Python中的Numpy入门教程

　　1、Numpy是什么

　　很简单，Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。如果接触过matlab、scilab，那么numpy很好入手。 在以下的代码示例中，总是先导入了numpy：

　　代码如下:

　　>>> import numpy as np

　　>>> print np.version.version

　　1.6.2

　　2、多维数组

　　多维数组的类型是：numpy.ndarray。

　　使用numpy.array方法

　　以list或tuple变量为参数产生一维数组：

　　代码如下:>>> print np.array([1,2,3,4])

　　[1 2 3 4]

　　>>> print np.array((1.2,2,3,4))

　　[ 1.2 2. 3. 4. ]

　　>>> print type(np.array((1.2,2,3,4)))

　　

　　以list或tuple变量为元素产生二维数组：

　　代码如下:

　　>>> print np.array([[1,2],[3,4]])

　　[[1 2]

　　[3 4]]

　　生成数组的时候，可以指定数据类型，例如numpy.int32, numpy.int16, and numpy.float64等：

　　代码如下:

　　>>> print np.array((1.2,2,3,4), dtype=np.int32)

　　[1 2 3 4]

　　使用numpy.arange方法

　　代码如下:

　　>>> print np.arange(15)

　　[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]

　　>>> print type(np.arange(15))

　　

　　>>> print np.arange(15).reshape(3,5)

　　[[ 0 1 2 3 4]

　　[ 5 6 7 8 9]

　　[10 11 12 13 14]]

　　>>> print type(np.arange(15).reshape(3,5))

　　

　　使用numpy.linspace方法

　　例如，在从1到3中产生9个数：

　　代码如下:

　　>>> print np.linspace(1,3,9)

　　[ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]

　　使用numpy.zeros，numpy.ones，numpy.eye等方法可以构造特定的矩阵

　　例如：

　　代码如下:

　　>>> print np.zeros((3,4))

　　[[ 0. 0. 0. 0.]

　　[ 0. 0. 0. 0.]

　　[ 0. 0. 0. 0.]]

　　>>> print np.ones((3,4))

　　[[ 1. 1. 1. 1.]

　　[ 1. 1. 1. 1.]

　　[ 1. 1. 1. 1.]]

　　>>> print np.eye(3)

　　[[ 1. 0. 0.]

　　[ 0. 1. 0.]

　　[ 0. 0. 1.]]

　　创建一个三维数组：

　　代码如下:

　　>>> print np.zeros((2,2,2))

　　[[[ 0. 0.]

　　[ 0. 0.]]

　　[[ 0. 0.]

　　[ 0. 0.]]]

　　获取数组的属性：

　　代码如下:

　　>>> a = np.zeros((2,2,2))

　　>>> print a.ndim #数组的维数

　　3

　　>>> print a.shape #数组每一维的大小

　　(2, 2, 2)

　　>>> print a.size #数组的元素数

　　8

　　>>> print a.dtype #元素类型

　　float64

　　>>> print a.itemsize #每个元素所占的字节数

　　8

　　数组索引，切片，赋值

　　示例：

　　代码如下:

　　>>> a = np.array( [[2,3,4],[5,6,7]] )

　　>>> print a

　　[[2 3 4]

　　[5 6 7]]

　　>>> print a[1,2]

　　7

　　>>> print a[1,:]

　　[5 6 7]

　　>>> print a[1,1:2]

　　[6]

　　>>> a[1,:] = [8,9,10]

　　>>> print a

　　[[ 2 3 4]

　　[ 8 9 10]]

　　使用for操作元素

　　代码如下:

　　>>> for x in np.linspace(1,3,3):

　　... print x

　　...

　　1.0

　　2.0

　　3.0

　　基本的数组运算

　　先构造数组a、b：

　　代码如下:

　　>>> a = np.ones((2,2))

　　>>> b = np.eye(2)

　　>>> print a

　　[[ 1. 1.]

　　[ 1. 1.]]

　　>>> print b

　　[[ 1. 0.]

　　[ 0. 1.]]

　　数组的加减乘除：

　　代码如下:

　　>>> print a > 2

　　[[False False]

　　[False False]]

　　>>> print a+b

　　[[ 2. 1.]

　　[ 1. 2.]]

　　>>> print a-b

　　[[ 0. 1.]

　　[ 1. 0.]]

　　>>> print b*2

　　[[ 2. 0.]

　　[ 0. 2.]]

　　>>> print (a*2)*(b*2)

　　[[ 4. 0.]

　　[ 0. 4.]]

　　>>> print b/(a*2)

　　[[ 0.5 0. ]

　　[ 0. 0.5]]

　　>>> print (a*2)**4

　　[[ 16. 16.]

　　[ 16. 16.]]

　　使用数组对象自带的方法：

　　代码如下:

　　>>> a.sum()

　　4.0

　　>>> a.sum(axis=0) #计算每一列(二维数组中类似于矩阵的列)的和

　　array([ 2., 2.])

　　>>> a.min()

　　1.0

　　>>> a.max()

　　1.0

　　使用numpy下的方法：

　　代码如下:

　　>>> np.sin(a)

　　array([[ 0.84147098, 0.84147098],

　　[ 0.84147098, 0.84147098]])

　　>>> np.max(a)

　　1.0

　　>>> np.floor(a)

　　array([[ 1., 1.],

　　[ 1., 1.]])

　　>>> np.exp(a)

　　array([[ 2.71828183, 2.71828183],

　　[ 2.71828183, 2.71828183]])

　　>>> np.dot(a,a) ##矩阵乘法

　　array([[ 2., 2.],

　　[ 2., 2.]])

　　合并数组

　　使用numpy下的vstack和hstack函数：

　　代码如下:

　　>>> a = np.ones((2,2))

　　>>> b = np.eye(2)

　　>>> print np.vstack((a,b))

　　[[ 1. 1.]

　　[ 1. 1.]

　　[ 1. 0.]

　　[ 0. 1.]]

　　>>> print np.hstack((a,b))

　　[[ 1. 1. 1. 0.]

　　[ 1. 1. 0. 1.]]

　　看一下这两个函数有没有涉及到浅拷贝这种问题：

　　代码如下:

　　>>> c = np.hstack((a,b))

　　>>> print c

　　[[ 1. 1. 1. 0.]

　　[ 1. 1. 0. 1.]]

　　>>> a[1,1] = 5

　　>>> b[1,1] = 5

　　>>> print c

　　[[ 1. 1. 1. 0.]

　　[ 1. 1. 0. 1.]]

　　可以看到，a、b中元素的改变并未影响c。

　　深拷贝数组

　　数组对象自带了浅拷贝和深拷贝的方法，但是一般用深拷贝多一些：

　　代码如下:>>> a = np.ones((2,2))

　　>>> b = a

　　>>> b is a

　　True

　　>>> c = a.copy() #深拷贝

　　>>> c is a

　　False

　　基本的矩阵运算

　　转置：

　　代码如下:

　　>>> a = np.array([[1,0],[2,3]])

　　>>> print a

　　[[1 0]

　　[2 3]]

　　>>> print a.transpose()

　　[[1 2]

　　[0 3]]

　　迹：

　　代码如下:>>> print np.trace(a)

　　4

　　numpy.linalg模块中有很多关于矩阵运算的方法：

　　代码如下:

　　>>> import numpy.linalg as nplg

　　特征值、特征向量：

　　代码如下:

　　>>> print nplg.eig(a)

　　(array([ 3., 1.]), array([[ 0. , 0.70710678],

　　[ 1. , -0.70710678]]))

　　3、矩阵

　　numpy也可以构造矩阵对象，这里不做讨论。