【numpy官方快速入門教程】
阿新 • • 發佈：2019-02-15
寫在前面：
1、本文是NumPy官方網站(http://www.numpy.org/)的快速入門教程（Quickstart tutorial）的完整翻譯版本，原文地址是https://docs.scipy.org/doc/numpy/user/quickstart.html。適合新手上路。
2、原文程式碼使用python自帶的IDE（IDLE）作為編輯器，但不利於程式碼整體複製貼上，故作者除了貼出原文程式碼，還基於pycharm整合出了整體程式碼，使得看起來更方便，且符合PEP8標準。
—————————————–正文開始!
快速入門教程
預備知識
在閱讀本教程之前，您應該瞭解一些Python。如果您想要重新整理您的記憶，請檢視Python教程。
如果您希望在本教程中使用示例，您還必須在計算機上安裝一些軟體。請參閱http://scipy.org/install.html以獲得指示。
基礎部分
NumPy的主要物件是同構多維陣列（homogeneous multidimensional array），它是由同一型別元素組成的表（通常是數字）並由一個正整數元組索引。在NumPy中，維度（dimensions）稱為軸（axes）。
舉例來說，在3D空間中的一個點的座標[1, 2, 1]
[[ 1., 0., 0.],
[ 0., 1., 2.]]NumPy的陣列類（array class）稱為ndarray。它還有個別名array。要注意的是，numpy.array和python標準庫的array.array類不同，後者只能處理1維素組，並且功能較少。ndarray物件的重要屬性有:
ndarray.ndim
陣列的軸（維）數。
ndarray.shape
陣列的維度。它是一個表示每個維度尺寸的整數元組。對於一個n行m列的矩陣（matrix），shape
（n,m）。shape元組的長度也即是軸數，ndim。
ndarray.size
陣列的元素總數。它等於shape中的每個元素的乘積。
ndarray.dtype
描述陣列中元素型別的物件。可以使用標準Python型別建立或指定dtype。另外，NumPy提供了它自己的型別，如numpy.int32、numpy.int16 、numpy、float64等。
ndarray.itemsize
陣列中每個元素的位元組數。例如，一個元素型別為float64的陣列的itemsize為8(=64/8),元素型別為comples32的陣列的itemsize為4(=32/8)。
它還等於ndarray.dtype.itemsize。
ndarray.data
包含陣列的實際元素的緩衝區。通常，我們不需要使用這個屬性，因為我們將使用索引工具訪問陣列中的元素。
一些例子
官網原始碼：
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>pycharm程式碼：
import numpy as np
a = np.arange(15).reshape(3, 5)
print('a is:\n', a)
print('--------------------')
print('a.shape is: ', a.shape)
print('--------------------')
print('a.ndim is: ', a.ndim)
print('--------------------')
print('a.dtype.name is:', a.dtype.name)
print('--------------------')
print('a.itemsize is: ', a.itemsize)
print('--------------------')
print('a.size is: ', a.size)
print('--------------------')
print('type(a) is: ', type(a))
print('--------------------')
b = np.array([6, 7, 8])
print('b is:\n', b)
print('--------------------')
print('type(b) is: ', type(b))輸出結果
a is:
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
--------------------
a.shape is: (3, 5)
--------------------
a.ndim is: 2
--------------------
a.dtype.name is: int32
--------------------
a.itemsize is: 4
--------------------
a.size is: 15
--------------------
type(a) is: <class 'numpy.ndarray'>
--------------------
b is:
[6 7 8]
--------------------
type(b) is: <class 'numpy.ndarray'>生成陣列
有多種途徑生成陣列。
例如，您可以使用陣列函式(array function)從常規的Python列表或元組中建立。生成的陣列型別由序列(即，列表或元組。譯者注)中元素的型別推斷出來。
官網程式碼：
>>> import numpy as np
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')pycharm程式碼：
import numpy as np
a = np.array([2, 3, 4])
print(a)
print(a.dtype)
b = np.array([1.2, 3.5, 5.1])
print(b.dtype)結果：
[2 3 4]
int32
float64呼叫array時應該以列表形式提供給array單一引數。有個常見的錯誤，就是用多個數字直接作為array的引數。
>>> a = np.array(1,2,3,4) # WRONG
>>> a = np.array([1,2,3,4]) # RIGHTarray把序列的序列轉化成2維的陣列，把序列的序列的序列轉化為3維的陣列，以此類推
官方程式碼：
>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])pycharm程式碼：
import numpy as np
b = np.array([(1.5, 2, 3), (4, 5, 6)])
print(b)結果：
[[1.5 2. 3. ]
[4. 5. 6. ]]可以在建立陣列時顯式地指定資料型別：
官方程式碼：
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])pycharm程式碼：
import numpy as np
c = np.array([[1, 2], [3, 4]], dtype=complex)
print(c)[[1.+0.j 2.+0.j]
[3.+0.j 4.+0.j]]通常來說，陣列元素最初是未知的，但尺寸是已知的。因此，NumPy提供了幾個函式來建立帶有初始佔位符內容的陣列。這些函式最小化了增大陣列尺寸這種操作成本極高的需求。
函式zeros建立了一個全0的陣列，函式ones建立了一個全1陣列，而函式empty建立了一個初始內容是隨機，依賴於記憶體的狀態的陣列(元素值都是極小的數字。譯者注)。預設情況下，建立的陣列的dtype是float64。
官方程式碼：
>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])pycharm程式碼：
import numpy as np
eg1 = np.zeros((3, 4))
print(eg1)
print('--------------------')
eg2 = np.ones((2, 3, 4), dtype=np.int16)
print(eg2)
print('--------------------')
eg3 = np.empty((2, 3))
print(eg3)[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
--------------------
[[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]]
--------------------
[[1.60216183e-306 7.56602523e-307 1.11258446e-306]
[6.23059726e-307 6.23060065e-307 1.50200974e-307]]為了建立數字序列，NumPy提供了一個類似於range這種返回陣列而不是列表的函式。
官方程式碼：
>>> np.arange( 10, 30, 5 )
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 ) # it accepts float arguments
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])pycharm程式碼：
import numpy as np
eg1 = np.arange(10, 30, 5)
print(eg1)
print(type(eg1))
eg2 = np.arange(0, 2, 0.3)
print(eg2)
print(type(eg2))[10 15 20 25]
<class 'numpy.ndarray'>
[0. 0.3 0.6 0.9 1.2 1.5 1.8]
<class 'numpy.ndarray'>當arange的引數為浮點數時，因為浮點數精度有限，不太可能預測元素的數量。因此，使用linspace會比較好，linspace接收元素數量的引數。
官方程式碼：
>>> from numpy import pi
>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> x = np.linspace( 0, 2*pi, 100 ) # useful to evaluate function at lots of points
>>> f = np.sin(x)pycharm程式碼：
import numpy as np
eg1 = np.linspace(0, 2, 9)
print(eg1)
print('--------------------------------')
x = np.linspace(0, 2*np.pi, 10) # 原文要100個數，太多了，簡化到10個
print(x)
print('--------------------------------')
f = np.sin(x)
print(f)[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
----------------------
[0. 0.6981317 1.3962634 2.0943951 2.7925268 3.4906585
4.1887902 4.88692191 5.58505361 6.28318531]
----------------------
[ 0.00000000e+00 6.42787610e-01 9.84807753e-01 8.66025404e-01
3.42020143e-01 -3.42020143e-01 -8.66025404e-01 -9.84807753e-01
-6.42787610e-01 -2.44929360e-16]列印陣列
當您列印一個數組時，NumPy以類似於巢狀列表的方式顯示它，但是使用以下佈局：
最後一個軸從左到右列印，
倒數第二個軸從上到下列印，
其餘的部分也從上到下列印，每一塊都由一條空的線隔開。
然後將一維陣列列印為行，二維陣列列印為矩陣，三維陣列列印為矩陣列表。
官方原始碼：
>>> a = np.arange(6) # 1d array
>>> print(a)
[0 1 2 3 4 5]
>>>
>>> b = np.arange(12).reshape(4,3) # 2d array
>>> print(b)
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
>>>
>>> c = np.arange(24).reshape(2,3,4) # 3d array
>>> print(c)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]pycharm程式碼：
import numpy as np
a = np.arange(6)
print('a:\n', a)
print('-----------------------')
b = np.arange(12).reshape(4, 3)
print('b:\n', b)
print('-----------------------')
c = np.arange(24).reshape(2, 3, 4)
print('c:\n', c)a:
[0 1 2 3 4 5]
-----------------------
b:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
-----------------------
c:
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]看下面的內容以獲得關於reshape的詳情。
如果陣列太大而無法列印，NumPy會自動跳過陣列的中心部分，只打印邊角:
官方原始碼：
>>> print(np.arange(10000))
[ 0 1 2 ..., 9997 9998 9999]
>>>
>>> print(np.arange(10000).reshape(100,100))
[[ 0 1 2 ..., 97 98 99]
[ 100 101 102 ..., 197 198 199]
[ 200 201 202 ..., 297 298 299]
...,
[9700 9701 9702 ..., 9797 9798 9799]
[9800 9801 9802 ..., 9897 9898 9899]
[9900 9901 9902 ..., 9997 9998 9999]]pycharm程式碼：
import numpy as np
print(np.arange(10000))
print('-------------------------------------------')
print(np.arange(10000).reshape(100,100))[ 0 1 2 ... 9997 9998 9999]
-------------------------------------------
[[ 0 1 2 ... 97 98 99]
[ 100 101 102 ... 197 198 199]
[ 200 201 202 ... 297 298 299]
...
[9700 9701 9702 ... 9797 9798 9799]
[9800 9801 9802 ... 9897 9898 9899]
[9900 9901 9902 ... 9997 9998 9999]]要禁用這種行為並強制NumPy列印整個陣列，可以使用set_printoptions更改列印選項。
官方原始碼：
>>> np.set_printoptions(threshold=np.nan)pycharm程式碼：
import numpy as np
print(np.arange(1001))
np.set_printoptions(threshold=np.nan)
print('---------------------------set to print all-------------------------------')
print(np.arange(1001))[ 0 1 2 ... 998 999 1000]
---------------------------set to print all-------------------------------
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13
14 15 16 17 18 19 20 21 22 23 24 25 26 27
28 29 30 31 32 33 34 35 36 37 38 39 40 41
42 43 44 45 46 47 48 49 50 51 52 53 54 55
56 57 58 59 60 61 62 63 64 65 66 67 68 69
70 71 72 73 74 75 76 77 78 79 80 81 82 83
84 85 86 87 88 89 90 91 92 93 94 95 96 97
98 99 100 101 102 103 104 105 106 107 108 109 110 111
112 113 114 115 116 117 118 119 120 121 122 123 124 125
126 127 128 129 130 131 132 133 134 135 136 137 138 139
140 141 142 143 144 145 146 147 148 149 150 151 152 153
154 155 156 157 158 159 160 161 162 163 164 165 166 167
168 169 170 171 172 173 174 175 176 177 178 179 180 181
182 183 184 185 186 187 188 189 190 191 192 193 194 195
196 197 198 199 200 201 202 203 204 205 206 207 208 209
210 211 212 213 214 215 216 217 218 219 220 221 222 223
224 225 226 227 228 229 230 231 232 233 234 235 236 237
238 239 240 241 242 243 244 245 246 247 248 249 250 251
252 253 254 255 256 257 258 259 260 261 262 263 264 265
266 267 268 269 270 271 272 273 274 275 276 277 278 279
280 281 282 283 284 285 286 287 288 289 290 291 292 293
294 295 296 297 298 299 300 301 302 303 304 305 306 307
308 309 310 311 312 313 314 315 316 317 318 319 320 321
322 323 324 325 326 327 328 329 330 331 332 333 334 335
336 337 338 339 340 341 342 343 344 345 346 347 348 349
350 351 352 353 354 355 356 357 358 359 360 361 362 363
364 365 366 367 368 369 370 371 372 373 374 375 376 377
378 379 380 381 382 383 384 385 386 387 388 389 390 391
392 393 394 395 396 397 398 399 400 401 402 403 404 405
406 407 408 409 410 411 412 413 414 415 416 417 418 419
420 421 422 423 424 425 426 427 428 429 430 431 432 433
434 435 436 437 438 439 440 441 442 443 444 445 446 447
448 449 450 451 452 453 454 455 456 457 458 459 460 461
462 463 464 465 466 467 468 469 470 471 472 473 474 475
476 477 478 479 480 481 482 483 484 485 486 487 488 489
490 491 492 493 494 495 496 497 498 499 500 501 502 503
504 505 506 507 508 509 510 511 512 513 514 515 516 517
518 519 520 521 522 523 524 525 526 527 528 529 530 531
532 533 534 535 536 537 538 539 540 541 542 543 544 545
546 547 548 549 550 551 552 553 554 555 556 557 558 559
560 561 562 563 564 565 566 567 568 569 570 571 572 573
574 575 576 577 578 579 580 581 582 583 584 585 586 587
588 589 590 591 592 593 594 595 596 597 598 599 600 601
602 603 604 605 606 607 608 609 610 611 612 613 614 615
616 617 618 619 620 621 622 623 624 625 626 627 628 629
630 631 632 633 634 635 636 637 638 639 640 641 642 643
644 645 646 647 648 649 650 651 652 653 654 655 656 657
658 659 660 661 662 663 664 665 666 667 668 669 670 671
672 673 674 675 676 677 678 679 680 681 682 683 684 685
686 687 688 689 690 691 692 693 694 695 696 697 698 699
700 701 702 703 704 705 706 707 708 709 710