Python科学计算包numpy用法

　　本文实例讲述了Python科学计算包NumPy用法。分享给大家供大家参考，具体如下：

　　1 数据结构

　　numpy使用一种称为ndarray的类似Matlab的矩阵式数据结构管理数据，比python的列表和标准库的array类更为强大，处理数据更为方便。

　　1.1 数组的生成

　　在numpy中，生成数组需要指定数据类型，默认是int32，即整数，可以通过dtype参数来指定，一般用到的有int32、bool、float32、uint32、complex，分别代表整数、布尔值、浮点型、无符号整数和复数

　　一般而言，生成数组的方法有这么几种：

　　以list列表为参数生成(用tolist方法即可转换回list)：

?

　　指定起点、终点和步长生成等差序列或等比数列：

?

?

?

　　从迭代器中生成：

?

　　从函数中生成：

?

　　还可以用zeros、ones、empty等函数快速创建数组。

　　矩阵视为二维数组：

?

　　根据相同的方法可以拓展到更高维。

　　另外，我们还可以生成自定义数据格式的数组(称为结构数组)，用来记录电子表格或数据库中一行数据的信息：

?

　　后面我们会看到pandas提供了一种更精致的方法处理记录。

　　1.2 数组的索引

　　简单的下标索引：

?

　　与python一样，索引的起点为0。负数的索引当然也是可以的：

?

　　以整数数组为下标索引，一次性索引多个值：

?

　　还可以通过布尔值来索引：

?

　　这可以应用在高级索引中，比如条件索引：

?

　　得到b中所有大于3的元素，以array形式返回，我们能这么写的原因是b>3会返回一个布尔数组，形式与b一致，各位置的值是b中各元素与3比较之后的结果：

?

　　1.3 数组的切片

　　ndarray数组支持各种形式的切片，既可以以下标为线索，还可以以值为线索，为了区分二者，重新生成一个数组：

?

　　根据下标切片：

?

　　方括号中三个参数为别是起点、终点和步长，默认值分别是0、-1、1，注意终点是不被包含的。可以简单地令步长为-1来翻转数组：

?

　　ndarray也支持多维数组的切片，先生成一个三维数组，可以通过修改一维数组的shape属性或调用其reshape方法来生成：

?

　　多维数组的索引其实跟一维区别不大，可以用:代表选取所有：

?

　　多个冒号还可以用...来代替：

?

　　最后，可以使用slice对象来表示切片，它与用1:10:2形式产生切片类似：

?

　　相当于a[::2, ::2, ::2]1.4 数组的变换

　　可以将上述三维数组展平：

?

　　转置：

?

　　修改shape属性来改变维度：

?

　　1.5 数组的组合

　　首先创建一个与a同大小的数组：

?

　　可以进行多种方式组合，如水平组合：

?

　　垂直组合：

?

　　用concatenate函数可以同时实现这两种方式，通过指定axis参数，默认为0，使用垂直组合。

　　还可以进行深度组合：

?

　　就好像将两张二维平面的点数据沿纵轴方向叠在一起一样。

　　1.6 数组的分割

　　水平分割：

?

　　垂直分割：

?

　　用split函数可以同时实现这两个效果，通过设置其axis参数区别。

　　类似地，可以通过函数dsplit进行深度分割。

　　另外可以使用ndarray的一些属性来查看数组的信息：

?

　　另外多维数组的flat属性可以给出一个”扁平迭代器“——flatiter对象，使我们能像一维数组一样迭代高维数组：

?

　　flatiter对象可以直接获取多个元素，并直接赋值修改：

?

　　1.7 矩阵的生成

　　上面提到了可以用二维数组来模拟矩阵，其实，numpy专门提供了一种用于处理矩阵的数据结构——matrix，它通过mat函数构造生成：

?

　　二维数组与矩阵可以很方便地相互转换：

?

　　用matrix来处理矩阵更方便，有更多方法以供使用，如：

　　求逆：

?

　　分块矩阵：

?

　　2 数据处理

　　2.1 条件判断和搜索

　　用where函数可以得到满足条件的索引，便于后期处理：

?

　　用compress函数可以筛选出一维数组中满足条件的值：

?

　　2.2 CSV文件读写

　　CSV(逗号分割值)格式可以简单方便地保存数组或矩阵。相比于python的pickle方法，保存为CSV文件可以用一般文本编辑器随时打开查看。保存和读取CSV文件都很简单。

?

　　保存时参数delimiter可选，用来分隔数组各元素，读取时也要相应地指定这个值，读取时也可只读取部分数据，usecols即用来指定选取的列，unpack设置为True时表示将这些列分开存储。

　　读写时遇到字符串(如时间)可以通过指定参数converters来转换。

?

　　2.3 通用函数

　　用frompyfunc函数可以将一个作用在单一数值的函数映射到作用在数组上的函数：

?

　　frompyfunc的两个参数分别定义输入参数和输出参数的个数

　　另外，numpy提供了一些常用的通用函数，如针对加减乘除的add、subtract、multiply和divide。通用函数都有四个方法：reduce、accumulate、reduceat和outer，以add函数为例：

?

　　可见，reduce是将通用函数递归作用在所有元素上，得到最后结果;accumulate也是递归作用在所有元素上，不过它保留中间结果并返回;reduceat则根据指定的起始点进行累积运算，如果终点小于起点，则返回终点处的值;最后outer则是对两个输入数组的所有元素组合进行运算。

　　3 科学计算

　　3.1 统计分析

　　3.1.1 基本统计分析

　　average函数可以非常方便地计算加权平均值，或者用mean计算算术平均值：

?

　　基本统计分析函数整理如下：

　　中位数：median

　　方差：var

　　标准差：std

　　差分：diff

　　最值：max、min、argmax、argmin(后两个得到最值所在的下标)

　　3.1.2 随机过程分析

　　3.2 线性代数

　　先生成一个各元素是0～1之内的随机数的矩阵：

?

　　接下我们可以对它进行各种线性代数的操作， 如：

　　求逆：

?

　　解线性方程组(用点积验证了结果)：

?

　　求特征值和特征向量：

?

　　行列式：

?