科学环境。除了有基本的 Python 包，Anaconda 还集成了 180 多个用于数据分析的第三方库。 Anaconda 因为其安装过程