Python 真火來學習一下，先來看一個庫 NumPy。NumPy是Python語言的一個擴充程式庫。支援進階大量的次元數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。
1. 讀取檔案
numpy.genfromtxt() 用于讀取 txt 檔案，其中傳入的參數依次為：
- 需要讀取的 txt 檔案位置，此處檔案與程式位于同一目錄下
- 分割的标記
- 轉換類型，如果檔案中既有文本類型也有數字類型，就先轉成文本類型
help(numpy.genfromtxt)用于檢視幫助文檔：
如果不想看 API 可以啟動一個程式用 help 檢視指令的詳細用法
Python
| 1 2 3 4 5 6 | import numpy world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str) print(type(world_alcohol)) print(world_alcohol) print(help(numpy.genfromtxt)) |
2. 構造 ndarray
numpy.array()構造 ndarray
numpy.array()中傳入數組參數，可以是一維的也可以是二維三維的。numpy 會将其轉變成 ndarray 的結構。
| vector = numpy.array([1,2,3,4]) matrix = numpy.array([[1,2,3],[4,5,6]]) |
傳入的參數必須是同一結構,不是同一結構将發生轉換。
| array([1, 2, 3, 4]) |
均為 int 類型
| vector = numpy.array([1,2,3,4.0]) array([ 1., 2., 3., 4.]) |
轉為浮點數類型
| vector = numpy.array([1,2,'3',4]) array(['1', '2', '3', '4'],dtype='<U21') |
轉為字元類型
利用 .shape 檢視結構
能夠了解 array 的結構，debug 時通過檢視結構能夠更好地了解程式運作的過程。
| print(vector.shape) print(matrix.shape) (4,) (2, 3) |
利用 dtype 檢視類型
| vector.dtype dtype('int64') |
ndim 檢視次元
一維
| vector.ndim |
二維
| matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]]) matrix.ndim |
size 檢視元素數量
| matrix.size 9 |
3. 擷取與計算
numpy 能使用切片擷取資料
根據條件擷取
numpy 能夠依次比較 vector 和元素之間是否相同
| vector = numpy.array([5, 10, 15, 20]) vector == 10 array([False, True, False, False], dtype=bool) |
根據傳回值擷取元素
| 7 | equal_to_ten = (vector == 10) print(equal_to_ten) print(vector[equal_to_ten]) [False True False False] [10] |
進行運算之後擷取
| equal_to_ten_and_five = (vector == 10) & (vector == 5) |
| equal_to_ten_or_five = (vector == 10) | (vector == 5) |
類型轉換
将整體類型進行轉換
| print(vector.dtype) vector = vector.astype(str) int64 <U21 |
求和
sum() 能夠對 ndarray 進行各種求和操作，比如分别按行按列進行求和
| 8 10 | print(matrix.sum()) print(matrix.sum(1)) print(matrix.sum(0)) 45 [ 6 15 24] [12 15 18] |
sum(1) 是 sum(axis=1)) 的縮寫，1表示按照 x軸方向求和，0表示按照y軸方向求和
4. 常用函數
reshape
生成從 0-14 的 15 個數字，使用 reshape(3,5) 将其構造成一個三行五列的 array。
| import numpy as np arr = np.arange(15).reshape(3, 5) arr array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) |
zeros
生成指定結構的預設為 0. 的 array
| np.zeros ((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) |
ones
生成一個三維的 array,通過 dtype 指定類型
| np.ones( (2,3,4), dtype=np.int32 ) array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1]]]) |
range
指定範圍和數值間的間隔生成 array，注意範圍包左不包右
| np.arange(0,10,2) array([0, 2, 4, 6, 8]) |
random 随機數
生成指定結構的随機數，可以用于生成随機權重
| np.random.random((2,3)) array([[ 0.86166627, 0.37756207, 0.94265883], [ 0.9768257 , 0.96915312, 0.33495431]]) |
5. ndarray 運算
元素之間依次相減相減
| a = np.array([10,20,30,40]) b = np.array(4) a - b array([ 6, 16, 26, 36]) |
乘方
| a**2 array([ 100, 400, 900, 1600]) |
開根号
| np.sqrt(B) array([[ 1.41421356, 0. ], [ 1.73205081, 2. ]]) |
e 求方
| np.exp(B) array([[ 7.3890561 , 1. ], [ 20.08553692, 54.59815003]]) |
向下取整
| a = np.floor(10*np.random.random((2,2))) a array([[ 0., 0.], [ 3., 6.]]) |
行列變換
| a.T array([[ 0., 3.], [ 0., 6.]]) |
變換結構
| a.resize(1,4) array([[ 0., 0., 3., 6.]]) |
6. 矩陣運算
矩陣之間的運算
| A = np.array( [[1,1], [0,1]] ) B = np.array( [[2,0], [3,4]] ) |
對應位置一次相乘
| A*B array([[2, 0], [0, 4]]) |
矩陣乘法
| print (A.dot(B)) print(np.dot(A,B)) [[5 4] [3 4]] |
橫向相加
| 11 12 13 | b = np.floor(10*np.random.random((2,2))) print(a) print(b) print(np.hstack((a,b))) [[ 2. 3.] [ 9. 3.]] [[ 8. 1.] [ 0. 0.]] [[ 2. 3. 8. 1.] [ 9. 3. 0. 0.]] |
縱向相加
| print(np.vstack((a,b))) [ 9. 3.] [ 8. 1.] |
矩陣分割
| #橫向分割 print( np.hsplit(a,3)) #縱向風格 print(np.vsplit(a,3)) |
7. 複制的差別
位址複制
通過 b = a 複制 a 的值，b 與 a 指向同一位址，改變 b 同時也改變 a。
| 14 15 | a = np.arange(12) b = a print(a is b) print(a.shape) print(b.shape) b.shape = (3,4) True (12,) (3, 4) |
複制值
通過 a.view() 僅複制值，當對 c 值進行改變會改變 a 的對應的值，而改變 c 的 shape 不改變 a 的 shape
| c = a.view() print(c is a) c.shape = 2,6 c[0,0] = 9999 print(c) False [9999 1 2 3 4 5 6 7 8 9 10 11] [[9999 1 2 3 4 5] [ 6 7 8 9 10 11]] |
完整拷貝
a.copy() 進行的完整的拷貝，産生一份完全相同的獨立的複制
| c = a.copy() [ 0 1 2 3 4 5 6 7 8 9 10 11] |
![TestLink導出用例轉換工具(XML2Excel)[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)