本节书摘来自异步社区《Python数据科学指南》一书中的第2章，第2.2节，作者[印度] Gopi Subramanian ，方延风 刘丹 译，更多章节内容可以访问云栖社区“异步社区”公众号查看。

2.2　使用NumPy库

Python中，NumPy提供了一条高效处理超大数组的途径。大多数Python科学计算库中都在内部使用NumPy处理数组和矩阵操作。在本书中，NumPy被广泛应用，我们在本节介绍它。

2.2.1　准备工作

我们先写一系列语句来操作数组和矩阵，学习如何使用NumPy。目的是让您习惯使用NumPy数组，它也是本书大多数内容的基础。

2.2.2　操作方法

我们先创建一些简单的矩阵和数组。

# Recipe_1a.py# 导入NumPy库，命名为npimport numpy as np# 创建数组a_list = [1,2,3]an_array = np.array(a_list)# 指定数据类型an_array = np.array(a_list,dtype=float)# 创建矩阵a_listoflist = [[1,2,3],[5,6,7],[8,9,10]]a_matrix = np.matrix(a_listoflist,dtype=float)

现在我们可以写一个简单方便的函数来处理NumPy对象。

# Recipe_1b.py# 一个用来检测给定的NumPy对象的小函数def display_shape(a):     print     print a     print     print "Nuber of elements in a = %d"%(a.size)     print "Number of dimensions in a = %d"%(a.ndim)     print "Rows and Columns in a ",a.shape     printdisplay_shape(a_matrix)

换种方式来创建数组。

# Recipe_1c.py# 换一种方式创建数组# 1. 使用np.arange来创建NumPy数组created_array = np.arange(1,10,dtype=float)display_shape(created_array)# 2. 使用np.linspace来创建NumPy数组created_array = np.linspace(1,10)display_shape(created_array)# 3. 使用np.logspace来创建NumPy数组created_array = np.logspace(1,10,base=10.0)display_shape(created_array) # 4.在创建数组时指定arange的步长，这是它与np.linspace不同的地方created_array = np.arange(1,10,2,dtype=int)display_shape(created_array)

现在我们来看如何创建一些特殊的矩阵。

# Recipe_1d.py# 创建一个所有元素都为1的矩阵ones_matrix = np.ones((3,3))display_shape(ones_matrix)#创建一个所有元素都为0的矩阵zeros_matrix = np.zeros((3,3))display_shape(zeros_matrix)# 鉴别矩阵# k参数控制1的索引# if k =0, (0,0),(1,1,),(2,2) cell values# 被设置为1，在一个3×3的矩阵中identity_matrix = np.eye(N=3,M=3,k=0)display_shape(identity_matrix)identity_matrix = np.eye(N=3,k=1)display_shape(identity_matrix)

了解了创建数组和矩阵的知识，我们再看一些整形操作。

# Recipe_1e.py# 数组的整形a_matrix = np.arange(9).reshape(3,3)display_shape(a_matrix)...display_shape(back_array)

接着来看一些矩阵的操作。

# Recipe_1f.py# 矩阵的操作a_matrix = np.arange(9).reshape(3,3)b_matrix = np.arange(9).reshape(3,3)...print "f_matrix, row sum",f_matrix.sum(axis=1)

最后，我们来看一些转置、复制和网格操作。

#Recipe_1g.py# 转置元素display_shape(f_matrix[::-1])...zz = zz.flatten()

我们再看看NumPy库里的一些随机数生成例程。

#Recipe_1h.py# 随机数general_random_numbers = np.random.randint(1,100, size=10)print general_random_numbers...uniform_rnd_numbers = np.random.normal(loc=0.2,scale=0.2,size=(3,3))

2.2.3　工作原理

我们先从导入NumPy库开始。

# 导入NumPy库，命名为npimport numpy as np

来看看用NumPy生成数组的多种方式。

# 数组a_list = [1,2,3]an_array = np.array(a_list)# 指定数据类型an_array = np.array(a_list,dtype=float)

一个数组可以基于列表创建，在前面的示例中，我们声明了一个具有3个元素的列表，然后用np.array()将这个列表转为了NumPy一维数组。如上面代码的最后一行所示，我们也可以指定数据的类型。

了解完数组，再来看看矩阵。

# 矩阵a_listoflist = [[1,2,3],[5,6,7],[8,9,10]]a_matrix = np.matrix(a_listoflist,dtype=float)

我们从listoflist里创建了一个矩阵，同样地，我们指定了数据的类型。

在继续之前，我们得先定义display_shape函数，这个函数我们接下来会经常用到。

def display_shape(a):     print     print a     print     print "Nuber of elements in a = %d"%(a.size)     print "Number of dimensions in a = %d"%(a.ndim)     print "Rows and Columns in a ",a.shape     print

所有的NumPy对象都有以下3个属性。

size：给定的NumPy对象里的元素个数。

ndim：维数。

shape：返回一个包含了NumPy对象各个维的长度的元组。

除了打印输出原始的元素，这个函数打印输出上述的3个属性，我们调用这个函数来处理我们之前创建的矩阵。

display_shape(a_matrix)

如图2-1所示，这个矩阵有9个元素，两个维度，最后，我们还能在shape参数里看到维数和每一维的元素个数。在本例中，矩阵有3行3列。

再看另一种创建数组的方法。

created_array = np.arange(1,10,dtype=float)display_shape(created_array)

NumPy的arange函数返回指定间隔的均匀隔开的数值，本例中，我们所需的是从1到10均匀分布的数值。访问以下URL可以获取更多关于arange的资料。

。

# 创建数组的另一种替代办法created_array = np.linspace(1,10)display_shape(created_array)

NumPy的linspace和arange类似，差别在于我们需要给出样例的数量值。使用linspace，我们知道在给定的范围里有多少个元素。默认情况下，它返回50个元素。而使用arange，我们还要指定步长。

created_array = np.logspace(1,10,base=10.0)display_shape(created_array)

NumPy给你提供了一些创建特殊数组的函数。

ones_matrix = np.ones((3,3))display_shape(ones_matrix)# 创建一个所有元素均为0的矩阵zeros_matrix = np.zeros((3,3))display_shape(zeros_matrix)

ones()和zero()函数分别用来创建全由1和0填充的矩阵，如图2-2所示。

单位矩阵的创建方式如下：

identity_matrix = np.eye(N=3,M=3,k=0)display_shape(identity_matrix)

参数k控制了1的起始索引值，输出结果如图2-3所示。

identity_matrix = np.eye(N=3,k=1)display_shape(identity_matrix)

reshape函数可以控制数组的形态。

# 数组转换形态a_matrix = np.arange(9).reshape(3,3)display_shape(a_matrix)

通过传递参数−1，我们可以将数组转化为我们所需要的维数，输入结果如图2-4所示。

# 参数-1可以将矩阵转为所需的维数back_to_array = a_matrix.reshape(-1)display_shape(back_to_array)