numpy學習筆記 – numpy陣列的常見用法

Pizzerias發表於2018-08-26
筆記陣列
# -*- coding: utf-8 -*-
“””
主要記錄程式碼，相關說明採用註釋形勢，供日常總結、查閱使用，不定時更新。
Created on Mon Aug 20 23:37:26 2018
 
@author: Dev
“””
 
import numpy as np
from datetime import datetime
import random
 
 
對a,b兩個列表的相同位的元素進行運算求和：
# 純Python
def pythonSum(n):
    # 對列表迴圈計算
    a = [x for x in range(n)]
    b = [x for x in range(n)]
    c = []
    for i in range(len(a)):
        a[i] = i ** 2
        b[i] = i ** 3
        c.append(a[i] +b[i])
    return c

 

# numpy
def numpySum(n):
    # 直接對陣列操作
    a = np.arange(n) ** 2
    b = np.arange(n) ** 3
    c = a + b
    return c

 

# 效率比較
size = 1000
# pythonSum()
start = datetime.now()  # 起始時間
c = pythonSum(size)
delta = datetime.now() - start  # pythonSum()的執行時間
print("The last two elements: ", c[-2:])    # 列印最後兩個元素，確認準確性
print("PythonSum elapsed time in microseconds: ", delta.microseconds)   # 以微秒為單位顯示執行時間

# pythonSum結果

The last two elements: [995007996, 998001000]
PythonSum elapsed time in microseconds: 999

　　

# numpySum()
start = datetime.now()
c = numpySum(size)
delta = datetime.now() - start
print("The last two elements: ", c[-2:])
print("NumpySum elapsed time in microseconds: ", delta.microseconds)

# numpySum結果

The last two elements: [995007996 998001000]
NumpySum elapsed time in microseconds: 0

可以看出使用numpy陣列的速度超快~

 

numpy陣列
a = np.arange(5)
print(a.dtype)
 
 
多維陣列
m = np.array([np.arange(2), np.arange(2)])  # 建立一個二維陣列
print(m)
 
# 建立元素為0的陣列
zeros = np.zeros(10)
zeros_2 = np.zeros((3, 6))  # 元素為0的3*6陣列
 
# 建立元素隨機(empty)的陣列
empty = np.empty((2, 3, 2))
 
# 訪問陣列元素
a = np.array(([1, 2], [3, 4]))
print(a[0, 0])
print(a[0, 1])
print(a[1, 0])
print(a[1, 1])
 
 
陣列元素的資料型別
print(np.float64(42))   # float浮點型
print(np.float(True))
print(np.float(False))
print(np.int8(42.0))    # int整型
print(np.bool(42))  # Boolean布林型
print(np.bool(0))
print(np.bool(42.0))
 
# 建立陣列時定義元素的資料型別
print(np.arange(7, dtype=np.uint16))
print(np.arange(9, dtype=np.float64))
 
 
資料型別轉換
# 型別轉換時出現的TypeError異常
try:
    print(np.int(42.0 + 1.j))
except TypeError:
    print(“TypeError: can`t convert complex to int!”)
 
arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype)    # 元素型別
float_arr = arr.astype(np.float64)
print(float_arr.dtype)
 
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
print(arr.dtype)
int_arr = arr.astype(np.int32)  # 將float64型別轉換為int32型別
 
# 將字串陣列轉換為字元型
numeric_string = np.array([`1.25`, `-9.6`, `42`], dtype=np.string_)
print(numeric_string.astype(float)) # 再轉換為float型別
 
 
字元編碼
print(np.arange(7, dtype=`f`))  # float32
print(np.arange(7, dtype=`d`))  # float64
print(np.arange(7, dtype=`D`))  # complex128
print(np.dtype(float))
print(np.dtype(`f`))
print(np.dtype(`d`))
print(np.dtype(`F`))
print(np.dtype(`D`))
print(np.dtype(`f8`))
print(np.dtype(`float64`))
 
# dtype類的屬性
t = np.dtype(`float64`)
print(t.char)   # 字元編碼
print(t.type)   # t的型別
print(t.str)
 
 
自定義資料型別
# [(欄位1, 型別, 長度), (欄位2, 型別, 長度), …]
t = np.dtype([(`name`, np.str_, 40), (`numitems`, np.int32), (`price`, np.float32)])
print(t)
print(t.name)
itemz = np.array([(`Meaning of life DVD`, 42, 100), (`Butter`, 13, 2.72)])  # 按照格式生成陣列
 
 
陣列與標量的計算
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr * arr)    # 對應位的元素相乘
print(arr – arr)   # 對應位的元素相減
print(1 / arr)     # 取倒數
print((arr ** 2) ** 0.5)    # 平方後開根號
 
 
一維陣列的索引與切片(與列表切片用法相似)
a = np.arange(9)
print(a[3: 7])
print(a[:7:2])  # 從0到6，步長為2
s = slice(3, 7, 2)  # 先設定切片位置及步長，再呼叫
print(a[s])
print(a[::-1])  # 倒序排列1
s = slice(None, None, -1)   # 倒序排列2
print(a[s])
 
 
多維陣列的切片與索引
b = np.arange(24).reshape(2, 3, 4)
print(b.shape)  # 陣列b的維數
# 使用索引與切片選取指定元素
print(b[0,0,0])
print(b[:,0,0])
print(b[0])         # 第一維的所有元素
print(b[0, :, :])   # 第一維的所有元素
print(b[0, …])    # 第一維的所有元素
print(b[0,1])       # 第一維第二行
print(b[0,1,::2])   # 以2為步長
print(b[…,1])     # 兩個維的第一列
print(b[:,1])       # 兩個維的第一行
print(b[0,:,1])     # 第一維第一列
print(b[0,:,-1])    # 第一維最後一列
print(b[0,::-1, -1])    # 第一維最後一列的倒序排列
print(b[0,::2,-1])  # 第一維的第0行和第2行的最後一個元素
print(b[::-1])      # 兩個維倒序
s = slice(None, None, -1)   # 所有元素倒序排列
print(b[(s, s, s)])
 
 
布林型索引（mask）
names = np.array([`Bob`, `Joe`, `Will`, `Bob`, `Will`, `Joe`, `Joe`])
random.seed(200)    # 設定隨機種子
data = np.random.random((7, 4))
 
print(names == `Bob`)   # 生成布林型mask
print(data[names == `Bob`]) # 根據mask的值匹配data陣列中的元素
print(data[names == `Bob`, 2:]) # 匹配值從第三列到最後一列的元素
print(data[names == `Bob`, 3])  # 匹配值第四列的元素
 
names != `Bob`
data[~(names == `Bob`)]
 
mask = (names == `Bob`) | (names == `will`) # 或運算子
data[mask]
data[data < 0] = 0
data[names != `Joe`] = 7
 
花式索引（索引亂序）
arr = np.empty((8, 4))
for i in range(8):
    arr[i] = i
 
arr[[4, 3, 0, 6]]   # 根據索引的順序取值
arr[[-3, -5, -7]]
arr = np.arange(32).reshape((8, 4))
arr[[1, 5, 7, 2], [0, 3, 1, 2]]
arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]]
arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]
 
 
陣列轉置
arr = np.arange(15).reshape((3, 5))
arr.reshape((5,3))
print(arr.T)
 
 
改變資料維度
b = np.arange(24).reshape((2, 3, 4))
print(b)
print(b.ravel())    # 將多維陣列將為一維
print(b.flatten())
b.shape = (6, 4)
print(b)
print(b.transpose())
b.resize((2, 12))
print(b)
 
注： flatten()與ravel()的區別
# 當修改ravel()返回的值時，會影響原陣列；而flatten則不會
arr_a = np.arange(4).reshape(2, 2)
arr_a.ravel()[-1] = 5
print(arr_a)    # arr_a的最後一個元素已被修改
arr_a.flatten()[0] = 10
print(arr_a)    # 不會影響原陣列的第一個元素
 
 
組合陣列
a = np.arange(9).reshape(3, 3)
print(a)
b = 2 * a
print(b)
# 水平組合
print(np.hstack((a, b)))
print(np.concatenate((a, b), axis=1))
# 豎直組合
print(np.vstack((a, b)))
print(np.concatenate((a, b), axis=0))
# 深度組合deep
print(np.dstack((a, b)))
# column_stack & row_stack(與hstack & vstack效果類似)
oned = np.arange(2)
print(oned)
twice_oned = 2 * oned
print(twice_oned)
print(np.column_stack((oned, twice_oned)))
print(np.column_stack((a, b)) == np.hstack((a, b)))
print(np.row_stack((oned, twice_oned)))
print(np.row_stack((a, b)))
print(np.row_stack((a, b)) == np.vstack((a, b)))
 
 
陣列的分割
a = np.arange(9).reshape(3, 3)
print(a)
# 從水平方向分成三列（跨列）
print(np.hsplit(a, 3))
print(np.split(a, 3, axis=1))
# 從豎直方向分成三行（跨行）
print(np.vsplit(a, 3))
print(np.split(a, 3, axis=0))
# 深度分割
c = np.arange(27).reshape(3, 3, 3)
print(c)
print(np.dsplit(c, 3))
 
 
陣列的屬性
b = np.arange(24).reshape(2, 12)
b.ndim    # 維度
b.size    # 元素個數
b.itemsize    # 單個元素的大小
b.nbytes    # 整個陣列的大小（itemsize * size）
# 複數
b = np.array([1.+1.j, 3.+2.j])
b.real    # 實部
b.imag    # 虛部
 
 
陣列的轉換
b = np.arange(4).reshape(2, 2)
b.flat    # 將陣列轉換為一維陣列
for i in range(len(b.flat)):    # 迴圈訪問陣列元素
    print(b.flat[i])
 
b = np.array([1.+1.j, 3.+2.j])
print(b)
print(b.tolist())    # 轉換為list
print(b.tostring())    # 轉換為字元
# 使用np.fromstring將字串轉換為指定格式
print(np.fromstring(b`x00x00x00x00x00x00xf0?x00x00x00x00x00x00xf0?x00x00x00x00x00x00x08@x00x00x00x00x00x00x00@`, dtype=complex))
a_t = np.fromstring(`20:42:53`, sep=`:`, dtype=int)
print(a_t)
print(a_t.dtype)
 
# 複數轉換為整型時會捨棄虛部
print(b.astype(int))
print(b.astype(`complex`))
 

相關文章