python-Numpy库使用

开发技术 python

字数统计: 919阅读时长: 3 min

 2022/04/26 

学习一下Numpy库的使用，该库在机器学习领域有不小的用处，可以高效的进行向量、矩阵等之间的运算操作。最近在学习强化学习的部分，代码实现刚好有用到。

基础部分

安装

安装非常简单，使用pip命令就可以了：

pip install numpy

简单使用和基本概念

Numpy中主要的对象都是同构(homogeneous)的多维(multidimensional)数组，可以理解为一个如下的表格：

1
2
3

| 序号  | 年龄  |  成绩  |
|  1   |  18   |  100  |
|  2   |  20   |  98   |

除去表头外，可以看到数据都是同质的，即这里都是数字(通常为number)。上述的数据我们可以用一个多维列表表示：

1 2	[[1., 18., 100.], [2., 20., 98.]]

Numpy中通常将维度dimension称为axis(n. 轴，轴线)，如上面这个数据，他的轴(维度)就是2，及两个axes，其中每一个axis长度为3。像上面这种array在Numpy中就叫ndarray，这和python自带的那个array.array是不一样的，后者只是一维的。官网描述如下：

In NumPy dimensions are called axes.

即维度称作轴，最简单的理解方式就是，我们学过的一维坐标系、二维坐标系、三维坐标系，这里的维实际上就是轴，你问我什么轴？那就是x、y、z了。所以我们也可以说一维坐标系就只有一个轴，二维有两个轴。

下面我们用命令行创建一个ndarray的对象：

>>> demo = np.arange(15)
>>> type(demo)
<class 'numpy.ndarray'>
>>> demo
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

上面的arange函数用来生成指定范围内，指定step的均匀的数据。通该函数我们就得到了一个numpy.ndarray的对象，函数定义：

arange(...) arange([start,] stop[, step,], dtype=None, *, like=None)

Return evenly spaced values within a given interval.

我们使用reshap函数将他变为一个指定行和列的向量组：

>>> demo.reshape(3, 5)
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

reshape函数实现修改向量的维度，这样我们就将数据修改为了二维的了，他有两个轴，长度分别为3和5（不理解这两个数字可以往下看）。定义如下：

reshape(a, newshape, order='C') Gives a new shape to an array without changing its data.

对于一个ndarray对象，几个比较关键的属性如下：

# ndim 数组的维度数量，也叫做轴axis的数量
>>> demo.ndim **注意下这里**
2
# shape 数组的维度，等价于各个轴的长度，等价于秩的值
# 第一位代表轴0的长度，第二位代表轴1的长度，第三位代表轴3的长度
>>> demo.shape
(3, 5)
# size 包含元素总数
>>> demo.size
15
# itemsize 元素大小
>>> demo.itemsize
4
# dtype 数据类型，既可以为Python标准类型，也可以是numpy.int32、numpy.int16、numpy.float64
>>> demo.dtype
dtype('int32')
>>> demo.dtype.name
'int32'