NumPy ndarray数组的创建

NumPy 是 Python 的外部库,不在标准库中,若要使用它,需要先导入 NumPy:

import numpy as np

导入 NumPy 库后,可通过np.+Tab键查看可使用的函数,如果对其中一些函数的使用不是很清楚,还可以在对应函数加上?,再运行,就可以很方便地看到如何使用函数的帮助信息。

输入np.然后按 Tab 键,将出现如下界面:

查看 NumPy 可以使用的函数
图1:查看 NumPy 可以使用的函数

运行如下命令,便可查看函数 abs 的详细帮助信息。

np.abs?

NumPy 不但强大,而且还非常友好。下面将介绍Numpy的一些常用方法,尤其是与机器学习、深度学习相关的一些内容。

NumPy 封装了一个新的数据类型 ndarray(N-dimensional Array),它是一个多维数组对象。该对象封装了许多常用的数学运算函数,方便我们做数据处理、数据分析等。那么,如何生成 ndarray 呢?这里介绍生成 ndarray 的几种方式,包括:

  • 从已有数据中创建;
  • 利用 random 创建;
  • 创建特定形状的多维数组;
  • 利用 arange、linspace 函数生成等。

从已有数据中创建数组

直接对 Python 的基础数据类型(如列表、元组等)进行转换来生成 ndarray:

1) 将列表转换成 ndarray:

import numpy as np

ls1 = [10, 42, 0, -17, 30]
nd1 =np.array(ls1)
print(nd1)
print(type(nd1))

运行结果:

[ 10  42   0 -17  30]
<class 'numpy.ndarray'>

2) 嵌套列表可以转换成多维 ndarray:

import numpy as np

ls2 = [[8, -2, 0, 34, 7], [6, 7, 8, 9, 10]]
nd2 =np.array(ls2)
print(nd2)
print(type(nd2))

运行结果:

[[ 8 -2  0 34  7]
[ 6  7  8  9 10]]
<class 'numpy.ndarray'>

对于上面两个例子,也可以把列表换成元组,同样也适用。

利用 random 模块生成数组

在深度学习中,我们经常需要对一些参数进行初始化,因此为了更有效地训练模型,提高模型的性能,有些初始化还需要满足一定的条件,如满足正态分布或均匀分布等。这里介绍了几种 np.random 模块中常用的方法,如下表所示。

表1:np.random 模块常用函数
函数 描述
np.random.random 生成0到1之间的随机数
np.random.uniform 生成均勻分布的随机数
np.random.randn 生成标准正态的随机数
np.random.randint 生成随机的整数
np.random.normal 生成正态分布
np.random.shuffle 随机打乱顺序
np.random.seed 设置随机数种子
random_sample 生成随机的浮点数

下面来看一些函数的具体使用:

import numpy as np

nd3 =np.random.random([4, 3])  #生成4行3列的数组
print(nd3)
print("nd3的形状为:",nd3.shape)

运行结果:

[[0.59115057 0.52022516 0.05992361]
 [0.5077815  0.81313999 0.70061259]
 [0.24654561 0.11705634 0.71399966]
 [0.73964407 0.57138345 0.89284498]]
nd3的形状为: (4, 3)

为了每次生成同一份数据,可以指定一个随机种子,使用 shuffle() 函数打乱生成的随机数。

import numpy as np

np.random.seed(123)
nd4 = np.random.randn(4, 3)
print(nd4)
np.random.shuffle(nd4)
print("随机打乱后数据:")
print(nd4)
print(type(nd4))

运行结果:

[[-1.0856306   0.99734545  0.2829785 ]
 [-1.50629471 -0.57860025  1.65143654]
 [-2.42667924 -0.42891263  1.26593626]
 [-0.8667404  -0.67888615 -0.09470897]]
随机打乱后数据:
[[-1.50629471 -0.57860025  1.65143654]
 [-2.42667924 -0.42891263  1.26593626]
 [-0.8667404  -0.67888615 -0.09470897]
 [-1.0856306   0.99734545  0.2829785 ]]
<class 'numpy.ndarray'>

创建特定形状的多维数组

参数初始化时,有时需要生成一些特殊矩阵,如全是 0 或 1 的数组或矩阵,这时我们可以利用 np.zeros、np.ones、np.diag 来实现,如下表所示。

表2:NumPy 自带的数组创建函数
函数 描述
np.zeros((3, 4)) 创建 3×4 的元素全为 0 的数组
np.ones((3, 4)) 创建 3×4 的元素全为 1 的数组
np.empty((2, 3)) 创建 2×3 的空数组,空数据中的值并不为 0,而是未初始化的垃圾值
np.zeros_like(ndarr) 以 ndarr 相同维度创建元素全为  0数组
np.ones_like(ndarr) 以 ndarr 相同维度创建元素全为 1 数组
np.empty_like(ndarr) 以 ndarr 相同维度创建空数组
np.eye(5) 该函数用于创建一个 5×5 的矩阵,对角线为 1,其余为 0
np.full((3,5), 10) 创建 3×5 的元素全为 10 的数组,10 为指定值

下面通过几个示例说明:

import numpy as np

# 生成全是 0 的 3x3 矩阵
nd5 =np.zeros([3, 3])
# 生成全是 1 的 3x3 矩阵
nd6 = np.ones([3, 3])
# 生成 4 阶的单位矩阵
nd7 = np.eye(4)
# 生成 4 阶对角矩阵
nd8 = np.diag([1, 8, 3, 10])

print("nd5 =/n", nd5)
print("nd6 =/n", nd6)
print("nd7 =/n", nd7)
print("nd8 =/n", nd8)

运行结果:

nd5 =
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
nd6 =
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
nd7 =
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
nd8 =
[[ 1  0  0  0]
[ 0  8  0  0]
[ 0  0  3  0]
[ 0  0  0 10]]

有时还可能需要把生成的数据暂时保存到文件中,以备后续使用。

import numpy as np

nd9 =np.random.random([3, 5])
np.savetxt(X=nd9, fname='./data.txt')
nd10 = np.loadtxt('./data.txt')
print(nd10)

运行结果:

[[0.1744383  0.15515217 0.74885812 0.57633094 0.06300636]
[0.24340527 0.65213913 0.07284238 0.52232677 0.58538849]
[0.83611286 0.76508018 0.26018483 0.20485587 0.95476232]]

打开当前目录下的 data.txt 也可以看到格式化的数据。

利用 arange() 和 linspace() 函数生成数组

arange() 是 numpy 模块中的函数,其格式为:

arange([start,] stop[,step,], dtype=None)

其中,start 与 stop 用来指定范围,step 用来设定步长。在生成一个 ndarray 时,start 默认为0,步长 step 可为小数。Python 有个内置函数 range,其功能与此类似。

请看下面的代码:

import numpy as np

print(np.arange(10))
print(np.arange(0, 10))
print(np.arange(1, 4, 0.5))
print(np.arange(9, -1, -1))

运行结果:

[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
[1.  1.5 2.  2.5 3.  3.5]
[9 8 7 6 5 4 3 2 1 0]

linspace() 也是 numpy 模块中常用的函数,其格式为:

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

linspace() 可以根据输入的指定数据范围以及等份数量,自动生成一个线性等分向量,其中 endpoint(包含终点)默认为 True,等分数量 num 默认为 50。如果将 retstep 设置为True,则会返回一个带步长的 ndarray。

请看下面的代码:

import numpy as np

print(np.linspace(0, 1, 10))

运行结果:

[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
0.66666667 0.77777778 0.88888889 1.        ]

值得一提的是,这里并没有像我们预期的那样,生成 0.1,0.2,…,1.0 这样步长为 0.1 的 ndarray,这是因为 linspace 必定会包含数据起点和终点,那么其步长则为 (1-0)/9=0.11111111。如果需要产生 0.1,0.2,…,1.0 这样的数据,只需要将数据起点 0 修改为 0.1 即可。

除了上面介绍到的 arange() 和 linspace(),NumPy 还提供了 logspace() 函数,该函数的使用方法与 linspace() 的使用方法一样,读者不妨自己动手试一下。

原创文章,作者:奋斗,如若转载,请注明出处:https://blog.ytso.com/23604.html

(0)
上一篇 2021年7月20日
下一篇 2021年7月20日

相关推荐

发表回复

登录后才能评论