技术标签: 跟“风云卫星”数据工程师学Python python 数据分析 机器学习 人工智能
NumPy 是 SciPy 家族的一员,而且是最重要的成员。SciPy 家族(见下图)是一个专门应用于数学、科学和工程领域的开源的 Python 生态圈。NumPy 最初是 SciPy 的一部分,后来独立出来了。SciPy 家族的主体,可以概括为 MSN 这三个字母,你要是喜欢足球的话,一定会联想到巴萨的梅西、苏亚雷斯和内马尔这个MSN三剑客组合。我喜欢把 Matplotlib、SciPy 和 NumPy 叫做 MSN 组合,并专门写了一篇博文,名字就叫《数学建模三剑客MSN》。
NumPy 的安装,非常简单,直接使用 pip 命令安装即可。通常,安装 NumPy 的时候,也会顺便安装 SciPy 模块、matplotlib 模块。
PS D:>python –m pip install numpy
PS D:>python –m pip install scipy
PS D:>python –m pip install matplotlib
使用 NumPy 时,我们习惯把它简写成 np。提醒大家注意:pip 命令需要在命令行窗口中运行,而不是在下图所示的 IDEL 窗口中。 在 IDEL 窗口中可以交互式执行 Python 语句,是学习 Python 的有力工具。
NumPy 是 Python 科学计算的基础软件包,提供多了维数组对象,多种派生对象(掩码数组、矩阵等)以及用于快速操作数组的函数及 API,它包括数学、逻辑、数组形状变换、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。
和 Python 的列表相比,NumPy 拥有明显的速度优势。NumPy 底层使用 C 语言编写,内置了并行运算功能,并且内部解除了 GIL(全局解释器锁)。这意味着:
NumPy 的数据组织结构,尤其是数组(numpy.ndarray),几乎已经成为所有数据处理与机器学习的标准数据结构了。越来越多的基于 Python 的机器学习和数据处理软件包使用 NumPy 数组,虽然这些工具通常都支持 Python 的原生数组(即列表——在不冲突的前提下,我可能会混用数组和列表)作为参数,但它们在处理之前会还是会将输入的数组转换为 NumPy 数组,而且也通常输出为 NumPy 数组。在 Python 的圈子里,NumPy 的重要性和普遍性日趋增强。换句话说,为了高效地使用当今机器学习和数据处理等基于 Python 的工具包,你只知道如何使用 Python 的原生数组是不够的,还需要知道如何使用 NumPy 数组。
上面这一张图,展示的是 Python 旗下用于图像视觉处理、2D绘图、3D渲染、数据处理、机器学习等领域比较有名的5个工具模块,都深度依赖 NumPy 数组。可以说,没有NumPy的基础,任何人都很难用好上述这5个工具库。
学过 Python 的同学都知道,Python 的列表操作非常灵活,而 NumPy 数组继承了 Python 数组操作便捷、灵活的特点,又具有极高的、接近 C 语言的运行效率。可以说,NumPy 数组是专为处理科学数据而生的。
NumPy 支持的数据类型主要有整型(integrate)、浮点型(float)、布尔型(bool)和复数型(complex),每一种数据类型根据占用内存的字节数又分为多个不同的子类型。当然,NumPy 也支持自定义类型,我们在后面讲解数组排序的时候,再讨论自定义类型。
咱们来演示一下如何查看、指定数据类型。
>>> a = np.array([0,1,2,3])
>>> a.dtype
dtype('int32')
>>> a = np.array([0,1,2,3.0])
>>> a.dtype
dtype('float64')
>>> a = np.array([0,1,2,3+0j])
>>> a.dtype
dtype('complex128')
>>> a = np.array([0,1,2,3], dtype=np.int16)
>>> a.dtype
dtype('int16')
>>> a = np.array([0,1,2,3], dtype=np.uint8)
>>> a.dtype
dtype('uint8')
dtype 是数组的属性之一,可以很方便地查看数组的数据类型。创建数组时,如果不指定数据类型,numpy会根据输入数据选择合适的数据类型。指定数据类型的时候,通常可以省略类型后面的数字。如果省略数字的话,整形和无符号整形默认是32位的,浮点型默认是64位的,复数型默认是128位。
刚才我们用 dtype 可以查看数组的数据类型,dtype 是数组对象的属性之一,除了 dtype,NumPy 数组还有其他一些属性,比如,shape,数组结构,或者叫形状;sizes,数组元素个数;itemsize,数组元素字节数;flags,数组的内存信息;real,数组实部;imag,数据虚部;data,存储区域内存地址,相当于指针。除此之外,还有一个属性,ndim,数组的维度数,也叫秩,下一节会专门讲它。属性看起来有点多,但我们只需要记住 dtype 和 shape 两个属性就足够了。这两个属性非常重要,重要到你可以忽略其他的属性。
属性 | 说明 |
---|---|
ndarray.dtype | 元素类型 |
ndarray.shape | 数组结构 |
ndarray.size | 元素个数 |
ndarray.itemsize | 每个元素的大小,以字节为单位 |
ndarray.ndim | 数组的维度数,也叫秩 |
ndarray.flags | 数组的内存信息 |
ndarray.real | 元素的实部 |
ndarray.imag | 元素的虚部 |
ndarray.data | 元素数组的实际存储区 |
下面是这些属性的演示操作:
>>> a = np.arange(24, dtype=np.complex64).reshape((2,3,4))
>>> a.dtype # 复数类型
dtype('complex64')
>>> a.shape # 2层3行4列
(2, 3, 4)
>>> a.size # 总共24个元素
24
>>> a.itemsize # 每个元素占用8个字节
8
>>> a.flags # 存储信息
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
>>> a.real # 实部
array([[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]],
[[12., 13., 14., 15.],
[16., 17., 18., 19.],
[20., 21., 22., 23.]]], dtype=float32)
>>> a.imag # 虚部
array([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]], dtype=float32)
>>> a.data # 内存区域地址
<memory at 0x00000157D820BC78>
>>> a.ndim # 维度数(秩)
3
维,就是维度。我们说数组是几维的,就是指维度,3维的数组,其维度数,自然就是3。维度数,有一个专用名字,叫做秩,也就是上一节提到的数组属性 ndim。秩,这个名字感觉有些多余,不如维度数更容易理解。但是,轴的概念,大家一定要建立起来,并且要理解,因为轴的概念很重要。简单来说,我们可以把数组的轴,和笛卡尔坐标系的轴对应一下。
一维数组,类比于一维空间,只有一个轴,那就是0轴。
二维数组,类比于二维平面,有两个轴,我们习惯表示成行、列,那么行的方向就是0轴,列的方向就是1轴。
三维数组,类比于三维空间,有三个轴,我们习惯表示成层、行、列,那么层的方向就是0轴,行的方向就是1轴,列的方向就是2轴。
我们用一个求和的例子来演示一下轴概念的重要性。先来看看用 Python 的求和。
>>> a = [2,5,4,7,9,3] # python的求和函数sum(),只能对一维列表求和
>>> sum(a)
30
>>> a = [[3,5,1],[2,6,9]] # 如果是多维列表,那就会报错了
>>> sum(a)
Traceback (most recent call last):
File "<pyshell#19>", line 1, in <module>
sum(a)
TypeError: unsupported operand type(s) for +: 'int' and 'list'
但有时候,我们的需求会比较复杂,比如,分层求和,逐行求和,逐列求和等。这时候,Numpy 的轴概念就可以大显身手了。
>>> a = np.arange(18).reshape((3,2,3)) # 3层2行3列的结构
>>> a
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]],
[[12, 13, 14],
[15, 16, 17]]])
>>> np.sum(a)
153
>>> np.sum(a, axis=0) # 层合并求和
array([[18, 21, 24],
[27, 30, 33]])
>>> np.sum(a, axis=1) # 行合并求和
array([[ 3, 5, 7],
[15, 17, 19],
[27, 29, 31]])
>>> np.sum(a, axis=2) # 列合并求和
array([[ 3, 12],
[21, 30],
[39, 48]])
>>> np.sum(np.sum(a, axis=1), axis=1) # 分层求和方法1
array([15, 51, 87])
>>> np.sum(np.sum(a, axis=2), axis=1) # 分层求和方法2
array([15, 51, 87])
同样是求和,显然,NumPy数组要比Python列表更强大、更灵活。
在讲两个概念之前,我们先思考两个问题:
我们先用python数组实现:
>>> x = list(range(5))
>>> for i in range(len(x)): # 遍历数组为每个元素加1
x[i] += 1
>>> y = list(range(5,10))
>>> z = list()
>>> for i, j in zip(x, y): # 遍历两个数组,逐个元素求和
z.append(i+j)
我们再用NumPy数组实现:
>>> a = np.arange(5)
>>> a += 1
>>> b = np.arange(5,10)
>>> c = a + b
显然,用NumPy数组实现起来,要比python数组更简洁、更清晰。这得益于于 NumPy 的两大特性:广播(broadcast)和矢量化(vectorization)。
广播和矢量化,是 NumPy 最精髓的特性,是 NumPy 的灵魂。所谓广播,就是将对数组的操作映射到每个数组元素上;矢量化可以理解为代码中没有显式的循环、索引等。NumPy数组最重要的特性是广播和矢量化,体现在性能上,就是接近C语言的运行效率,体现在代码上,则有这样的特点:
近期有很多朋友通过私信咨询有关Python学习问题。为便于交流,我在CSDN的app上创建了“Python作业辅导”大本营,面向Python初学者,为大家提供咨询服务、辅导Python作业。欢迎有兴趣的同学使用微信扫码加入。
从博客到公众号,每一篇、每一题、每一句、每一行代码,都坚持原创,绝不复制抄袭,这是我坚守的原则。如果喜欢,请关注我的微信公众号“Python作业辅导员”。
文章浏览阅读101次。4.class可以有⽆参的构造函数,struct不可以,必须是有参的构造函数,⽽且在有参的构造函数必须初始。2.Struct适⽤于作为经常使⽤的⼀些数据组合成的新类型,表示诸如点、矩形等主要⽤来存储数据的轻量。1.Class⽐较适合⼤的和复杂的数据,表现抽象和多级别的对象层次时。2.class允许继承、被继承,struct不允许,只能继承接⼝。3.Struct有性能优势,Class有⾯向对象的扩展优势。3.class可以初始化变量,struct不可以。1.class是引⽤类型,struct是值类型。
文章浏览阅读586次。想实现的功能是点击顶部按钮之后按关键字进行搜索,已经可以从服务器收到反馈的json信息,但从json信息的解析开始就会闪退,加载listview也不知道行不行public abstract class loadlistview{public ListView plv;public String js;public int listlength;public int listvisit;public..._rton转json为什么会闪退
文章浏览阅读219次。如何使用wordnet词典,得到英文句子的同义句_get_synonyms wordnet
文章浏览阅读521次。系统项目报表导出 导出任务队列表 + 定时扫描 + 多线程_积木报表 多线程
文章浏览阅读1.1k次,点赞9次,收藏9次。使用AJAX技术的好处之一是它能够提供更好的用户体验,因为它允许在不重新加载整个页面的情况下更新网页的某一部分。另外,AJAX还使得开发人员能够创建更复杂、更动态的Web应用程序,因为它们可以在后台与服务器进行通信,而不需要打断用户的浏览体验。在Web开发中,AJAX(Asynchronous JavaScript and XML)是一种常用的技术,用于在不重新加载整个页面的情况下,从服务器获取数据并更新网页的某一部分。使用AJAX,你可以创建异步请求,从而提供更快的响应和更好的用户体验。_ajax 获取http数据
文章浏览阅读2.8k次。登录退出、修改密码、关机重启_字符终端
文章浏览阅读3.8k次,点赞3次,收藏51次。前段时间看到一位发烧友制作的超声波雷达扫描神器,用到了Arduino和Processing,可惜啊,我不会Processing更看不懂人家的程序,咋办呢?嘿嘿,所以我就换了个思路解决,因为我会一点Python啊,那就动手吧!在做这个案例之前先要搞明白一个问题:怎么将Arduino通过超声波检测到的距离反馈到Python端?这个嘛,我首先想到了串行通信接口。没错!就是串口。只要Arduino将数据发送给COM口,然后Python能从COM口读取到这个数据就可以啦!我先写了一个测试程序试了一下,OK!搞定_超声波扫描建模 python库
文章浏览阅读4.2k次。端—端加密指信息由发送端自动加密,并且由TCP/IP进行数据包封装,然后作为不可阅读和不可识别的数据穿过互联网,当这些信息到达目的地,将被自动重组、解密,而成为可读的数据。不可逆加密算法的特征是加密过程中不需要使用密钥,输入明文后由系统直接经过加密算法处理成密文,这种加密后的数据是无法被解密的,只有重新输入明文,并再次经过同样不可逆的加密算法处理,得到相同的加密密文并被系统重新识别后,才能真正解密。2.使用时,加密者查找明文字母表中需要加密的消息中的每一个字母所在位置,并且写下密文字母表中对应的字母。_凯撒加密
文章浏览阅读5.7k次。CIP报文解析常用到的几个字段:普通类型服务类型:[0x00], CIP对象:[0x02 Message Router], ioi segments:[XX]PCCC(带cmd和func)服务类型:[0x00], CIP对象:[0x02 Message Router], cmd:[0x101], fnc:[0x101]..._cip协议embedded_service_error
文章浏览阅读2.4k次,点赞9次,收藏13次。有时候我们在MFC项目开发过程中,需要用到一些微软已经提供的功能,如VC++使用EXCEL功能,这时候我们就能直接通过VS2019到如EXCEL.EXE方式,生成对应的OLE头文件,然后直接使用功能,那么,我们上篇文章中介绍了vs2017及以前的版本如何来添加。但由于微软某些方面考虑,这种方式已被放弃。从上图中可以看出,这一功能,在从vs2017版本15.9开始,后续版本已经删除了此功能。那么我们如果仍需要此功能,我们如何在新版本中添加呢。_vs添加mfc库
文章浏览阅读785次。用ac3编码,执行编码函数时报错入如下:[ac3 @ 0x7fed7800f200] frame_size (1536) was not respected for anon-last frame (avcodec_encode_audio2)用ac3编码时每次送入编码器的音频采样数应该是1536个采样,不然就会报上述错误。这个数字并非刻意固定,而是跟ac3内部的编码算法原理相关。全网找不到,国内音视频之路还有很长的路,音视频人一起加油吧~......_frame_size (1024) was not respected for a non-last frame
文章浏览阅读230次,点赞2次,收藏2次。创建Android应用程序一个项目里面可以有很多模块,而每一个模块就对应了一个应用程序。项目结构介绍_在安卓移动应用开发中要在活动类文件中声迷你一个复选框变量