什么是NumPy
NumPy（Numerical Python）是Python中用于科学计算的一个核心库。
它提供了一个高性能的多维数组对象（numpy.array），以及对这些数组进行操作的工具。
NumPy的主要功能包括：
-
多维数组对象（Arrays）
NumPy提供了numpy.array对象，是一个灵活的N维数组，可以容纳任意类型的数据。
-
广播（Broadcasting）
NumPy支持不同形状的数组之间的数学运算，使得在不增加内存消耗的情况下进行操作更加容易。
-
数学函数
NumPy包含大量的数学函数，用于执行各种数学运算，如线性代数、傅里叶变换、统计等。
-
输入/输出
NumPy包含了读写不同数据格式的工具，如文本文件、二进制文件，以及基于内存映射文件的数组操作。
Numpy库的优缺点
1 、优点：
-
性能优越
NumPy中的操作是基于C语言实现的，因此在处理大规模数据时非常高效。
-
广泛应用
在科学计算、数据分析和机器学习等领域，NumPy都是一种被广泛应用的工具。
-
丰富的功能
丰富的函数和工具，涵盖了从简单的数学运算到复杂的线性代数和统计运算。
-
开源
NumPy是开源的，拥有庞大的社区支持，有大量的文档和教程可供学习和参考。
2、 缺点：
-
学习曲线
初学者来说，NumPy的学习曲线可能相对陡峭，对于没有数学和科学计算背景的人。
-
内存消耗
在处理大规模数据时，NumPy可能占用较多的内存。
NumPy安装
在安装Python的环境下使用pip进行安装。
# 升级pip最新版本python -m pip install --upgrade pippip install numpy
你可以使用Conda来安装NumPy。确保你已经安装了Conda，然后在命令行中运行以下命令：
# 在环境外部安装适合所有环境conda install numpy# 在某个虚拟环境中安装conda activate you_env# 升级condaconda update conda# 安装 numpyconda install numpy
NumPy的基础用法
-
数组的创建
import numpy as np# 创建一维数组arr1 = np.array([1, 2, 3])print(arr1)# 创建二维数组arr2 = np.array([[1, 2, 3], [4, 5, 6]])print(arr2)# 创建全零数组zeros_arr = np.zeros((3, 3))print(zeros_arr)# 创建全一数组ones_arr = np.ones((2, 2))print(ones_arr)# 创建等差数组range_arr = np.arange(0, 10, 2)print(range_arr)# 创建均匀分布数组uniform_arr = np.linspace(0, 1, 5)print(uniform_arr)# 创建随机数组rand_arr = np.random.rand(2, 2)print(rand_arr)
-
数组操作
# 数组形状二行三列shape = arr2.shape# 数组维度dimension = arr2.ndim# 数组元素类型dtype = arr2.dtypeprint(shape,dimension,dtype)# 数组转置transposed_arr = arr2.T# 行列交换print(arr2)print(transposed_arr)# 数组切片,行不变，列取出col[1] col[2]sliced_arr = arr2[:, 1:3]print(sliced_arr)# 数组运算 2行4列数组，数组中每个元素单独运算arr3 = np.array([[3,4,6,5],[9,8,5,3]])# 注：不同维数是不能运算的sum_arr = arr3 + arr3mul_arr = arr3 * arr3print(sum_arr,mul_arr)
-
广播
# 和其它类型操作print(arr3 + 1)print(arr3 - 12)
-
数据处理
# 读取数据data = np.loadtxt('data.txt', delimiter=' ')# 数据切片features = data[:, :-1]print(features)#求均值 axis不设置所有m*n均值，0列均值 1行均值mean = np.mean(features, axis=0)print(mean)# 计算标准差，就是上面均值在做开方操作std = np.std(features, axis=0)print(std)normalized_features = (features - mean) / stdprint(normalized_features)
-
数学运算
# 矩阵乘法matrix_a = np.random.rand(3, 4)matrix_b = np.random.rand(4, 2)result_matrix = np.dot(matrix_a, matrix_b)print(result_matrix)
-
神经网络中的数组操作
import numpy as np# 假设有一个简单的神经网络层input_size = 3output_size = 2# 随机生成输入数据和权重input_data = np.random.rand(4, input_size)weights = np.random.rand(input_size, output_size)# 矩阵乘法output_data = np.dot(input_data, weights)# 激活函数def sigmoid(x):return 1 / (1 + np.exp(-x))activated_output = sigmoid(output_data)print(activated_output)
-
图像处理
import numpy as npfrom PIL import Image# 读取图像image_path = "mm.jpg"image = Image.open(image_path)print(image.size,image.format,image.mode)# display(image)# 转换为NumPy数组image_array = np.array(image)# 图像缩放size = (image.size[0] // 2,image.size[1] // 2)resize = Image.fromarray(image_array,'RGB').resize(size)# 显示原图和缩放后的图display(image,resize)resized_image = np.array(resize)# 提取颜色通道red_channel = resized_image[:, :, 0]green_channel = resized_image[:, :, 1]blue_channel = resized_image[:, :, 2]print(red_channel,green_channel,blue_channel)
sd生成600,720的美女图，进行截取和颜色提取
-
损失函数计算
在深度学习中，损失函数用于衡量模型预测与实际标签之间的差异。NumPy可以用于计算损失函数。
# 假设有模型预测和实际标签predictions = np.array([0.2, 0.8, 0.5])true_labels = np.array([0, 1, 1])# 交叉熵损失函数 CE(p,q)=−∑i pi log(qi)def cross_entropy_loss(predictions, true_labels):epsilon = 1e-15predictions = np.clip(predictions, epsilon, 1 - epsilon)loss = - np.sum(true_labels * np.log(predictions + 1e-9))return lossloss = cross_entropy_loss(predictions, true_labels)
-
性能优化
然NumPy在许多情况下具有足够的性能，但在深度学习中，通常需要处理大规模数据和复杂的模型。为了进一步提高性能，可以考虑使用GPU加速库（例如CUDA）来加速NumPy操作。
import cupy as cp # 使用CuPy替代NumPy# 在GPU上执行操作arr_cpu = np.random.rand(1000, 1000)arr_gpu = cp.asarray(arr_cpu)# 使用CuPy进行加速计算result_gpu = cp.dot(arr_gpu, arr_gpu)result_cpu = cp.asnumpy(result_gpu)
原文始发于微信公众号（程序员老朱）：数据科学初学者必知的Python第三方库NumPy
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论