【下载文档:  Python中的Numpy入门教程.txt 】

---

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：复制代码 代码如下:>>> import numpy as np>>> print np.version.version1.6.2
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：复制代码 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：复制代码 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：复制代码 代码如下:>>> print np.array((1.2,2,3,4), dtype=np.int32)[1 2 3 4]使用numpy.arange方法复制代码 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：复制代码 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：复制代码 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：复制代码 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：复制代码 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：复制代码 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操作元素复制代码 代码如下:>>> for x in np.linspace(1,3,3):... print x...1.02.03.0
基本的数组运算
先构造数组a、b：复制代码 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：复制代码 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：复制代码 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：复制代码 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：复制代码 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：复制代码 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：复制代码 代码如下:>>> a = np.ones((2,2))>>> b = a>>> b is aTrue>>> c = a.copy() #深拷贝>>> c is aFalse
基本的矩阵运算
转置：复制代码 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：复制代码 代码如下:>>> print np.trace(a)4numpy.linalg模块中有很多关于矩阵运算的方法：复制代码 代码如下:>>> import numpy.linalg as nplg
特征值、特征向量：复制代码 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。