NumPy陣列(2、陣列的運算)
#基本運算
陣列的算術運算是依照元素逐個運算。數組運算後將建立包含運算結果的新數組。
>>> a= np.array([20,30,40,50]) >>> b= np.arange( 4) >>> b array([0, 1, 2, 3]) >>> c= a-b >>> c array([20, 29, 38, 47]) >>> b**2 array([0, 1, 4, 9]) >>> 10*np.sin(a) array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854]) >>> a<35 array([True, True, False, False], dtype=bool)
與其他矩陣語言不同,NumPy中的乘法運算子*按元素逐一計算,矩陣乘法可以使用dot函數或建立矩陣物件實現(後續章節會介紹)
>>> A= np.array([[1,1], ...[0,1]]) >>> B= np.array([[2,0], ...[3,4]]) >>> A*B # 逐个元素相乘 array([[2, 0], [0, 4]]) >>> np.dot(A,B) # 矩阵相乘 array([[5, 4], [3, 4]])
有些運算子如+=和*=用來變更已存在陣列而不建立一個新的陣列。
>>> a= np.ones((2,3), dtype=int) >>> b= np.random.random((2,3)) >>> a*= 3 >>> a array([[3, 3, 3], [3, 3, 3]]) >>> b+= a >>> b array([[ 3.69092703, 3.8324276, 3.0114541], [ 3.18679111, 3.3039349, 3.37600289]]) >>> a+= b # b转换为整数类型 >>> a array([[6, 6, 6], [6, 6, 6]])
當陣列中儲存的是不同類型的元素時,陣列將使用佔用更多位元(bit)的資料類型作為其本身的資料類型,也就是偏向更精確的資料型態(這種行為叫做upcast)。
>>> a= np.ones(3, dtype=np.int32) >>> b= np.linspace(0,np.pi,3) >>> b.dtype.name 'float64' >>> c= a+b >>> c array([ 1., 2.57079633, 4.14159265]) >>> c.dtype.name 'float64' >>> d= exp(c*1j) >>> d array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j, -0.54030231-0.84147098j]) >>> d.dtype.name 'complex128'
許多非數組運算,如計算數組所有元素之和,都作為ndarray類的方法來實現,使用時需要用ndarray類的實例來調用這些方法。
>>> a= np.random.random((2,3)) >>> a array([[ 0.65806048, 0.58216761, 0.59986935], [ 0.6004008, 0.41965453, 0.71487337]]) >>> a.sum() 3.5750261436902333 >>> a.min() 0.41965453489104032 >>> a.max() 0.71487337095581649
這些運算將陣列視為一維線性清單。但可透過指定axis參數(即陣列的行)對指定的軸做對應的運算:
#>>> b= np.arange(12).reshape(3,4) >>> b array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> b.sum(axis=0) # 计算每一列的和,注意理解轴的含义,参考数组的第一篇文章 array([12, 15, 18, 21]) >>> b.min(axis=1) # 获取每一行的最小值 array([0, 4, 8]) >>> b.cumsum(axis=1) # 计算每一行的累积和 array([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])
索引,切片和迭代
和列表和其它Python序列一樣,一維數組可以進行索引、切片和迭代操作。
>>> a= np.arange(10)**3 #记住,操作符是对数组中逐元素处理的! >>> a array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2] 8 >>> a[2:5] array([ 8, 27, 64]) >>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000,从开始到第6个位置,每隔一个元素将其赋值为-1000 >>> a array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729]) >>> a[: :-1] # 反转a array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000]) >>>for i in a: ... print i**(1/3.), ... nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
多維數組可以每個軸有一個索引。這些索引由一個逗號分割的元組給出。
>>>def f(x,y): ... return 10*x+y ... >>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数,下篇文章介绍。 >>> b array([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]]) >>> b[2,3] 23 >>> b[0:5, 1] # 每行的第二个元素 array([ 1, 11, 21, 31, 41]) >>> b[: ,1] # 与前面的效果相同 array([ 1, 11, 21, 31, 41]) >>> b[1:3,: ] # 每列的第二和第三个元素 array([[10, 11, 12, 13], [20, 21, 22, 23]])
當少於提供的索引數目少於軸數時,已給出的數值會以秩的順序複製,而確失的索引則預設為是整個切片:
>>> b[-1] # 最后一行,等同于b[-1,:],-1是第一个轴,而缺失的认为是:,相当于整个切片。 array([40, 41, 42, 43])
b[i]中括號中的表達式被當作i和一系列:,來代表剩下的軸。 NumPy也允許你使用「點」像b[i,...]。
點(…)代表許多產生一個完整的索引元組必要的分號。如果x是秩為5的數組(即它有5個軸),那麼:
x[1,2,…] 等同於x[1,2,:,: ,:],
x[…,3] 等同於x[:,:,:,:,3]
x[ 4,…,5,:] 等同x[4,:,:,5,:]
>>> c= array( [ [[ 0, 1, 2], #三维数组(两个2维数组叠加而成) ...[ 10, 12, 13]], ... ...[[100,101,102], ...[110,112,113]]] ) >>> c.shape (2, 2, 3) >>> c[1,...] #等同于c[1,:,:]或c[1] array([[100, 101, 102], [110, 112, 113]]) >>> c[...,2] #等同于c[:,:,2] array([[ 2, 13], [102, 113]])
多維數組的遍歷是以是第一個軸為基礎的:
>>>for row in b: ... print row ... [0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]
如果想對數組中每個元素都進行處理,可以使用flat屬性,該屬性是一個陣列元素迭代器:
>>>for element in b.flat: ... print element, ... 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
#造型(shape)操作
更改數組的形狀
陣列的形狀取決於其每個軸上的元素數量:
>>> a= np.floor(10*np.random.random((3,4))) >>> a array([[ 7., 5., 9., 3.], [ 7., 2., 7., 8.], [ 6., 8., 3., 2.]]) >>> a.shape (3, 4)
可以用多種方式修改陣列的形狀:
>>> a.ravel() # 平坦化数组 array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.]) >>> a.shape= (6, 2) >>> a.transpose() array([[ 7., 9., 7., 7., 6., 3.], [ 5., 3., 2., 8., 8., 2.]])
由ravel()展平的陣列元素的順序通常是「C風格」的,就是以行為基準,最右邊的索引變化得最快,所以元素a[0,0]之後是a[0,1]。如果陣列改變成其它形狀(reshape),則陣列仍然是「C風格」的。 NumPy通常會建立一個以這個順序保存資料的數組,所以ravel()通常不需要建立起調用數組的副本。但如果數組是透過切片其它數組或有不同尋常的選項時,就可能需要建立其副本。還可以同過一些可選參數函數讓reshape()和ravel()建構FORTRAN風格的數組,也就是最左邊的索引變化最快。
reshape函數會改變呼叫數組的形狀並傳回該數組,而resize函數改變呼叫數組本身。
>>> a array([[ 7., 5.], [ 9., 3.], [ 7., 2.], [ 7., 8.], [ 6., 8.], [ 3., 2.]]) >>> a.resize((2,6)) >>> a array([[ 7., 5., 9., 3., 7., 2.], [ 7., 8., 6., 8., 3., 2.]])
如果在reshape操作中指定一個維度為-1,那麼其準確維度將根據實際情況計算得到
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持PHP中文網。
更多深入理解NumPy簡明教學---陣列2相關文章請關注PHP中文網!