NumPy是一个用于科学计算和数据分析的Python库，也是机器学习的支柱。可以说NumPy奠定了Python在机器学习中的地位。NumPy提供了一个强大的多维数组对象，以及广泛的数学函数，可以对大型数据集进行有效的操作。这里的“大”是指数百万行。
Numpy快速而高效的原因是底层的C代码，这比使用Python进行数组的操作要快上几百倍，并且随着数据量级的上升而上升。
本文中整理了一些可以解决常见问题的主要的NumPy函数。
1、创建数组
numpy.array:创建新的NumPy数组
# Create an array using np.array()
arr = np.array([1, 2, 3, 4, 5])
print(arr)
Ouput: [1 2 3 4 5]
numpy.zeros:创建一个以零填充的数组。
# Create a 2-dimensional array of zeros
arr = np.zeros((3, 4))
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
类似的还有numpy.ones:创建一个都是1的数组 / numpy.empty:在不初始化数组元素的情况下创建数组。
使用numpy.random:生成随机数组的函数。
# Generate a random integer between 0 and 9
rand_int = np.random.randint(10)
print(rand_int)
numpy.linspace:在指定范围内生成均匀间隔的数字。
# Generate an array of 5 values from 0 to 10 (inclusive)
arr = np.linspace(0, 10, 5)
# Print the array
print(arr)
[ 0. 2.5 5. 7.5 10. ]
numpy.range:用间隔的值创建数组。
# Generate an array from 0 to 10 (exclusive) with step size 1
arr = np.arange(0, 10, 2)
# Print the array
print(arr)
[1 3 5 7 9]
2、查看数组信息
numpy.shape:返回一个表示数组形状的元组。
numpy.ndim:返回数组的维度数。
numpy.dtype:获取数组中元素的数据类型。可以是int型，float型，bool型等等。
3、数组操作函数
numpy.reshape:改变数组的形状。
# Create a 1-dimensional array
arr = np.array([1, 2, 3, 4, 5, 6])
# Reshape the array to a 2x3 matrix
reshaped_arr = np.reshape(arr, (2, 3))
[[1 2 3]
[4 5 6]]
numpy.transpose:用于排列数组的维度。它返回一个轴调换后的新数组。
# Create a 2-dimensional array
arr = np.array([[1, 2, 3],
[4, 5, 6]])
# Transpose the array
transposed_arr = np.transpose(arr)
[[1 4]
[2 5]
[3 6]]
numpy.concatate:沿现有轴连接数组。
# Create two 1-dimensional arrays
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Concatenate the arrays along axis 0 (default)
concatenated_arr = np.concatenate((arr1, arr2))
[1 2 3 4 5 6]
numpy.split:分割数据，numpy.resize:改变数组的形状和大小。
numpy.vstack:将多个数组垂直堆叠以创建一个新数组。
# Create two 1-dimensional arrays
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Vertically stack the arrays
stacked_arr = np.vstack((arr1, arr2))
[[1 2 3]
[4 5 6]]
numpy.hstack:与vstack类似，但是是水平堆叠数组。
4、数学函数
numpy.sum:计算数组元素的和。
numpy.mean:计算数组的算术平均值。
numpy.max:返回数组中的最大值。
numpy.min:返回数组中的最小值。
numpy.abs:计算元素的绝对值。
numpy.exp:计算所有元素的指数。
numpy.subtract: 对两个数组的对应元素进行减法运算。
numpy.multiply: 对两个数组的对应元素进行乘法运算。
numpy.divide: 对两个数组的对应元素进行除法运算。
numpy.sin: 计算数组中每个元素的正弦值。
numpy.cos: 计算数组中每个元素的余弦值。
numpy.log: 计算数组中每个元素的自然对数（以e为底的对数）。
5、统计函数
numpy.std:计算数组的标准差。
# Create a 1-dimensional array
arr = np.array([1, 2, 3, 4, 5])
# Compute the standard deviation of the array
std = np.std(arr)
1.4142135623730951
numpy.var:计算数组的方差。
numpy.histogram:计算一组数据的直方图。
numpy.percentile:计算数组的第n个百分位数。它返回低于给定百分比的数据的值。
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# Calculate the 50th percentile (median) of the data
median = np.percentile(data, 50)
# Calculate the 25th and 75th percentiles (quartiles) of the data
q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
Median: 5.5
Q1: 3.25
Q3: 7.75
numpy.corcoef:计算两个数组之间的相关系数。numpy.mean: 计算数组元素的平均值。numpy.median: 计算数组元素的中位数。
numpy.random.rand:在区间[0,1]内从均匀分布生成随机数数组
# Generate a 1-dimensional array of random numbers
random_array = np.random.rand(5)
[0.35463311 0.67659889 0.5865293 0.77127035 0.13949178]
numpy.random.normal:从正态(高斯)分布生成随机数
# Generate a random number from a normal distribution
random_number = np.random.normal()
-0.6532785285205665
6、线性代数函数
numpy.dot:计算两个数组的点积。
# Create two arrays
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# Compute the dot product of the arrays
dot_product = np.dot(a, b)
32
numpy.linalg.inv:计算一个方阵的逆, numpy.linalg.eig:一个方阵的特征值和特征向量。numpy.linalg.solve:求解一个线性方程组。
7、排序函数
numpy.sort:沿指定轴返回数组的排序副本
# Create a 2D array
arr = np.array([[3, 1, 5], [2, 4, 6]])
# Sort the array along the second axis (columns)
sorted_arr = np.sort(arr, axis=1)
[[1 3 5]
[2 4 6]]
numpy.argsort:返回按升序对数组排序的索引
# Create an array
arr = np.array([3, 1, 5, 2, 4])
# Get the indices that would sort the array
sorted_indices = np.argsort(arr)
[1 3 0 4 2]
8、其他一些高级的函数
numpy.unique:在数组中查找唯一的元素。
arr = np.array([2, 1, 3, 2, 1, 4, 5, 4])
# Get the unique elements of the array
unique_values = np.unique(arr)
[1 2 3 4 5]
numpy.fft:傅里叶变换的函数。
numpy.ma:供对掩码数组的支持。
- numpy.ma.array:从现有的数组或序列创建一个掩码数组。
- numpy.ma.masked_array:从现有数组和掩码中创建一个掩码数组。
- numpy.ma.mask:表示掩码数组中的掩码值。
- numpy.ma.masked_invalid:屏蔽数组中无效的(NaN, Inf)元素。
- numpy.ma.masked_greate, numpy.ma.masked_less:掩码大于或小于给定值的元素。
arr = np.array([1, 2, 3, np.nan, 5])
# Create a masked array by masking the invalid values
masked_arr = ma.masked_invalid(arr)
[1 2 3 5]
numpy.apply_along_axis:沿着数组的特定轴应用函数。
numpy.wheres:一个条件函数，根据给定条件返回数组中满足条件的元素的索引或值。
condition = np.array([True, False, True, False])
# Create two arrays
array_true = np.array([1, 2, 3, 4])
array_false = np.array([5, 6, 7, 8])
result = np.where(condition, array_true, array_false)
[1 6 3 8]
以上就是Numpy最经常被使用的函数，希望对你有所帮助。
作者：alimejor