前言

每日金句分享：选择你所喜欢的，爱你所选择的。』—— 托尔斯泰「托尔斯泰。

一、NumPy介绍

NumPy( Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

NumPy主要用于数组计算，包含
一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能

1.1 导入NumPy库

导入 NumPy 库是我们的第一步准备工作。在此，还一并导入了以后会用到的 Pandas 库、 MatplotLib 库的 pyplot 模块。

# 导入数据分析 ‘三剑客’ import numpy as np import pandas as pd from matplotlib import pyplot as plt 

1.2 查看NumPy版本

# 注意左右都是双下划线 ~ ~ np.__version__ 

1.3 读取图片返回NumPy数组

通过 pyplot 读取到的图片，返回的就是一个 NumPy 数组。

这是我事先准备好的一张图片 —— tangsan.jpg：

接下来通过 plt 对象读取：

n = plt.imread('pic\\tangsan.jpg') n 

输出过多，这里只展示首尾：

查看数组形状：

n.shape 

再次显示图片：

plt.imshow(n) 

二、创建NumPy数组的十二种方式

2.1 array 和 full

array 函数用法：numpy.array(object, dtype=None)，object 可以为单个值、组、列表、多维可迭代对象等可迭代对象，作用是创建数组。

list_one = [1,2,3,4] # 列表创建 n1 = np.array(list_one) tuple_one = (1,3,2) # 组创建 n2 = np.array(tuple_one,dtype=np.int16) display(n1,n2) 

下面是运行结果：

full 函数用法：numpy.full(shape, fill_value, dtype=None)，shape 是数组形状（可以理解为几维几列，一般以组形式给出），fill_value 是填充的值，dtype 是类型，作用是创建一个值全为同一个的数组。

# 创建一个二维三列的数组 n2 = np.full(shape=(2,3),fill_value=1,dtype=np.int16) n2 

2.2 zeros 和 ones

zeros 函数用法：zeros(shape, dtype=float, order=‘C’)，返回一个给定形状和类型的用0填充的数组。

n3 = np.zeros((3,3)) n3 

ones 函数用法：np.ones(shape, dtype=None, order=‘C’)，返回一个指定形状和类型的用1填充的数组。

n4 = np.ones((3,2),dtype=np.float) n4 

2.3 随机数数组

randint 函数用法：randint(low, high=None, size=None, dtype=‘l’)，low 为随机数最小值，high 为最大值（取不到），size 在这里等价于 shape ，返回一个指定维度且素位于 low~high 之间的随机数组。

n5 = np.random.randint(1,10,(3,4)) n5 

random 函数用法：random(size)，size 等价于 shape ，为行列数，返回一个0~1之间指定形状的数组。

n6 = np.random.random((4,2)) n6 

rand 函数用法：rand(d0, d1, …, dn)，d0，d1，dn 分别表示1~n个维度的维数，返回一个0-1之间指定维度的数组，区别于 random 的是，这个函数传参不能传入带 （）的组。

n7 = np.random.rand(3,3) n7 

2.4 服从正态分布的数组

randn() 函数用法：randn(d0, d1, …, dn)，创建一个服从标准正态分布（X ~ N（0，1））的多维数组。也就是说，产生的数据大部分生成在0左右。

n8 = np.random.randn(2,3) n8 

normal()函数用法：normal(loc=0.0, scale=1.0, size=None)，loc 表示均值，scale 表示标准差，size等价于 shape ，创建一个服从正态分布的多维数组。

n9 = np.random.normal(1,2,(2,3)) n9 

2.5 arrange 和 eye、linspace

eye()函数用法：np.eye(N, M=None, k=0, dtype=<class ‘float’>, order=‘C’)，N 是行数，M 是列数，K 是偏移量，创建一个单位矩阵数组。

n10 = np.eye(5,5) n10 

linspace()函数用法：np.linspace(start,stop,num)，创建一个包含 num 个数的等差数列，公差 d 等于多少由系统计算。

n11 = np.linspace(1,20,3) n11 

arrange()函数用法：arange([start,] stop[, step,], dtype=None)，start 为起始数，stop 为结束数，创建一个连续的一维数组。

n12 = np.arange(1,10,dtype=np.int16) n12 

三、ndarray属性

维度：ndim ，直接返回维度数
形状：shape，数字有几个就表示几维数组
总长度：size，返回总数据量
素类型：dtype

n1 = np.random.randint(1,10,(3,5)) display(n1) print("维度：%d，形状：%s，总长度：%s，素类型：%s"%(n1.ndim,n1.shape,n1.size,n1.dtype)) 

四、ndarray基本操作

4.1 索引

在 ndarray 数组中，索引的使用有两种等价方式，即 n [M，N] = n [M][N]，M表示第一个维度，N表示第二个维度，若不止二维，以此类推，n[M，N，P，……]。

n1 = np.random.randint(1,10,(3,5)) print(n1) print("n1[2,3]=%s,n1[2][3]=%s"%(n1[2,3],n1[2][3])) 

4.2 切片

切片包括行、列切片，可以实现取连续或不连续的行或列，也可以复制、翻转数组，如果是：, 的写法，表示第一个维度全取，并且，切片操作都是左闭右开。

一维数组

• <1> 一个参数：a[i]，返回一个数
• <2> 两个参数：a[start:stop]，对数组进行切片
• <3>三个参数：a[start,stop,step]，对数组进行切片，step 为步长，当 step = -1 时表示翻转。

二维数组

• <1> 取素：a[i，j]，返回第 i 行的第 j 个数
• <2> 切片：a[xi:xj，yi:yj]，返回第 xi ~ xj 行的第 yi ~ yj 列，两个维度都是左闭右开。
• <3> 切片特殊情况：左边从0开始可以省略，右边到结尾可以省略，即 X[:e0,s1:e1] ，表示第1维从第1行开始到第 e0 行；X[s0:,s1:e1]，表示从第 s0 行到最后一行。

常用的切片操作如下所示（以二维数组为例，n1 数组就是4.1索引中创建的），具体运行结果，这里不再展示。

print(n1[1:]) # 行切片,取第二行到最后一行 print(n1[:,2:]) # 列切片,取第三列到最后一列 print(n1[:]) # 复制数组 print(n1[[0,2]]) # 取不连续的行，用两个括号 print(n1[:,[0,2]])# 取不连续的列 print(n1[::-1]) # 行翻转 print(n1[:,::-1]) # 列翻转 print(n1[::-1,::-1]) # 行列都翻转 

如果对某些切片操作有疑问，欢迎大家联系我，文末附联系方式，我看到后一定会第一时间为大家解答的。

五、实例 - 图片翻转

我们依旧采用 1.3 中的 tangsan.jpg 图片，通过对 ndarray 数据切片实现图片翻转效果，这里只展示上下翻转的效果，大家也可以换图片尝试。

# 读取图片 nd = plt.imread('pic/tangsan.jpg') # 显示原图 plt.imshow(nd) 

# 上下翻转，通过改变 nd 数组，将纵轴翻转,也就是横轴逆序实现 plt.imshow(nd[::-1]) 

plt.imshow(nd[:,::-1]) # 左右翻转 

六、变形

通过 reshape 函数，我们可以改变数组的形状，或者说维度，注意改变后需要重新赋值给数组。

首先创建好如下的数组：

n1 = np.array([ [3,5], [4,2], [2,3] ]) n1 

然后改变形状：

n1.reshape((6,1)) 

让行或列自适应，通过维数写 - 1 实现：

n1.reshape((2,-1)) # 行数为2，列数自适应 

n1.reshape(-1,2) # 列数为2，行数自适应 

七、合并与拆分

7.1 合并

concatenate 函数用法：concatenate((a1, a2, …), axis=0, out=None)，a1，a2 表示数组，axis 表示轴，值为0表示横向合并，值为1表示纵向合并。

n1 = n1.reshape((2,3)) n2 = np.random.randint(0,10,(2,3)) display(n1,n2) n3 = np.concatenate((n1,n2),axis=0) # 行合并 n4 = np.concatenate((n1,n2),axis=1) # 列合并 display(n3,n4) 

此外，还可以使用 hstack 函数和 vstack 函数单独实现水平合并和垂直合并。相比，concatenate 函数会更方便些。

n2 = np.random.randint(0,10,(2,3)) n1 = np.random.randint(0,10,(2,3)) display(n1,n2) n3 = np.hstack((n1,n2)) # 水平合并 n4 = np.vstack((n1,n2)) # 垂直合并 display(n3,n4) 

7.2 拆分

split 函数用法：np.split(ary, indices_or_sections, axis=0)，ary：要切分的数组，indices_or_sections：填入一个整数或者一个可迭代对象，如果是整数，就切分为整数个子数组；如果是可迭代对象，就在该索引位置切分。

将数组进行拆分为多个数组，通过 axis （轴），可以控制水平或垂直拆分，具体请看下面的示例。

n3 = n3.reshape((6,2)) display(n3) # 1.查看 n3 数组 n5 = np.split(n3,2,axis=0) # 横向切分，均分为2部分 n6 = np.split(n3,1,axis=1) # 纵向切分，均分为1部分 print(n5) print(n6) n7 = np.split(n3,[1,3],axis=0) # 在索引为 0 和 3 处切分，切分为3部分 print(n7) 

运行结果：

和合并一样，也有单独进行水平拆分和垂直拆分的方法，分别是：hsplit 和 vsplit ，函数用法参数都是 np.hsplit(ary, indices_or_sections) ，具体用法这里不再展示。

八、数组拷贝

使用 copy 函数创建一个数组的副本。

n4 = np.copy(n3) # 数组拷贝 

结语

本期跟大家分享的 “芝士” 就到此结束了，关于 NumPy 的基本操作，你学会了吗？

如果文中有些地方不清楚的话，欢迎联系我，我会给大家提供思路及解答。

相关导读

文章直达	链接
上期回顾	【数据分析 - 基础入门之NumPy③】- 日常难疑解决
下期预告	【数据分析 - 基础入门之NumPy⑤】- NumPy基本操作 - 二

今天的文章 【NumPy系列】基本操作 - 一分享到此就结束了，感谢您的阅读。