2.NumPy的簡單操作

前言

??使用Python運行OpenCV的程式時，OpenCV使用NumPy陣列存盤影像資料，

??本系列文章在Windows10環境下利用Anaconda(Jupyter Notebook)+Python語言進行基礎方法的演示，

一、NumPy簡介

??NumPy(Numerical Python)是Python的一種開源的數值計算軟體包，它提供強大的存盤和處理大型矩陣的功能，支持大量的維度陣列與矩陣運算及線性代數、傅里葉變換和亂數等特性，此外，針對陣列運算提供大量的數學函式庫，也可以作為通用資料的高效多維容器，NumPy官方地址

二、資料型別

??NumPy支持的資料型別比Python內置的型別要更多，基本上可以和C語言的資料型別對應上，其中部分型別對應為Python內置的型別，

import numpy as np
a = np.int8(100)
type(a)

numpy.int8

三、創建陣列

??NumPy可以使用各種函式創建陣列，
(1) 使用array()函式創建陣列

a = np.array([1, 2, 3]) # 將串列轉換為陣列，array()函式可將Python中類似陣列的資料結構（如串列和元組）轉換為陣列
print(a)
print(type(a))

[1 2 3]
<class 'numpy.ndarray'>

a = np.array((1, 2, 3)) # 將元組轉換為陣列
print(a)
print(type(a))

[1 2 3]
<class 'numpy.ndarray'>

a = np.array(([1, 2, 3], [4, 5, 6])) # 將嵌套資料轉換為陣列
print(a)
print(type(a))

[[1 2 3]
 [4 5 6]]
<class 'numpy.ndarray'>

a = np.array(([1, 2, 3], [4, 6])) # 將嵌套的多維資料轉換為陣列時，同維度資料的個數應該相同，否則，NumPy會將其作為一個Python物件放入陣列，
print(a)
print(type(a))

[list([1, 2, 3]) list([4, 6])]
<class 'numpy.ndarray'>

(2) 使用zeros()函式創建陣列

a = np.zeros((2, 3), dtype=int) # 創建2行3列的二維陣列，創建指定形狀陣列，陣列元素默認值為0，資料型別默認為float
print(a)
print(type(a))

[[0 0 0]
 [0 0 0]]
<class 'numpy.ndarray'>

a = np.zeros((3, 2, 4)) # 創建三維陣列
print(a)
print(a.shape)
print(type(a))

[[[0. 0. 0. 0.]
  [0. 0. 0. 0.]]

 [[0. 0. 0. 0.]
  [0. 0. 0. 0.]]

 [[0. 0. 0. 0.]
  [0. 0. 0. 0.]]]
(3, 2, 4)
<class 'numpy.ndarray'>

(3) 使用arange()函式創建陣列

a = np.arange(5) # 元素取值范圍為[0,4]，創建元素值按規則遞增的陣列
b = np.arange(-2, 5) # 元素取值范圍為[-1,4]
c = np.arange(5.6)
d = np.arange(-2, 5, dtype=int)
print(d)
print(d.shape)
print(type(d))

[-2 -1  0  1  2  3  4]
(7,)
<class 'numpy.ndarray'>

(4) 使用使用linspace(a,b,c)函式創建陣列

a = np.linspace(1,10,6) # 創建由引數c指定元素數量的陣列，其第一個元素為a，最后一個元素為b，相鄰元素的差值為(b-a)/(c-1)
print(a)
print(a.shape)
print(type(a))

[ 1.   2.8  4.6  6.4  8.2 10. ]
(6,)
<class 'numpy.ndarray'>

(5) 使用使用indices()函式創建陣列

a = np.indices((3,4)) # 創建一個有兩個元素的一維陣列，每個元素都是一個指定形狀的陣列，其元素值表示該維的變化，
print(a)
print(a.shape)
print(type(a))

[[[0 0 0 0]
  [1 1 1 1]
  [2 2 2 2]]

 [[0 1 2 3]
  [0 1 2 3]
  [0 1 2 3]]]
(2, 3, 4)
<class 'numpy.ndarray'>

(6) 使用使用ones()函式創建陣列

a = np.ones((5),dtype=int) # 用于創建元素值為1的陣列(單位矩陣)
print(a)
print(type(a))

[1 1 1 1 1]
<class 'numpy.ndarray'>

a = np.ones((2, 3), dtype=float) # 創建2行3列的二維陣列
print(a)
print(type(a))

[[1. 1. 1.]
 [1. 1. 1.]]
<class 'numpy.ndarray'>

a = np.ones((3, 2, 4)) # 創建三維陣列
print(a)
print(a.shape)
print(type(a))

[[[1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]]]
(3, 2, 4)
<class 'numpy.ndarray'>

四、陣列的形狀

??NumPy可以使用shape()、reshape()、resize()、np.ravel()等查看或改變陣列的形狀，

a = np.arange(12) # 創建一維陣列，其中共有12個元素
print(a)
print(a.shape) # 看陣列形狀

[ 0  1  2  3  4  5  6  7  8  9 10 11]
(12,)

a.shape=(2, -1) # 更改陣列形狀為2行，-1表示每行中的元素個數自動計算
print(a)
print(a.shape)

[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]
(2, 6)

b = a.reshape((3,-1)) # reshape()方法可更改陣列形狀，并回傳更改后的新陣列，reshape()方法不能減少或增加陣列元素個數
print(b)
print(b.shape)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
(3, 4)

a = np.arange(12)
a.resize((3,5), refcheck=False) # resize()方法的refcheck引數為False時，可在改變形狀的同時更改元素個數
print(a)
print(a.shape)

[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11  0  0  0]]
(3, 5)

a = np.arange(12)
a.resize((3,4))
np.ravel(a, order='F') # 函式可將陣列轉換為一維陣列，回傳一維陣列，列優先

array([ 0,  4,  8,  1,  5,  9,  2,  6, 10,  3,  7, 11])

五、索引、切片和迭代

(1) 一維陣列的索引、切片和迭代等操作與Python的串列類似

rng = np.random.default_rng() # 獲得亂數生成器
a = rng.integers(10, size=8)
print(a)

[8 6 1 5 7 3 0 4]

a[0]

8

a[-1]

4

a[2:5]

array([1, 5, 7], dtype=int64)

a[:5]

array([8, 6, 1, 5, 7], dtype=int64)

a[2:]

array([1, 5, 7, 3, 0, 4], dtype=int64)

for x in a:
    print(x,end=',')

8,6,1,5,7,3,0,4,

(2) 多維陣列用以逗號分隔的多個值進行索引

a = rng.integers(10, size=(2,5))
print(a)

[[4 0 9 2 6]
 [9 4 9 2 8]]

a[0,0]

4

a[1,0]

9

a[0,:3]

array([4, 0, 9], dtype=int64)

for x in a:
    print(x,end=',')

[4 0 9 2 6],[9 4 9 2 8],

六、陣列運算

(1) NumPy陣列與常量執行算術運算和比較運算時，會對每個陣列元素執行計算

a = np.arange(5)
a
array([0, 1, 2, 3, 4])

a + 5

array([5, 6, 7, 8, 9])

a - 5

array([-5, -4, -3, -2, -1])

a * 5

array([ 0,  5, 10, 15, 20])

a ** 5

array([   0,    1,   32,  243, 1024], dtype=int32)

a/2

array([0. , 0.5, 1. , 1.5, 2. ])

a//2 # 每個元素除以2，結果為整數

array([0, 0, 1, 1, 2], dtype=int32)

a<2.5

array([ True,  True,  True, False, False])

(2) 兩個陣列執行算術運算時，“*”運算子用來計算元素乘積，“@”運算子和dot()方法用來計算矩陣乘積，

a = np.array([[1, 2],[3, 4]])
b = np.array([[10, 0],[0, 10]])
print(a)
print(b)

a + b

array([[11,  2],
       [ 3, 14]])

a - b

array([[-9,  2],
       [ 3, -6]])

a @ b

array([[10, 20],
       [30, 40]])

a.dot(b)

array([[10, 20],
       [30, 40]])

a.T

array([[1, 3],
       [2, 4]])

(3) NumPy陣列支持“+=”“*=”等賦值運算，且會用計算結果覆寫原陣列，

a += 10
a

array([[11, 12],
       [13, 14]])

a *= 2
a

array([[22, 24],
       [26, 28]])

(4) NumPy為陣列提供了一些執行計算的方法，

a = np.array([[1, 2, 3],[4, 5, 6]])
a

array([[1, 2, 3],
       [4, 5, 6]])

a.min()

1

a.max()

6

a.sum()

21

(4) 可設定axis引數以便按指定的軸執行計算，

a.max(axis=0)

array([4, 5, 6])

a.max(axis=1)

array([3, 6])

總結

??以上內容介紹了NumPy簡介與簡單的操作，有關Python、資料科學、人工智能等文章后續會不定期發布，請大家多多關注，一鍵三連喲(●’?’●)，