标签：python Numpy day1 print 数组 np array numpy cvpytorch
The Basics部分
英文官方教程链接
https://numpy.org/doc/stable/user/quickstart.html
numpy的主要对象是同构多维数组，我理解的同构就是元素类型相同。numpy中的维度叫做axe，百度译为斧头，不过应该叫轴(可能我没查准确)。
#以下都是再pycharm终端的显示，因为我基本不使用python的IDLE，
#我安装python只是因为pycharm要配置项目编辑器，也就是环境。
[1 2 3] #1维，我平常也是用维来称它，不习惯用轴，
#不过轴的称法也很形象，至少有助于理解小于3维的numpy数组
[[1 2 3]
[1 2 3]] #2维，每一维有3个元素我觉得比较直观的看numpy数组的维数可以看最开始有几个“[”。
numpy里的数组和python中的列表很像，但是区别还是挺大的。numpy现在多用于科学计算和人工智能。它的数组叫做ndarray(不过我平常用的是numpy.array)，有如下属性：ndim，shape，size，dtype，itemsize，data(这些再python的list里面没有)。标红的是我觉得比较常用的。
import numpy as np
a = np.arange(6).reshape(2,3)
#arange用法和python中的range一样
#reshape叫做重塑，第1维里有两个元素[···]和[···]，第2维有3个例如[0 1 2]
print(a)
#[[0 1 2]
# [3 4 5]]
print(a.shape)
#(2,3),返回的是一个元组
#shape可以形象地解释为形状，就是逐个看每个“[]”里有几个元素
print(a.ndim)
#2
#ndim就是一共有几维
print(a.dtype)
#int32
#数据的类型，再创建数组时候可以指定，例如np.array([1,2,3],dtype=float)
#例子的结果是[1. 2. 3.],numpy中小鼠后的0一般省略不显示
print(a.itemsize)
#4
#因为int32数据类型占有字节数为4，上面例子float类型数据类型字节数就是8
print(a.size)
#6
#尺寸，可以狭隘地理解为去除层层包装后有多少个元素用np.array创建数组时，括号里面得是python的列表或元组，不能是简单的数字凭借，原因就是它是一个函数，参数不是简单的数字。
import numpy as np
b = np.array((1,2,3),dtype=float)
#这次我用的就是元组
#像这样就会报错:b = np.array(1, 2, 3, 4)
c = np.array([(1,2,3),(4,5,6)])
print(c)
#[[1 2 3]
# [4 5 6]]和python一样，numpy的数据类型也有复数形式。
import numpy as np
c = np.array([[1, 2], [3, 4]], dtype=complex)
print(c)
#[[1.+0.j, 2.+0.j]
# [3.+0.j, 4.+0.j]] 虚部有j就是复数一些常用的数组，一般用在不知道数据的情况下，后续只要用运算操作将值改变即可。可以简单理解为定义一个初始化数组。
import numpy as np
a = np.zeros((2,3))
print(a)
#[[0. 0. 0.]
# [0. 0. 0.]] 个人认为这个创建全0数组最常用，默认为float型
b = np.ones((2,3))
print(b)
#[[1. 1. 1.]
# [1. 1. 1.]]
c = np.empty((2,3))
print(c)
#[[1. 1. 1.]
# [1. 1. 1.]] 如果紧接着和前面的结构一样容易受影响，不是我们要的结果
#具体原因我也不是很清楚
d = np.empty((2,2))
print(d)
#[[1.97109087e-268 1.19574338e-311]
# [3.63820323e-249 1.19574338e-311]]
#这才是我们想要的，它的作用是随机生成近乎0的数，采用科学计数法
#我觉得这个可以用作神经网络里的偏差bias最值得一体的就是它的运算操作了，其中最特殊的就是广播机制，他会根据大的数据类型来调整小的。运算太多，列不过来了，有兴趣的或是需要的后辈、同辈、前辈可以自己到官网查询
import numpy as np
a = np.array([2,3,4])
b = np.array([2])
print(a+b)
#[4 5 6]
#所谓广播就是元素扩充，扩成大的数组的形状。
print(a/b)
#[1. 1.5 2.] 除法是浮点数运算
print(b-a)
#[0 -1 -2]
#但是b = np.array([2,2])就会报错，因为他不会广播了，
#我想可以这样理解，广播就是将数据横向或纵向复制连接
#第二种情况无论往哪个方向都无法得到大的数组a的形状，所以报错
c = np.array([2,2,2])
print(a*c)
#[4 6 8] 对应相乘
print(a@c)
print(a.dot(c))
#18 都是矩阵乘法
print(a.T)
#[2 3 4] 转置，虽然这个原样显示了，但其实已经转置过了，用高维数组就可以看出来了
print(a.sum)
#9 .max .min .sum和python中列表操作很像，我就不展示了
d = np.array([[1,2,3],[2,3,4]])
print(d.sum(axis=0))
#[3 5 7] 按照第0维相加
#维度是从0开始的
print(d.sum(axis=1))
#[6 9] 按照第1维相加
print(np.exp(b))
#[7.3890561] 数学中e的2次方
print(np.sqrt(b))
#[1.41421356] 数学中2的平方根和python的列表一样，numpy数组也有切片操作，切片操作可以参考python官方教程，不过它针对每一维。
import numpy as np
a = np.array([[1,2,3],[2,3,4],[3,4,5]])
print(a[:,0:2])
#[[1 2]
# [2 3]
# [3 4]]
#第一维取所有，第二维取0到1
展平数组操作。类似于深度学习里面的x.flatten()，x是张量。这个挺有用的。
import numpy as np
a = np.array([[1,2,3],[2,3,4]])
print(a.ravel())
#[1 2 3 2 3 4] 展平重构，一定要保证重构得起来。直观点说就是，shape元组里面的数乘起来和原来不变。这里可不存在什么广播，因为它不知道怎么给你添元素，最主要的是不一定复制连接后就可以保证元素不多不少。以下对reshape的运作方式有些疑问，敬请各位指导。另外，要注意reshape和resize的区别，前者相当于先复制一份再重构并返回，原来的对象不变；后者是对操作对象本身的重构，即本身以改变了。这在深度学习里要注意。
import numpy as np
a = np.array([[1,2,3],[2,3,4]])
print(a.shape)
#(2,3)
b = a.reshape(3,2) #返回a的重构，不改变a
print(a.resize(3,2)) #对a本身的重构，a已变
print(b.shape)
#(3,2)
print(b)
#[[1 2]
# [3 2]
# [3 4]]
#怎么变得我现在也不是太明白，不过可以看出，他是按照0维3个元素，1维2个元素
#然后依次抽取元素填空要想将不同的数组像字符串一样拼在一起怎么办呢？(下面的方法不增加维度，增加维度的有点难，不见得一定用得到，所以我就不例举了，可以参见官网)
import numpy as np
a = np.array([[1,2],[1,2]])
b = np.array([[3,2],[3,6]])
print(np.vstack((a,b)))
#[[1 2]
# [1 2]
# [3 2]
# [3 6]] 垂直堆砌，vstack里的v代表垂直，stack堆砌
print(np.hstack((a,b)))
#[[1 2 3 2]
# [1 2 3 6]]，水平堆砌，h水平
#更高维的我就不试了，太复杂，我有点理解不了深度拷贝
import numpy as np
a = np.array([[1,2,3],[2,3,4]])
b = a.copy()
print(b is a)
#False 虽然进行拷贝，但已经不是同一个了，复制的就是复制的，绝不是本体
#这样，对b的resize这种改变本身的操作就不会影响到a了标签：python,Numpy,day1,print,数组,np,array,numpy,cvpytorch 来源： https://blog.csdn.net/m0_59540543/article/details/122264871
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。