目录

一、NumPy的ndarray：一种多维数组对象：

1.NumPy安装：

2.检测安装是否成功：

二、数组创建：

1.array创建：

range的使用：

arange创建数组：

2.随机数创建：

随机整数：

dtype的使用：

3.创建正态分布数组：

创建指定期望和方差的正太分布：

三、ndarray对象：

创建ndarray数组的其他方式：

1.zeros：

2.ones：

3.empty：

4.linspace：

5.logspace：

四、切片和索引：

修改一维数组的形状：

数组的复制：

五、数组的相关操作：

1.改变数组得到维度：

2.数组的拼接：

水平方向拼接：

垂直方向拼接：

concatenate连接数组：

3.数组的分割：

4.数组的转置：

NumPy函数：

算数函数：

统计函数：

一、NumPy的ndarray：一种多维数组对象：

NuPy（Numerical Python）是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。

其提供最核心类型为多维数组类型（ndarray），支持大量的维度数组与矩阵运算，NumPy支持向量处理ndarray对象，提高程序运算速度。

NumPy最重要的一个特点就是N维数组对象（ndarray），该对象是一个快速而灵活的大数据集容器。ndarray是一个通用的同构数据的多维容器，也就是说，ndarray中的所有元素必须是相同类型的数据。

每个数据都有一个shap属性，定义了该ndarray的维度大小；一个dtype属性，定义了该ndarray的元素类型。

1.NumPy安装：

使用Anaconda Prompt或者CMD命令窗口进行安装：

pip install numpy

2.检测安装是否成功：

import numpy as np

a = np.arange(10)

print(a)

# type()：返回当前参数的数据类型：
print(type(a))

二、数组创建：

1.array创建：

numpy模块的array函数可以生成多维数组。例如，如果要生成一个二维数组，需要向array函数传递一个列表类型的参数。每一个列表元素是一维的ndarray类型数组，作为二维数组的行。

另外，通过ndarray类的shape属性可以获得数组每一维的元素个数（元组形式），也可以通过shape[n] 形式获得每一维的元素个数，其中n是维度，从0开始。

import numpy as np

a = np.array([1, 2, 3, 4], dtype=float, ndmin=3)

print(a)
print(type(a))

# NumPy中的ndarray对象：

# 导入NumPy模块
import numpy as np

# 定义一个NumPy的ndarray对象
data = np.array([[1, 2, 3, 4], [5, 6, 7, 8]], np.int32)

# 输出ndarray数组中元素数据类型
print(data.dtype)

# 输出ndarray对象结构
print(data.shape)

参数说明：

• dtype：设置创建numpy数组的数据类型
• ndmin：设置创建numpy数组的维度

range的使用：

range范围遵守左闭右开原则，包含start元素，不包含stop元素！

range(start, stop, step)

arange创建数组：

arange(start, stop, step, dtype)

2.随机数创建：

numpy.random.random(size = None)：该方法返回 [ 0.0，1.0）范围的随机数。size指定数组形状（元素个数）。

import numpy as np

a = np.random.random(size=10)

print(a)
print(type(a))

import numpy as np

# 创建一个二维数组：
a = np.random.random(size=(2, 2))

print(a)
print(type(a))

随机整数：

np.random.randint(low, hight=None, size=None, dtype="1")

dtype的使用：

import numpy as np

# 使用dtype指定数据类型，np包含许多的数组类型
a = np.random.randint(0, 10, size=(2, 3), dtype=np.int64)

print(a)

# dtype属性：当前数组中的元素值类型
print(a.dtype)

3.创建正态分布数组：

randn函数返回一个或一组样本，具有标准正态分布（期望为0，方差为1）。dn表格每个维度。返回值为指定维度的array

np.random.randn(d0, d1, d2, ... ,dn)

import numpy as np

# 创建标准的正态分布：
a = np.random.randn(2, 3, 4)

print(a)

创建指定期望和方差的正太分布：

import numpy as np

# normal：创建指定期望和方差的正态分布；默认期望：loc=0.0；方差scale=1.0
a = np.random.normal(0, 1, size=4)

print(a)

三、ndarray对象：

NumPy最重要的一个特点是其N维数组对象 ndarray，它是一系列同类型数据的集合，以0下标为开始进行集合中元素的索引。

ndarray对象是用于存放同类型元素的多维数组。

ndarray中的每个元素在内存中都有相同存储大小的区域

ndarray内部由以下内容组成：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针
• 数据类型或dtype，描述在数组中的固定大小值的格子。
• 一个表示数组形状（shape）的元组，表示各维度大小的元组

NumPy的数组中比较重要ndarray对象属性有：

创建ndarray数组的其他方式：

ndarray数组除了可以使用底层的ndarray构造函数来创建以外，也可以通过以下几种方式创建。

1.zeros：

zeros创建指定大小的数组，数组元素以0来填充：

numpy.zeros(shape, dtype, order="C")

import numpy as np

# 创建以0填充的数组：
a = np.zeros(shape=(2, 3), dtype=float, order="C")

print(a)

2.ones：

numpy.ones：创建指定形状的数组，数组元素以1来填充：

numpy.ones(shape, dtype, order="C")

import numpy as np

# 创建以1填充的数组：
a = np.ones(shape=(2, 3), dtype=float, order="C")

print(a)

3.empty：

numpy.empty方法用来创建一个指定形状（shape）、数据类型（dtype）且初始化的数组，里面的元素的值是之前内存的值：

numpy.empty(shape, dtype, order="C")

4.linspace：

linspace函数用户创建一个一维数组，数组是一个等差数列构成的：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

• endpoint：是否包含结束数值
• retstep：是否显示生成的数组中间显示间距

5.logspace：

numpy.logspace函数用于创建一个等比数列：

numpy.logspace(start, stop, endpoint, base, dtype=None)

四、切片和索引：

ndarray对象的内容可以通过索引或者切片来访问和修改，与Python中list的切片操作一样。

ndarray数组可以基于0-n的下标进行索引，并设置start，stop以及step参数进行，从原数组中割出一个新数组。

[start:stop:step]

修改一维数组的形状：

array.reshap((数组格式))

import numpy as np

a = np.arange(1, 11)

# 修改数组形状：
a = a.reshape((5, 2))

print(a)

数组的复制：

即使从所有切片中获取的数组被分配给一个新变量，它仍然具有所有原始数组的视图。(切片是地址分配，而不是值传递。如果修改切片数组中的元素值，将影响原始数组)

[En]

Even if the array taken from all the slices is assigned to a new variable, it still has a view of all the original arrays. (slicing is an address assignment, not value transfer. If you modify the element value in the sliced array, it will affect the original array)

使用copy函数实现，值传递：

numpy.copy(原数组)

五、数组的相关操作：

1.改变数组得到维度：

处理数组的一项重要工作就是改变数组的维度，包含提高数组的维度和降低数组的维度，还包括数组的转置。NumPy提供的大量API可以很轻松地完成这些数组的操作。

例如，通过reshape方法可以将一维数组变成二维、三维或者多维数组。

通过ravel方法或flatten方法可以将多维数组变成一维数组。改变数组的维度还可以直接设置NumPy数组的shape属性（元组类型），通过resize方法也可以改变数组的维度。

转化前后，数组的元素个数要一致！

2.数组的拼接：

水平方向拼接：

通过hstack函数可以将两个或者多个数组水平组合起来形成一个数组，那么什么叫做数组的水平组合。现在有两个2*3的数组A和B：

使用hstack函数将两个数组水平组合的代码如下：

numpy.hstack([A, B])

最后，数组A和数组B在水平方向首尾连接起来，形成了一个新数组。

垂直方向拼接：

使用vstack函数，可以将多个数组进行垂直方向拼接：

numpy.vstack((A, B))

concatenate连接数组：

numpy.concatenate((a1, a2, a3, ... ), axis)

参数说明：

• a1，a2，......：相同类型的数组
• axis：沿着它连接数组的轴，默认为0

3.数组的分割：

numpy.spit函数沿着特定的轴将数组分割为子数组：

numpy.split(ary, indices_or_sections, axis)

参数说明：

• ary：被分割的数组
• indices_or_sections：如果是一个整数，就用数平分切分，如果是一个数组，为沿轴切分的位置。
• axis：沿着哪个维度进行切向，默认为0，横向切分。为1时纵向切分。

4.数组的转置：

使用transpose进行数组的转置操作：

numpy.transpose()

NumPy函数：

算数函数：

如果参与运算的两个对象都是ndarray，并且形状相同，那么会对位彼此之间进行（+
- * / ）运算。Numpy算术函数包含简单的加减乘除：add()，subtract()，multiply()和divide()。

统计函数：

统计函数，用于从数组中找出最小元素、最大元素、百分位标准差和方差

[En]

Statistical function, which is used to find the minimum element, maximum element, percentile standard deviation and variance from the array

Original: https://blog.csdn.net/weixin_52058417/article/details/122684904
Author: 爱吃糖的范同学
Title: 【Python】NumPy数组和矢量计算

---

---

相关阅读

Title: Tensorflow 2.9.1安装笔记

CPU：i7-4790k

显卡：GTX2060

Cuda 版本：11.3

Cunn版本: 11.6

Python版本:3.7.7

不想用anacoda，直接装 tensorflow

1.准备工作

• 安装python3.7.7(之前安装好的)

可以根据需要安装相应的版本，不建议安装最新版，python版本之间的代码兼容度不好。3.6~3.8可能比较合适。

我安装的是11.3版本。

deviceQuery.exe 和 bandwithTest.exe测试通过。

• 下载Tensorflow

我下载的是 tensorflow-2.9.1-cp37-cp37m-win_amd64.whl

• 安装组件

安装Tensorflow之前，安装好以下支持模块

A.Numpy: pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

B.mkl: pip install mkl -i https://pypi.tuna.tsinghua.edu.cn/simple

C.protobuf pip install protobuf -i https://pypi.tuna.tsinghua.edu.cn/simple

2.安装Tensorflow

把 tensorflow-2.9.1-cp37-cp37m-win_amd64.whl 放到d盘根目录，打开命令行并转到D:\

pip install tensorflow-2.9.1-cp37-cp37m-win_amd64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple

这样在安装过程中加载其他模块的时候，速度会非常快。

3.测试

import tensorflow as tf
print("Tensorflow version:")
print(tf.__version__)

print("CPU/GPU devices for Tensorflow:")
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus)
print(cpus)

运行结果：

Tensorflow version:
2.9.1
CPU/GPU devices for Tensorflow:
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

至此安装完毕。

IDE可以使用Visual Studio Code（小规模测试）

或者Pycharm（程序较大很方便）

Original: https://blog.csdn.net/st01lsp/article/details/125294794
Author: st01lsp
Title: Tensorflow 2.9.1安装笔记