[Pytorch] Numpy基本用法

numpy(numerical python簡稱) 的核心內容是narray（多維數組），記錄numpy的用法

• 創建數組

(1) 直接導入

import numpy as np vector = np.array([1,2,3,4]) maxtrix = np.array([[1,2],[3,4],[5,6]])

(2) 用list的方式來創建數組

nparray = np.array([i for i in range(10)])

     結果：

(3) numpy 內置方法來創建數組

#創建10個零元素的向量
np.zeros(10,dtype=int) #dtype指定數據類型，默認是float64
np.zeros(10) #數據類型是float64

#創建3x4的零矩陣
np.zeros(shape=(3,4))
np.zeros((3,4))
np.zeros([3,4])

#創建元素為1的數組
np.ones((3,4))#3x4 全1的二維數組，數據類型是float64

#創建全部為指定值的數組
np.full((3,5),121) #3x5 全為121的二維數組，數據類型是int（121是int）

#創建指定范圍的數組
np.arange(0,20,2)#前2個參數數范圍（前閉后開），第3個參數是步長2，默認是1，返回的結果是：array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])
np.linspace(0,20,5)#[0,20]分成5等分 返回結果：array([ 0.,  5., 10., 15., 20.])

#random創建數組
np.random.randint(0,10,10) #產生一個0~10范圍內的10個隨機數
np.random.randint(0,10,size=(3,5))#創建一個3x5的數組，數組元素是范圍在[0,10)內的隨機數

• Numpy的方法

(1)reshape(row,column)

　　將array改成row X colum的數組

a = np.arange(15).reshape(3,5) #執行結果
[[ 0  1  2  3  4] [ 5  6  7  8  9] [10 11 12 13 14]]

(2)shape

　　獲取array的行數和列數

a = np.arange(15).reshape(3,5) print(a.shape) ##執行結果：（3,5）

(3)ndim

　　獲取array的維數，向量是1維，矩陣是2維。。。

x = np.arange(15) print(x.ndim) ##執行結果是1
X = x.reshape(3,5) print(X.ndim) #執行結果是2

•  Numpy索引

matrix = np.array([[1,2,3],[20,30,40]]) print(matrix[0,1]) #取第0行第1列的元素：2
print(matrix[0][1])#和上面一樣：2

#切片取
matrix = np.array([[5,10,15],[20,25,30],[35,40,45]]) print(matrix[:,1]) #取第1列的所有元素
print(matrix[:,0:2])#取第0列和第1列所有元素
print(matrix[1:3,:])#取第1行和第2行的所有元素
print(matrix[1:3,0:2])#取第1行第0~1列和第2行第0~1列的所有元素

• Numpy矩陣運算

(1)算術運算：加，減，乘，除，平方等等。算術運算都是對元素做處理（elementwise）

 

 

 

 

(2)矩陣乘法

mymatrix = np.array([[1,2,3],[4,5,6]]) a = np.array([[1,2],[3,4],[5,6]]) print(mymatrix.shape[1] == a.shape[0]) print(mymatrix.dot(a)) print(mymatrix)

(3) 矩陣的轉置

a = np.array([[1,2,3],[4,5,6]]) print(a.T)

(4) 矩陣的逆

import numpy.linalg as lg A = np.array([[0,1],[2,3]]) invA = lg.inv(A) print(A) PRINT(A.dot(invA))

• Numpy數據類型轉換

　　　　numpy的數據類型在定義的時候，可以通過參數dtype設定，還可以通過參數astype來轉換

vector = np.array(['1','2','3']) vector = vector.astype(float) print(vector.dtype) #float64

• Numpy的統計計算方法

##sum():計算矩陣元素和
matrix = np.array([[5,10,15],[20,10,30],[35,40,45]]) matrix.sum()#結果是210
 matrix.sum(axis=0)#返回每列總和，結果是 array([35, 40, 45])
matrix.sum(axis=1)#返回每行總和，結果是 array([ 30, 60, 120])

#max():取最大值
matrix.max()#返回最大值，結果是45
matrix.max(axis=0)#返回每一列的最大值，結果是array([35, 40, 45])
matrix.max(axis=1)#返回每一行的最大值，結果是array([15, 30, 45])

#mean():平均值
matrix.mean()#返回最大值，結果是23.333333333333332
matrix.mean(axis=0)#返回每一列的最大值，結果是array([20., 20., 30.])
matrix.mean(axis=1)#返回每一行的最大值，結果是array([10., 20., 40.])

• Numpy的arg運算

(1) argmax函數：求數組中最大值的下標

(2) argmin函數：求數組中最小值的下標

matrix = np.array([[5,10,15],[20,10,30],[35,40,45]]) print(np.argmax(matrix))#結果：8
print(np.argmin(matrix))#結果：0

(3) argsort()函數：返回從小到大的索引值

x = np.arange(15) print(x) np.random.shuffle(x) print(x) sx = np.argsort(x) print(sx)

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
[11 13 14  7  4 12  1 10  2  0  8  6  3  9  5]
[ 9  6  8 12  4 14 11  3 10 13  7  0  5  1  2]

• Numpy fancyindexing

　　通過索引取一個值，比如x[0]取第0個值，如果想要返回第3個，第5個等，需要用fancyindexing

x = np.random.randint(0,15,15) ind = [3,5,8] print(x) print(x[ind])

[ 4  3  1  5 12  8 14 11 13  9  0  6 10  2  7]
[[4 1]
 [3 5]]

• Numpy數組的比較

　　返回False/True

matrix = np.array([[5,10,15], [20,25,30], [35,40,45]]) m = (matrix == 25) print(m)    

[[False False False]
 [False  True False]
 [False False False]]

 

 

Reference: https://docs.scipy.org/doc/numpy/user/quickstart.html

 　　　　　深度學習與圖形識別：原理與實踐