Numpy是关于机器学习,数据处理的Python基础库,了解 NumPy 的工作原理可以提高你的编码效率，可以让你的代码看上去更加简洁和优雅。 NumPy 也可以GPU上运行代码而无需更改原始代码(或只做少量更改)。

NumPy 的核心概念是 多维数组。它的美妙之处在于，无论数组有多少维，大多数操作看起来都是一样的。但是 1D 和 2D 的情况有点特殊。文章由三部分组成：

1. 向量，一维数组
2. 矩阵，二维数组
3. 3D及以上

Numpy 数组与 Python 列表(list)

粗看上去,NumPy 数组类似于 Python 列表。它们都用作容器，具有快速的原始获取和设置以及元素的插入和删除速度稍慢。

先看一个最简单的例子，Numpy能打败Python的list主要体现在算术计算上：

 除此之外，NumPy 数组的优缺点主要体现在：

• Numpy更紧凑，尤其是当有多个维度时。
• Numpy的向量化操作List表更快。
• Numpy将元素附加到末尾时比List慢。
• Numpy和List共同特点是：只能快速处理一种类型的元素。

 这里的大O表示运算的时间复杂度, O(N)表示运算的时间与数组的大小成正比。O*(1)表运算示时间一般不依赖于数组的大小。

1.向量，一维数组

向量初始化

创建 NumPy 数组的一种方法是通过将python的list 转换成numpy的数组：

NumPy 数组不能像 Python list 那样很方便的进行扩展(append)：因为它在数组末尾没有保留空间以方便快速扩展。因此，通常的做法是先扩展 Python 列表然后将其转换为 NumPy 数组，或者使用 np.zeros，np.empty  预先分配必要的空间。

通常我们需要创建一个空数组来匹配现有数组的形状和元素类型 ：

实际上，所有创建一个填充常量值的数组的函数都有_like对应的函数：

 NumPy 中创建序列数组初始化的函数有两个：

如果您需要一个外观相似的浮点数数组，例如[0., 1., 2.]，您可以更改arange输出的类型：arange(3).astype(float)，但还有更好的方法，由于arange函数是类型敏感的：如果您输入整数作为参数，它将生成整数，如果您输入浮点数（例如arange(3.)），它将生成浮点数。 

但arange不是特别擅长处理浮点数：

 np.arange(start,stop,step)通常情况下比较擅长处理整数，也可以处理浮动数，但是处理浮动数时可读性较差,因为当参数start,stop,step的小数位数不一致时,生产的结果有时难以理解(比如上图中的solution1的结果)，因为浮点数没有连续的概念。 当需要生成浮点数序列数组时更为有效的方法是使用np.linspace(start,stop,num)方法,其中num必须是整数，np.linspace生成的浮点数序列并不是连续的，它只是在start,stop之间均匀的生成num个浮点数(包含start,stop在内)。即x∈[start,stop]。但是有一些numpy生产的浮动数序列并不是闭区间的，比如用numpy生成随机数序列：

在Numpy中还有一个用于生成随机数组的新接口。它的特点是：

• 更适合多线程
• 速度更快
• 更可配置（您可以通过选择非默认的所谓“位生成器”来获得更快的速度或更高的质量） 

向量索引

当将数据放入数组后，NumPy 非常擅长提供简单的方法来返回部分或全部的结果：

 上面介绍的多种通过多种花哨的索引来裁剪数组的方法，但是它们的结果实际上都是所谓的“视图(view)”：如果数据在被索引后发生变化，它们不会存储数据并反映原始数组中的变(赋值操作除外)。下面是对list和numpy数组进行切片和赋值后的结果差异的对比：

 从 NumPy 数组获取数据的另一种非常有用的方法是布尔索引，它允许使用各种逻辑运算符：

 numpy数组通过使用布尔索引的方式也可以对原数组进行赋值。为此衍生出来的两个常用的方法：np.where和np.clip

 请注意，np.where使用一个参数返回一个数组元组（1D 情况下为 1 元组，2D 情况下为 2 元组等），因此您需要在上面的示例中写入np.where(a>5)[0]这种方式来返回你想要的数组。

向量运算

向量化运算的速度是 Numpy最值得夸耀的地方。向量化运算达到了 c++ 运算的级别，使我们能够避免缓慢的 Python 循环的成本。NumPy 允许像普通数字一样操作整个数组：

 和 Python 中一样，a//b 表示 整除（得到商），x**n 表示 xⁿ

当一个数组与一个数做加减乘除时，表示数组的每个元素都与这个数做相关的运算。（也称为广播）：

大多数数学函数都有NumPy函数与之对应：

 在numpy中向量的点积与叉积有自己运算符:

 在numpy中也有三角函数运算符:

 在numpy中还有多种不同的取整函数：

 这里np.floor是向下取整,np.ceil是向上取整,而np.round 并非是“四舍五入”，而是“去奇存偶”，或者说 “4舍6入5凑偶”，与一般理解的四舍五入不同：当整数部分是偶数，小数部分是0.5时，向下取整，最后结果为偶数。当整数部分是奇数，小数部分是0.5时，则向上取整，最后结果为偶数。这样得到的结果在统计学上更精确。numpy的round函数采用的是这种方法。

numpy还有一些基本的统计函数：

这些函数中的每一个都有一个 nan-resistant 变体：例如nansum、nanmax等

从上面的公式可以看出，在总体均值未知时从样本估计 std 的最典型用例中，std和都var忽略贝塞尔校正并给出有偏差的结果。获得较少偏差估计的标准方法是n-1在分母中使用ddof=1（'delta degrees of freedom'):

Pandas std默认使用贝塞尔校正 

随着样本量的增加，贝塞尔校正的效果会迅速减弱。此外，它不是一个标准的通用解决方案，例如正态分布ddof=1.5 更好： 

 排序函数的功能少于 Python  对应函数：

 在一维情况下，reversed可以通过反转结果轻松补偿关键字的缺失。在 2D 中，它有点困难。

在向量中搜索元素

与Python的List不同，NumPy 数组没有index方法。 所以查找元素是Numpy的一个痛点：

• 一种查找元素的方法是np.where(a==x)[0][0]，但它效率不高，因为它需要遍历数组的所有元素，即使要查找的元素在最开始位置。
• 另一种更快的方法是使用 Numba 加速 next((i[0] for i, v in np.ndenumerate(a) if v==x), -1) （否则在最坏的情况下比 where 还要慢).
• 一旦对数组进行排序，情况就会好转：v = np.searchsorted(a, x); return v if a[v]==x else -1 确实很快，复杂度为 O(log N)，但首先需要 O(N log N) 时间进行排序。

浮点运算比较 

函数np.allclose(a, b)用于比较具有给定公差的浮点数组：

• np.allclose假设所有的比较数字的等级是1个单位。例如在上图中，它就认为1e-9和2e-9相同，如果要进行更细致的比较，需要通过atol指定比较等级1：np.allclose(1e-9, 2e-9, atol=1e-17) == False。
• math.isclose进行比较没有假设前提，而是基于用户给出的一个合理abs_tol值：math.isclose(0.1+0.2–0.3, abs_tol=1e-8) == True。

除此之外np.allclose在绝对和相对公差公式中还存在一些小问题，例如，对某些数存在allclose(a, b) != allclose(b, a)。这些问题已在math.isclose函数中得到解决。

2.矩阵，二维数组

NumPy 中曾经有一个专门的matrix类，但现在已弃用，因此我将交替使用矩阵和二维数组这两个词。

矩阵初始化语法类似于向量：

这里需要双括号，因为第二个位置参数是为（可选）dtype（也接受整数）保留的。

随机矩阵生成也类似于向量：

 还有一种更简洁的随机数生成方式：

 二维索引语法比嵌套列表更方便：

 和一维数组一样，上图的view表示，切片数组实际上并未进行任何复制。修改数组后，更改也将反映在切片中。

axis参数 

在许多操作（例如求和）中，我们需要告诉NumPy是否要跨行或跨列进行操作。为了使用任意维数的通用表示法，NumPy引入了axis的概念：axis参数实际上是所讨论索引的数量：第一个索引是axis=0，第二个索引是axis=1，等等。

因此在二维数组中，如果axis=0是按列，那么axis=1就是按行。

矩阵运算

除了按元素工作的普通运算符（如 +、-、*、/、// 和 **）之外，还有一个计算矩阵乘积的 @ 运算符： 

 

 在第一部分中，我们已经看到向量乘积的运算，NumPy允许向量和矩阵之间，甚至两个向量之间进行元素的混合运算：

请注意，在最后一个示例中，它是一个对称的每元素乘法(笛卡尔积)。要使用非对称线性代数矩阵乘法计算外积，应颠倒操作数的顺序：

从上面的示例可以看出，在二维数组中，行向量和列向量被不同地对待。

默认情况下，一维数组在二维操作中被视为行向量。因此，将矩阵乘以行向量时，可以使用(n，)或(1，n)，结果将相同。

如果需要列向量，则有转置方法对其进行操作：

 能够从一维数组中生成二位数组列向量的两个操作是使用命令reshape重排和newaxis建立新索引：

这里的-1参数表示reshape自动计算第二个维度上的数组长度，None在方括号中充当np.newaxis的快捷方式，该快捷方式在指定位置添加了一个空axis。

因此，NumPy中总共有三种类型的向量：一维数组，二维行向量和二维列向量。这是两者之间显式转换的示意图：

flatten始终是一个副本，reshape (-1) 始终是一个视图，ravel尽可能是一个视图 

根据规则，一维数组被隐式解释为二维行向量，因此通常不必在这两个数组之间进行转换，相应区域用灰色标出。 

矩阵操作

连接矩阵有两个主要函数：

这两个函数只堆叠矩阵或只堆叠向量时，都可以正常工作。但是当涉及一维数组与矩阵之间的混合堆叠时，vstack可以正常工作：hstack会出现尺寸不匹配错误。

因为如上所述，一维数组被解释为行向量，而不是列向量。解决方法是将其转换为列向量，或者使用column_stack自动执行：

 堆叠的逆向操作是拆分：

 所有split风格都接受要拆分的索引列表作为参数，或单个整数作为参数，即大小相等的部分的数量：

 

 矩阵可以通过两种方式完成复制：tile类似于复制粘贴，repeat类似于分页打印。

特定的列和行可以用delete进行删除：

逆运算是插入(insert)：

 append就像hstack一样，该函数无法自动转置一维数组，因此再次需要对向量进行转置或添加长度，或者使用column_stack代替：

 实际上，如果您需要做的只是将常量值添加到数组的边界，那么（稍微有点复杂）pad 函数就足够了：

Meshgrids

广播规会让使用 meshgrids 变得更简单。假设，您需要以下矩阵（但尺寸非常大）：

两种明显的方法都很慢，因为它们使用 Python 循环。处理此类问题的MATLAB的方法是创建一个meshgrid：

该meshgrid函数接受任意一组索引，该mgrid只是切片并且,indices只能生成完整的索引范围。fromfunction如上所述，使用 I 和 J 参数调用提供的函数一次。

但实际上，在 NumPy 中有更好的方法。没有必要在整个 I 和 J 矩阵上花费内存（即使meshgrid足够聪明，如果可能的话只存储对原始向量的引用）。只存储正确形状的向量就足够了，其余的由广播规则处理：

如果没有indexing=’ij’参数，meshgrid将更改参数的顺序：J, I= np.meshgrid(j, i)—它是一种“xy”模式，可用于可视化 3D 绘图（请参阅文档中的示例）。

除了在二维或三维网格上初始化函数外，网格对于索引数组也很有用：

 

也适用于稀疏网格 

矩阵统计

就像 一样sum函数，所有其他统计函数 (min/max, argmin/argmax, mean/median/percentile, std/var)接受 axis 参数并相应地执行操作：

在二维及更高版本中的argminandargmax函数有返回扁平化索引（最小值和最大值的第一个实例）的麻烦。要将其转换为两个坐标，unravel_index需要一个函数 ：

all和any两个函数也能使用axis参数：

矩阵排序

尽管axis参数对上面列出的函数有帮助，但对 二维 排序没有帮助

这通常不是您希望对矩阵或电子表格进行排序的结果：axis它根本不是key参数的替代品。但幸运的是，NumPy 有几个辅助函数，允许按列排序——如果需要，也可以按多列排序： 

1. a[a[:,0].argsort()] 按第一列对数组排序:

这里argsort返回排序后原始数组的索引数组。

可以重复这个技巧，但必须注意下一次排序不会弄乱上一次的结果：
a = a[a[:,2].argsort()]
a = a[a[:,1].argsort(kind='stable')]
a = a[a[:,0].argsort(kind='stable')]

 

 2. 有一个辅助函数lexsort可以按照上面描述的方式对所有可用列进行排序，但它总是按行执行，并且要排序的行的顺序是倒置的（即从下到上）所以它的用法有点麻烦，例如：
–a[np.lexsort(np.rot90(a))]按从左到右的顺序按所有列排序。

 –a[np.lexsort(np.rot90(a[:,[2,5]]))]首先按第 2 列排序，然后（第 2 列中的值相等）按第 5 列排序。另一种形式是a[np.lexsort(np.flipud(a.T[[2,5]]))]

 这里 flipud 在上下方向上翻转矩阵（准确地说，在axis=0方向上，与 相同a[::-1,...]，其中三个点表示“所有其他维度”——所以突然flipud，而不是fliplr，翻转一维数组）并rot90旋转矩阵在正方向（即逆时针）旋转 90 度。flips 和 rot90 都返回视图。

3. 要使用 的order参数sort，首先将数组转换为结构化形式，然后对其进行排序，最后将其转换回普通（“非结构化”）形式：

 

 这两种转换实际上都是视图，因此它们速度很快并且不需要任何额外的内存。但是功能u2s和s2u需要首先导入：

from numpy.lib.recfunctions
import unstructured_to_structured as u2s, structured_to_unstructured as s2u

4. 在 Pandas 中执行此操作可能是更好的选择，因为此特定操作在那里更具可读性且更不容易出错：

• pd.DataFrame(a).sort_values(by=[2,5]).to_numpy():先按第 2 列排序，然后按第 5 列排序。 
• pd.DataFrame(a).sort_values().to_numpy()：按从左到右的顺序对所有列排序。

3. 3维及更高维

通过重排一维向量或转换嵌套的Python列表来创建3维数组时，索引的含义为（z，y，x）。第一个索引是平面的编号，然后是该平面中的坐标：

但是此索引顺序不是通用的。处理RGB图像时，通常使用（y，x，z）顺序：前两个是像素坐标，最后一个是颜色坐标（Matplotlib中是RGB ，OpenCV中是BGR ）：

RGB图像 

 这样，可以方便地引用特定像素：a[i,j]给出像素的RGB元组(i,j)。

因此，创建特定几何形状的实际命令取决于您正在处理的领域的约定：

显然，像 hstack、vstack、dstack 这样的 NumPy 函数并不知道这些约定。其中硬编码的索引顺序是 (y,x,z)，RGB 图像顺序： 

 堆叠RGB图像（这里只有两种颜色）

如果您的数据布局不同，使用concatenate命令堆叠图像，在参数中为其提供显式索引号axis会更方便：

如果您不方便用数轴(axis)来思考问题，可以将数组转换硬编码为hstack的形式：

 这种转换没有发生实际的复制操作。它只是混合索引的顺序。

另一个混合索引顺序的操作是数组转置。检查它可能会让您对 3维数组更加熟悉。根据您决定的轴(axis)顺序，转置数组所有平面的实际命令将有所不同：对于通用数组，它交换索引 1 和 2，对于RGB图像，它交换0和1：

 有趣的是，默认transpose的轴参数axes（以及唯一的a.T操作模式）颠倒了索引顺序，这与上面描述的索引顺序约定都不一致。

广播也适用于更高维度，有关详细信息，请参阅我的简短文章“ NumPy 中的广播”。

最后，这里有一个函数可以在处理多维数组时为您节省大量的Python 循环，并可以使您的代码更简洁 — einsum（爱因斯坦求和）：

 它沿着重复索引对数组求和。在这个特定的例子中 np.tensordot(a, b, axis=1)，这两种情况都足够了，但在更复杂的情况下 einsum 可能会工作得更快，而且通常更容易编写和阅读——一旦你理解了它背后的逻辑。

如果您想测试您的 NumPy 技能，GitHub 上有一套棘手的众包100 个 NumPy 练习¹⁰。

参考

1. Scott Sievert，NumPy GPU 加速
2. Jay Alammar，NumPy 和数据表示的可视化介绍
3. Big-O备忘单网站
4. Python 时间复杂度维基页面
5. NumPy Issue #14989，排序函数中的反向参数
6. NumPy Issue #2269，第一个非零元素
7. Numba 图书馆主页
8. 浮点指南，比较
9. NumPy Issue #10161，numpy.isclose 与 math.isclose
10. GitHub 上的 100 个 NumPy 练习

本文来自于Medium的一篇国外博主的博客文章 作者：Lev Maximov

原文地址：https://betterprogramming.pub/numpy-illustrated-the-visual-guide-to-numpy-3b1d4976de1d

\