清晰易懂的Numpy入門教程
點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
本文轉(zhuǎn)自|視覺算法
Numpy是python語言中最基礎(chǔ)和最強大的科學(xué)計算和數(shù)據(jù)處理的工具包，如數(shù)據(jù)分析工具pandas也是基于numpy構(gòu)建的，機器學(xué)習(xí)包scikit-learn也大量使用了numpy方法。本文介紹了Numpy的n維數(shù)組在數(shù)據(jù)處理和分析的所有核心應(yīng)用。
目錄
1. 如何構(gòu)建numpy數(shù)組
2. 如何觀察數(shù)組屬性的大小和形狀（shape）
3. 如何從數(shù)組提取特定的項
4. 如何從現(xiàn)有的數(shù)組定義新數(shù)組
5. 多維數(shù)組的重構(gòu)（reshaping）和扁平（flattening）
6. 如何通過numpy生成序列數(shù)（sequences），重復(fù)數(shù)（repetitions）和隨機數(shù)（random）
7. 小結(jié)
構(gòu)建numpy數(shù)組的方法很多，比較常用的方法是用np.array函數(shù)對列表進行轉(zhuǎn)化。
# 通過列表創(chuàng)建一維數(shù)組
import numpy as np
list1 = [0,1,2,3,4]
arr1d = np.array(list1)
#打印數(shù)組和類型
print(type(arr1d))
arr1d
<type 'numpy.ndarray'>
[0 1 2 3 4]
數(shù)組和列表最關(guān)鍵的區(qū)別是：數(shù)組是基于向量化操作的，列表不是，我們在實際項目中處理的數(shù)據(jù)一般是矩陣結(jié)構(gòu)，對該數(shù)據(jù)以行向量或列向量的形式進行計算，向量計算是基于數(shù)組實現(xiàn)的，因此數(shù)組比列表的應(yīng)用更廣。
函數(shù)可以應(yīng)用到數(shù)組的每一項，列表不行。
比如，不可以對列表的每一項數(shù)據(jù)都加2，這是錯誤的。
list1 + 2 # 錯誤
可以對數(shù)組的某一項數(shù)據(jù)都加2
# Add 2 to each element of arr1d
arr1d + 2
#> array([2, 3, 4, 5, 6])
另一個區(qū)別是已經(jīng)定義的numpy數(shù)組不可以增加數(shù)組大小，只能通過定義另一個數(shù)組來實現(xiàn)，但是列表可以增加大小。
然而，numpy有更多的優(yōu)勢，讓我們一起來發(fā)現(xiàn)。
numpy可以通過列表中的列表來構(gòu)建二維數(shù)組。
# Create a 2d array from a list of lists
list2 = [[0,1,2], [3,4,5], [6,7,8]]
arr2d = np.array(list2)
arr2d
#> array([[0, 1, 2],
#> [3, 4, 5],
#> [6, 7, 8]])
你也可以通過dtype參數(shù)指定數(shù)組的類型，一些最常用的numpy類型是：'float'，'int'，'bool'，'str'和'object'。
# Create a float 2d array
arr2d_f = np.array(list2, dtype='float')
arr2d_f
#> array([[ 0., 1., 2.],
#> [ 3., 4., 5.],
#> [ 6., 7., 8.]])
輸出結(jié)果的小數(shù)點表示float類型，你也可以通過 astype方法轉(zhuǎn)換成不同的類型。
# 轉(zhuǎn)換成‘int’類型
arr2d_f.astype('int')
#> array([[0, 1, 2],
#> [3, 4, 5],
#> [6, 7, 8]])
# 先轉(zhuǎn)換‘int’類型，再轉(zhuǎn)換‘str’類型
arr2d_f.astype('int').astype('str')
#> array([['0', '1', '2'],
#> ['3', '4', '5'],
#> ['6', '7', '8']],
#> dtype='U21')
另一個區(qū)別是數(shù)組要求所有項是同一個類型，list沒有這個限制。如果你想要一個數(shù)組包含不同類型，設(shè)置‘dtype’為'object'。
# 構(gòu)建布爾類型數(shù)組
arr2d_b = np.array([1, 0, 10], dtype='bool')
arr2d_b
#> array([ True, False, True], dtype=bool)
# 構(gòu)建包含數(shù)值和字符串的數(shù)組
arr1d_obj = np.array([1, 'a'], dtype='object')
arr1d_obj
#> array([1, 'a'], dtype=object)
最終使用 tolist()函數(shù)使數(shù)組轉(zhuǎn)化為列表。
# Convert an array back to a list
arr1d_obj.tolist()
#> [1, 'a']
總結(jié)數(shù)組和列表主要的區(qū)別：
數(shù)組支持向量化操作，列表不支持；
數(shù)組不能改變長度，列表可以；
數(shù)組的每一項都是同一類型，list可以有多種類型；
同樣長度的數(shù)組所占的空間小于列表；
一維數(shù)組由列表構(gòu)建，二維數(shù)組arr2d由列表的列表構(gòu)建，二維數(shù)組有行和列，比如矩陣，三維數(shù)組由嵌入了兩個列表的列表構(gòu)建。
假設(shè)給定一個數(shù)組，我們怎么去了解該數(shù)組的屬性。
數(shù)組的屬性包括：
數(shù)組的維度（ndim）
數(shù)組的形狀（shape）
數(shù)組的類型（dtype）
數(shù)組的大小（size）
數(shù)組元素的表示（通過索引）
# 定義3行4列的二維數(shù)組
list2 = [[1, 2, 3, 4],[3, 4, 5, 6], [5, 6, 7, 8]]
arr2 = np.array(list2, dtype='float')
arr2
#> array([[ 1., 2., 3., 4.],
#> [ 3., 4., 5., 6.],
#> [ 5., 6., 7., 8.]])
# 形狀（shape）
print('Shape: ', arr2.shape)
# 數(shù)組類型（dtype）
print('Datatype: ', arr2.dtype)
# 數(shù)組大小（size）
print('Size: ', arr2.size)
# 數(shù)組維度（ndim）
print('Num Dimensions: ', arr2.ndim)
# 取數(shù)組第3行3列元素
print('items of 3 line 3 column: ', c[2,2])
#> Shape: (3, 4)
#> Datatype: float64
#> Size: 12
#> Num Dimensions: 2
#> items of 3 line 3 column: 7
數(shù)組的索引是從0開始計數(shù)的，與list類似。numpy數(shù)組通過方括號的參數(shù)以選擇特定的元素。
# 選擇矩陣的前兩行兩列
arr2[:2, :2]
list2[:2, :2] # 錯誤
#> array([[ 1., 2.],
#> [ 3., 4.]])
numpy數(shù)組支持布爾類型的索引，布爾型索引數(shù)組與過濾前（array-to-be-filtered）的數(shù)組大小相等，布爾型數(shù)組只包含Ture和False變量，Ture變量對應(yīng)的數(shù)組索引位置保留了過濾前的值 。
arr2
#> array([[ 1., 2., 3., 4.],
#> [ 3., 4., 5., 6.],
#> [ 5., 6., 7., 8.]])
# 對數(shù)組每一個元素是否滿足某一條件，然后獲得布爾類型的輸出
b = arr2 > 4
b
#> array([[False, False, False, False],
#> [False, False, True, True],
#> [ True, True, True, True]], dtype=bool)
# 取布爾型數(shù)組保留的原始數(shù)組的值
arr2[b]
#> array([ 5., 6., 5., 6., 7., 8.])
3.1 如何反轉(zhuǎn)數(shù)組
# 反轉(zhuǎn)數(shù)組的行
arr2[::-1, ]
#> array([[ 5., 6., 7., 8.],
#> [ 3., 4., 5., 6.],
#> [ 1., 2., 3., 4.]])
# Reverse the row and column positions
# 反轉(zhuǎn)數(shù)組的行和列
arr2[::-1, ::-1]
#> array([[ 8., 7., 6., 5.],
#> [ 6., 5., 4., 3.],
#> [ 4., 3., 2., 1.]])
3.2 如何處理數(shù)組的缺失值（missing）和無窮大（infinite）值
缺失值可以用np.nan對象表示，np.inf表示無窮大值，下面用二維數(shù)組舉例：
# 插入nan變量和inf變量
arr2[1,1] = np.nan # not a number
arr2[1,2] = np.inf # infinite
arr2
#> array([[ 1., 2., 3., 4.],
#> [ 3., nan, inf, 6.],
#> [ 5., 6., 7., 8.]])
# 用-1代替nan值和inf值
missing_bool = np.isnan(arr2) | np.isinf(arr2)
arr2[missing_bool] = -1
arr2
#> array([[ 1., 2., 3., 4.],
#> [ 3., -1., -1., 6.],
#> [ 5., 6., 7., 8.]])
3.3 如何計算n維數(shù)組的平均值，最小值和最大值
# 平均值，最大值，最小值
print("Mean value is: ", arr2.mean())
print("Max value is: ", arr2.max())
print("Min value is: ", arr2.min())
#> Mean value is: 3.58333333333
#> Max value is: 8.0
#> Min value is: -1.0
如果要求數(shù)組的行或列的最小值，使用np.amin函數(shù)
# Row wise and column wise min
# 求數(shù)組行和列的最小值
# axis=0表示列，1表示行
print("Column wise minimum: ", np.amin(arr2, axis=0))
print("Row wise minimum: ", np.amin(arr2, axis=1))
#> Column wise minimum: [ 1. -1. -1. 4.]
#> Row wise minimum: [ 1. -1. 5.]
對數(shù)組的每個元素進行累加，得到一維數(shù)組，一維數(shù)組的大小與二維數(shù)組相同。
# 累加
np.cumsum(arr2)
#> array([ 1., 3., 6., 10., 13., 12., 11., 17., 22., 28., 35., 43.])
如果使用賦值運算符從父數(shù)組定義新數(shù)組，新數(shù)組與父數(shù)組共占同一個內(nèi)存空間，如果改變新數(shù)組的值，那么父數(shù)組也相應(yīng)的改變。
為了讓新數(shù)組與父數(shù)組相互獨立，你需要使用copy（）函數(shù)。所有父數(shù)組都使用copy（）方法構(gòu)建新數(shù)組。
# Assign portion of arr2 to arr2a. Doesn't really create a new array.
# 分配arr2數(shù)組給新數(shù)組arr2a，下面方法并沒有定新數(shù)組
arr2a = arr2[:2,:2]
arr2a[:1, :1] = 100 # arr2相應(yīng)位置也改變了
arr2
#> array([[ 100., 2., 3., 4.],
#> [ 3., -1., -1., 6.],
#> [ 5., 6., 7., 8.]])
# 賦值arr2數(shù)組的一部分給新數(shù)組arr2b
arr2b = arr2[:2, :2].copy()
arr2b[:1, :1] = 101 # arr2沒有改變
arr2
#> array([[ 100., 2., 3., 4.],
#> [ 3., -1., -1., 6.],
#> [ 5., 6., 7., 8.]])
重構(gòu)（reshaping）是改變了數(shù)組項的排列，即改變了數(shù)組的形狀，未改變數(shù)組的維數(shù)。
扁平（flattening）是對多維數(shù)組轉(zhuǎn)化為一維數(shù)組。
# 3x4數(shù)組重構(gòu)為4x3數(shù)組
arr2.reshape(4, 3)
#> array([[ 100., 2., 3.],
#> [ 4., 3., -1.],
#> [ -1., 6., 5.],
#> [ 6., 7., 8.]])
5.1 flatten()和ravel()的區(qū)別
數(shù)組的扁平化有兩種常用的方法，flatten()和ravel() 。flatten處理后的數(shù)組是父數(shù)組的引用，因此新數(shù)組的任何變化也會改變父數(shù)組，因其未用復(fù)制的方式構(gòu)建數(shù)組，內(nèi)存使用效率高，ravel通過復(fù)制的方式構(gòu)建新數(shù)組。
# flatten方法
arr2.flatten()
#> array([ 100., 2., 3., 4., 3., -1., -1., 6., 5., 6., 7., 8.])
# flatten方法
b1 = arr2.flatten()
b1[0] = 100 # 改變b1的值并未影響arr2
arr2
#> array([[ 100., 2., 3., 4.],
#> [ 3., -1., -1., 6.],
#> [ 5., 6., 7., 8.]])
# ravel方法
b2 = arr2.ravel()
b2[0] = 101 # 改變b2值，相應(yīng)的改變了arr2值
arr2
#> array([[ 101., 2., 3., 4.],
#> [ 3., -1., -1., 6.],
#> [ 5., 6., 7., 8.]])
np.arrange函數(shù)手動生成指定數(shù)目的序列數(shù)，與ndarray作用一樣。
# 默認下限為0
print(np.arange(5))
# 0 to 9，默認步數(shù)為1
print(np.arange(0, 10))
# 遞增步數(shù)2
print(np.arange(0, 10, 2))
# 降序
print(np.arange(10, 0, -1))
#> [0 1 2 3 4]
#> [0 1 2 3 4 5 6 7 8 9]
#> [0 2 4 6 8]
#> [10 9 8 7 6 5 4 3 2 1]
上例是通過np.arrange設(shè)置初始位置和結(jié)束位置來生成序列數(shù)，如果我們設(shè)置數(shù)組的元素個數(shù)，那么可以自動計算數(shù)組的遞增值。
如構(gòu)建1到50的數(shù)組，數(shù)組有10個元素，使用np.linspace總動計算數(shù)組的遞增值。
# 起始位置和結(jié)束位置分別為1和50
np.linspace(start=1, stop=50, num=10, dtype=int)
#> array([ 1, 6, 11, 17, 22, 28, 33, 39, 44, 50])
我們注意到上面例子的遞增值并不相等，有5和6兩個值，原因是計算遞增值采用了四舍五入的算法（rounding）。與np.linspace類似，np.logspace以對數(shù)尺度的方式增長。
# 設(shè)置數(shù)組的精度為小數(shù)點后兩位
np.set_printoptions(precision=2)
# 起點為 10^1 and 終點為 10^50，數(shù)組元素個數(shù)10，以10為底數(shù)
np.logspace(start=1, stop=50, num=10, base=10)
#> array([ 1.00e+01, 2.78e+06, 7.74e+11, 2.15e+17, 5.99e+22,
#> 1.67e+28, 4.64e+33, 1.29e+39, 3.59e+44, 1.00e+50])
初始化數(shù)組的元素全為1或全為0。
np.zeros([2,2])
#> array([[ 0., 0.],
#> [ 0., 0.]])
np.ones([2,2])
#> array([[ 1., 1.],
#> [ 1., 1.]])
7.1 如何構(gòu)建重復(fù)的序列數(shù)
np.tile重復(fù)整個的數(shù)組或列表n次，np.repeat重復(fù)數(shù)組每一項n次。
a = [1,2,3]
# 重復(fù)數(shù)組a兩次
print('Tile: ', np.tile(a, 2))
# 重復(fù)數(shù)組a每項兩次
print('Repeat: ', np.repeat(a, 2))
#> Tile: [1 2 3 1 2 3]
#> Repeat: [1 1 2 2 3 3]
7.2 如何生存隨機數(shù)
random模塊包含的函數(shù)可以生成任一數(shù)組形狀的隨機數(shù)和統(tǒng)計分布。
# 生成2行2列的[0,1)的隨機數(shù)
print(np.random.rand(2,2))
# 生成均值為0方差為1的2行2列的正態(tài)分布值
print(np.random.randn(2,2))
# 生成[0,10)的2行2列的隨機整數(shù)
print(np.random.randint(0, 10, size=[2,2]))
# 生成一個[0,1)的隨機數(shù)
print(np.random.random())
# 生成[0,1)的2行2列的隨機數(shù)
print(np.random.random(size=[2,2]))
# 從給定的列表等概率抽樣10次
print(np.random.choice(['a', 'e', 'i', 'o', 'u'], size=10))
# 從給定的列表和對應(yīng)的概率分布抽樣10次
print(np.random.choice(['a', 'e', 'i', 'o', 'u'], size=10, p=[0.3, .1, 0.1, 0.4, 0.1])) # picks more o's
#> [[ 0.84 0.7 ]
#> [ 0.52 0.8 ]]
#> [[-0.06 -1.55]
#> [ 0.47 -0.04]]
#> [[4 0]
#> [8 7]]
#> 0.08737272424956832
#> [[ 0.45 0.78]
#> [ 0.03 0.74]]
#> ['i' 'a' 'e' 'e' 'a' 'u' 'o' 'e' 'i' 'u']
#> ['o' 'a' 'e' 'a' 'a' 'o' 'o' 'o' 'a' 'o']
7.3 如何得到數(shù)組獨特（unique）的項和個數(shù)（counts）
np.unique函數(shù)去除數(shù)組中重復(fù)的元素，設(shè)置return_counts參數(shù)為True，得到數(shù)組每一項的個數(shù)。
# 定義范圍為[0,10)，個數(shù)為10的隨機整數(shù)數(shù)組
np.random.seed(100)
arr_rand = np.random.randint(0, 10, size=10)
print(arr_rand)
#> [8 8 3 7 7 0 4 2 5 2]
# 得到數(shù)組獨特的項和相應(yīng)的個數(shù)
uniqs, counts = np.unique(arr_rand, return_counts=True)
print("Unique items : ", uniqs)
print("Counts : ", counts)
#> Unique items : [0 2 3 4 5 7 8]
#> Counts : [1 2 1 1 1 2 2]
本文比較全面的介紹了numpy的基本用法，希望對numpy還不熟悉的同學(xué)有所幫助。
交流群
歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~