NumPy 数据操作实用指南：从基础到高效（上）

简介： 本文介绍了使用 NumPy 进行数据操作的基本步骤，包括导入库、创建数组、基本操作等。通过实例演示了如何利用 NumPy 进行数组的创建、索引、切片、变形、级联和切割等操作，以及如何应用这些功能在图像处理中进行实际应用。

---

numpy get started

导入numpy库，并查看numpy版本

In?[1]:

import numpy as np

In?[3]:

np.__version__

Out[3]:

'1.24.3'

一、创建ndarray

1.使用np.array()由python list 创建

参数为列表：[1,4,2,5,3]

注意：

numpy默认ndarray的所有元素的类型是相同的 如果传进去的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int

In?[4]:

l=[1,4,2,5,7]

l

Out[4]:

[1, 4, 2, 5, 7]

In?[8]

type(l)

Out[8]:

list

In?[10]:

nd=np.array(l)
nd

Out[10]:

array([1, 4, 2, 5, 7])

In?[11]:

type(nd)

Out[11]:

numpy.ndarray

In?[12]:

l2=[[1,3,5],[2,4,6]]

l2

Out[12]:

[[1, 3, 5], [2, 4, 6]]

In?[13]:

nd2=np.array(l2)

nd2

Out[13]:

array([[1, 3, 5],
       [2, 4, 6]])

方法更多，运行更快

In?[15]:

nd.max()

Out[15]:

7

In?[16]:

x=np.arange(1,10000,1)

x

Out[16]:

array([ 1, 2, 3, ..., 9997, 9998, 9999])

In?[17]:

%timeit x.sum()

5.21 μs ± 201 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)

In?[18]:

def sum1(x):

res=0
for i in x:
res+=i
return res

In?[19]:

%timeit sum1(x)
952 μs ± 30.3 μs per loop (mean ± std. dev. of 7 runs, 1,000 loops each)

2.使用np的routines函数创建

包含以下常见创建方法： 1）np.ones(shape,dtype=None,order='C')

创建个指定形状的全为1的数组

In?[2]:

np.ones(shape=(5,5),dtype=np.int8)

Out[2]:

array([[1, 1, 1, 1, 1], [1, 1, 1, 1, 1], [1, 1, 1, 1, 1], [1, 1, 1, 1, 1], [1, 1, 1, 1, 1]], dtype=int8)

2)np.zeros(shape,dtype=float,order='C')

在创建指定形状的全为0的数组

In?[3]:

np.zeros(shape=(2,3,4),dtype=np.float16)

Out[3]:

array([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]], dtype=float16)

3)np.full(shape,fill_value,dtype=None,order='C')

再创建指定形状并填充特定值的数组

In?[5]:

np.full(shape=(3,4),fill_value=3.14)

Out[5]:

array([[3.14, 3.14, 3.14, 3.14], [3.14, 3.14, 3.14, 3.14], [3.14, 3.14, 3.14, 3.14]])

4)np.eye(N,M=none,k=0,dtype=float) 对角线为1，其他位置为0

创建一个单位矩阵，对角线为1，其他位置为0

In?[6]:

np.eye(N=5)

Out[6]:

array([[1., 0., 0., 0., 0.], [0., 1., 0., 0., 0.], [0., 0., 1., 0., 0.], [0., 0., 0., 1., 0.], [0., 0., 0., 0., 1.]])

5)np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)

让它在指定范围内生成指定数量的等间隔数值

In?[14]:

np.linspace(0,100,num=51)

Out[14]:

array([ 0., 2., 4., 6., 8., 10., 12., 14., 16., 18., 20., 22., 24., 26., 28., 30., 32., 34., 36., 38., 40., 42., 44., 46., 48., 50., 52., 54., 56., 58., 60., 62., 64., 66., 68., 70., 72., 74., 76., 78., 80., 82., 84., 86., 88., 90., 92., 94., 96., 98., 100.])

6)np.arange([start,]stop,[stop,]dtype=None)

让它在指定范围内以指定步长生成数组

In?[15]:

np.arange(0,100,3)

Out[15]:

array([ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48,
       51, 54, 57, 60, 63, 66, 69, 72, 75, 78, 81, 84, 87, 90, 93, 96, 99])

7)np.random.randint(low,high=None,size=None,dtype='l')

生成指定范围内的随机整数数组

随机一下：

In?[16]:

np.random.randint(0,100,(5,5))

Out[16]:

array([[29, 48, 25, 62, 47],
       [54, 95, 67, 16, 80],
       [ 5,  1, 97, 32, 40],
       [55, 44, 71, 21,  2],
       [ 7, 21, 89, 85, 93]])

8)np.random.randn(d0,d1,d2,...,dn) 标准正态分布

生成服从标准正态分布的随机数组

In?[17]:

#平均值为0，方差为1

np.random.randn(4,5)

Out[17]:

array([[ 0.12986708,  0.38932889, -0.68477293, -0.48738848, -1.29017705],
       [-0.62040021,  1.77145003, -0.03924932, -0.3581067 , -0.63517962],
       [ 0.09991903, -1.3522429 , -0.58625064,  1.70491804, -3.71604832],
       [-0.3656734 ,  2.28166109,  0.43121117,  0.74830232,  0.30966411]])

9）np.random.normal(loc=0.0,scala=1.0,size=None) loc:位置 scala:标准差

In?[27]:

nd=np.random.normal(175,10,size=1000).round(2)

#round(n):取小数位后n位
nd

. . .

In?[28]:

nd.mean()

Out[28]:

174.88183999999998

In?[29]:

nd.var()

#方差

Out[29]:

98.93779501440001

In?[31]:

nd.std()

#标准差：方差开平方

Out[31]:

9.946747961741064

10）np.random.random(size=None) 生成0到1的随机数，左闭右开

In?[32]:

np.random.random(100)

. . .

二、ndarray的属性

4个必记参数：ndim:维度 shape:形状（各维度的长度） size:总长度 dtype:元素类型

In?[33]:

nd.ndim

Out[33]:

1

In?[34]:

nd.shape

Out[34]:

(1000,)

In?[35]:

nd.size

Out[35]:

1000

In?[36]:

nd.dtype

Out[36]:

dtype('float64')

三、ndarray的基本操作

1.索引

一维与列表完全一致 多维时同理

In?[38]:

nd2=np.random.randint(0,150,size=(4,5))

nd2

Out[38]:

array([[ 26,  85,  41,  21,  49],
       [ 27,   2,  51,  55,  34],
       [133,  78,  63,  52, 135],
       [ 26,  56,  77,  51,  13]])

In?[39]:

nd2[1,1]

Out[39]:

2

In?[40]:

nd2[2]

Out[40]:

array([133,  78,  63,  52, 135])

根据索引修改数据

2.切片

一维与列表完全一致 多维时同理

In?[41]:

nd2

Out[41]:

array([[ 26,  85,  41,  21,  49],
       [ 27,   2,  51,  55,  34],
       [133,  78,  63,  52, 135],
       [ 26,  56,  77,  51,  13]])

In?[43]:

nd2[0:3]

Out[43]:

array([[ 26,  85,  41,  21,  49],
       [ 27,   2,  51,  55,  34],
       [133,  78,  63,  52, 135]])

In?[45]:

nd2[-2:]

Out[45]:

array([[133,  78,  63,  52, 135],
       [ 26,  56,  77,  51,  13]])

In?[46]:

nd2[0:3,0:3]

Out[46]:

array([[ 26,  85,  41],
       [ 27,   2,  51],
       [133,  78,  63]])

将数据反转，例如[1,2,3]---->[3,2,1]

In?[50]:

nd3=nd[:10]

nd3

Out[50]:

array([167.79, 195.33, 178.68, 171.35, 170.08, 154.38, 180.5 , 173.5 ,
       168.88, 154.37])

In?[51]:

nd3[::-1]

Out[51]:

array([154.37, 168.88, 173.5 , 180.5 , 154.38, 170.08, 171.35, 178.68,
       195.33, 167.79])

两个::进行切片

In?[52]:

nd3[::2]

#隔一行算一行

Out[52]:

array([167.79, 178.68, 170.08, 180.5 , 168.88])