Основы NumPy

Основы NumPy
Технологии и языки программирования
Юдинцев В. В.
Кафедра теоретической механики
Самарский университет
8 апреля 2017 г.

NumPy
NumPy базовая библиотека для научных вычислений в
среде Python, предлагающая поддержку многомерных
массивов, матриц и эффективных функция для работы c
этими типами данных.
Быстродействие кода Python c использованием NumPy в 50
раз быстрее кода на “чистом” Python1
и сравнимо с
быстродействием коммерческого пакета матричной
алгебры MATLAB.
1
http://scipy.github.io/old-wiki/pages/PerformancePython

Импорт модуля
Вариант 1
import numpy
v = numpy . array ( [ 1 , 2 ] )
Вариант 2 (рекомендуется)
import numpy as np
v = np . array ( [ 1 , 2 ] )
Вариант 3
from numpy import *
v = array ( [ 1 , 2 ] )

array
1 import numpy as np
2 a = np . array ( [ [ 1 , 2 , 3] , [4 , 5 , 6 ] ] )
Свойства
Размерность массива
1 >>> a . ndim
2 2
Размеры (по каждому измерению)
1 >>> a . shape
2 (2 , 3)
Количество элементов (суммарное)
1 >>> a . size
2 6

Тип данных массива
1 import numpy as np
2 a = np . array ( [ [ 1 , 2 , 3] , [4 , 5 , 6 ] ] )
3 p r i n t ( a . dtype )
int64
1 a = np . array ( [ [ 1 . 0 , 2.0 , 3 . 0 ] , [ 4 . 0 , 5.0 , 6 . 0 ] ] )
2 p r i n t ( a . dtype )
float64

Функции для создания массивов

Генератор последовательностей
arange( start, stop, step, dtype )
start: начальное значение
stop: конечное значение (не включается в результат)
step: шаг
dtype: тип данных
От минус 1.0 до 1.0 с шагом 0.2:
1 v = np . arange ( −1.0 , 1.0 , 0 . 2 )
2 v
array ( [ −1.00000000e+00 , −8.00000000e−01, −6.00000000e−01,
−4.00000000e−01, −2.00000000e−01, −2.22044605e−16,
2.00000000e−01, 4.00000000e−01, 6.00000000e−01,
8.00000000e−01])

Массив нулевых значений
zeros( shape, dtype = ﬂoat, order = ’C’ )
shape: размерность массива
dtype: тип элементов массива
order: порядок хранения элементов
>>> np . zeros ( 5 )
array ( [ 0 . , 0 . , 0 . , 0 . , 0 . ] )
Матрица-столбец нулевых значений
>>> np . zeros ( ( 2 , 1 ) )
array ( [ [ 0 . ] ,
[ 0 . ] ] )

Массив единиц
ones( shape, dtype = ﬂoat, order = ’C’ )
shape: размерность массива
dtype: тип элементов массива
order: порядок хранения элементов
>>> np . ones ( 5 )
array ( [ 1 . , 1 . , 1 . , 1 . , 1 . ] )
Матрица единиц
>>> np . ones ( (3 , 2) )
array ( [ [ 1 . , 1 . ] ,
[ 1 . , 1 . ] ,
[ 1 . , 1 . ] ] )

Сетка на заданном интервале
linspace(start, stop, num=50, endpoint=True, retstep=False, ...)
start: начальное значение
stop: конечное значение
num: количество элементов
endpoint: если True, то последний элемент (end) включается
в результат
retstep: возвращать и вычисленное значение шага
>>> np . linspace ( 0 . 0 , 2.0 , 4)
array ( [ 0. , 0.66666667 , 1.33333333 , 2. ] )
Матрица единиц
>>> np . linspace ( 0 . 0 , 2.0 , 4 , retstep = True )
( array ( [ 0. , 0.66667 , 1.3333 , 2. ] ) , 0.66666)

Функция от индексов массива
1 a = np . fromfunction ( lambda i , j : i == j , (3 , 3) )
2 p r i n t ( a )
[ [ True , False , False ] ,
[ False , True , False ] ,
[ False , False , True ] ]

Копирование
Операция “присвоения” создает новую ссылку (псевдоним) на
объект в памяти:
1 a = np . array ( [ [1 , 2] , [3 , 4] ] )
2 b = a
3 p r i n t ( b i s a )
True
Для создания копии массива используется метод copy():
3 b = a . copy ( )
4 p r i n t ( b i s a )
False

Основные операции

Изменение размерности
Функция reshape изменяет размерность массива, не меняя сами
данные (новый “взгляд” на массив)
1 a = np . arange ( 6 )
2 p r i n t ( a )
[0 1 2 3 4 5]
3 b = np . reshape ( a , (3 , 2) )
4 p r i n t ( b )
5 b [ 0 , 0 ] = 9
6 p r i n t ( a )
[ [ 0 1]
[2 3]
[4 5 ] ]
[9 1 2 3 4 5]

Изменение размерности
Одна из размерностей может быть равна “-1”. В этом случае эта
размерность вычисляется:
1 a = np . reshape ( np . arange ( 6 ) , (3 , −1) )
2 p r i n t ( a )
[ [ 0 1]
[2 3]
[4 5 ] ]

Плоский список
Преобразование многомерного массива в “плоский” список
(стиль Си: order=’C’ по умолчанию):
3 b = np . reshape ( a , −1)
4 p r i n t ( b )
[0 , 1 , 2 , 3 , 4 , 5]

Плоский список
(стиль Фортран: order=’F’)
3 b = np . reshape ( a , −1 , order = ’ F ’ )
4 p r i n t ( b )
[0 , 2 , 4 , 1 , 3 , 5]

Формирование плоского списка: ravel
(стиль Си: order=’C’ по умолчанию):
2 p r i n t ( a )
[ [ 0 1]
[2 3]
[4 5 ] ]
3 b = np . ravel ( a )
4 p r i n t ( b )
[0 1 2 3 4 5]
5 b = np . ravel ( a , order = ’ F ’ )
6 p r i n t ( b )
[0 2 4 1 3 5]

vstack: склейка строк
1 a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] ] )
2 b = np . array ( [ [ 5 , 6 ] , [ 7 , 8 ] ] )
3 c = np . vstack ( ( a , b ) )
4 p r i n t ( c )
[ [ 1 2]
[3 4]
[5 6]
[7 8 ] ]

hstack: склейка столбцов
1 a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] ] )
2 b = np . array ( [ [ 5 , 6 ] , [ 7 , 8 ] ] )
3 c = np . hstack ( ( a , b ) )
4 p r i n t ( c )
[ [ 1 2 5 6]
[3 4 7 8 ] ]

hsplit: разделение на части по горизонтали
1 a = np . f l o o r ( 10 * np . random . random ( (2 ,12) ) )
2 p r i n t ( a )
[ [ 6. 9. 2. 8. 6. 8 . ]
[ 2. 1. 6. 8. 8. 6 . ] ]
3 np . h s p l i t ( a , 3 )
[ array ( [ [ 6 . , 9 . ] ,
[ 2 . , 1 . ] ] ) ,
array ( [ [ 2 . , 8 . ] ,
[ 6 . , 8 . ] ] ) ,
array ( [ [ 6 . , 8 . ] ,
[ 8 . , 6 . ] ] ) ]

vsplit: разделение на части вертикали
1 a = np . f l o o r ( 10*np . random . random ( ( 4 , 2 ) ) )
2 p r i n t ( a )
[ [ 5. 6 . ]
[ 1. 5 . ]
[ 5. 6 . ]
[ 4. 3 . ] ]
3 np . v s p l i t ( a , 2 )
[ array ( [ [ 5 . , 6 . ] ,
[ 1 . , 5 . ] ] ) ,
array ( [ [ 5 . , 6 . ] ,
[ 4 . , 3 . ] ] ) ]

Арифметические операции
Арифметические операции выполняются поэлементно
1 a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] ] )
2 b = np . array ( [ [ 5 , 6 ] , [ 7 , 8 ] ] )
3 c = a + b
4 p r i n t ( c )
[ [ 6 8]
[10 12]]
1 c = 2 * ( a + b )
2 p r i n t ( c )
[[12 16]
[20 24]]

Математические функции
2 p r i n t ( a )
[ [ 0 1 2]
[3 4 5 ] ]
Возведение в степень:
3 p r i n t ( np . power ( a , 2 ) )
[ [ 0 , 1 , 4] ,
[ 9 , 16 , 25]]
3 p r i n t ( np . power ( a , a ) )
[ [ 1 1 4]
[ 27 256 3125]]

Математические функции
2 p r i n t ( a )
[ [ 0 1 2]
[3 4 5 ] ]
3 p r i n t ( np . exp ( a ) )
[ [ 1. 2.71828183 7.3890561 ]
[ 20.08553692 54.59815003 148.4131591 ] ]
3 p r i n t ( a / ( a +1) )
[ [ 0. 0.5 0.66666667]
[ 0.75 0.8 0.83333333]]

dot: скалярное произведение
1 a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] ] )
2 b = np . array ( [ [ 5 , 6 ] , [ 7 , 8 ] ] )
3
4 c = np . dot ( a , b )
5
6 p r i n t ( c )
[[19 22]
[43 50]]

Индексация
1 a = np . arange ( 8 ) **2
2 p r i n t ( a )
[ 0 1 4 9 16 25 36 49]
Индексация начинается с нуля. Третий элемент массива имеет
индекс “2”:
2 p r i n t ( a [ 2 ] )
4

Срезы
1 a = np . arange ( 8 ) **2
2 p r i n t ( a )
[ 0 1 4 9 16 25 36 49]
[ Начальное значение: граница: шаг ]
3 p r i n t ( a [ 2 : 6 : 2 ] )
4 , 16

Многомерные массивы
1 a = np . reshape ( np . arange ( 8 ) ,(2 , −1) )
2 p r i n t ( a )
[ [ 0 1 2 3]
[4 5 6 7 ] ]
3 p r i n t ( a [ 0 , 1 ] )
1
4 p r i n t ( a [ : , 1 ] )
[1 5]
5 p r i n t ( a [ : , 1 : 3 ] )
[ [ 1 2]
[5 6 ] ]

Многомерные массивы
1 a = np . reshape ( np . arange ( 8 ) ,(2 , −1) )
2 p r i n t ( a )
[ [ 0 1 2 3]
[4 5 6 7 ] ]
Последняя строка
3 p r i n t ( a [ −1 ,:] )
[4 5 6 7]
Второй столбец с конца
4 p r i n t ( a [: , −2] )
[2 6]

Использование ... вместо :
1 a = np . array ( [ [ [ 0 , 1 , 2] ,
2 [ 10 , 12 , 1 3 ] ] ,
3 [[100 ,101 ,102] ,
4 [110 ,112 ,113]]])
5 p r i n t ( a . shape )
(2 , 2 , 3)
3 p r i n t ( a [ 1 , . . . ] )
[ [ 0 , 1 , 2] ,
[ 10 , 12 , 13]]
4 p r i n t ( a [ . . . , 2 ] )
[ [ 2 13]
[102 113]]

Массив, как итератор
При использовании массивов в конструкциях типа for ... in,
итерация выполняется только по первой размерности:
1 a = np . array ( [ [ [ 0 , 1 , 2] ,
2 [ 10 , 12 , 1 3 ] ] ,
3 [[100 ,101 ,102] ,
4 [110 ,112 ,113]]])
5
6 f o r row in a :
7 p r i n t ( ’ Element : ’ , row )
Element : [ [ 0 1 2]
[10 12 13]]
Element : [[100 101 102]
[110 112 113]]

Массив, как итератор
Итерация по всем элементам (последовательно по каждой
размерности):
1 a = np . array ( [ [ [ 0 , 1 , 2] , [ 10 , 12 , 1 3 ] ] ,
2 [[100 ,101 ,102] , [110 ,112 ,113]]])
3 f o r i in np . ravel ( a ) :
4 p r i n t ( ’ Element ’ , i )
Element 0
Element 1
Element 2
Element 10
. . .
Element 101
Element 102
Element 110
Element 112
Element 113

Индексация при помощи массива индексов
1 a = np . arange ( 6 ) *2
2 i = np . array ( [ 1 , 3 , 5 , 2 ] )
3
4 p r i n t ( a [ i ] )
[ 2 6 10 4]
5 i = np . array ( [ [1 , 3] , [5 , 2] ] )
6
7 p r i n t ( a [ i ] )
[ [ 2 6]
[10 4 ] ]

Индексация при помощи массива типа bool
1 a = np . arange ( 6 ) *2
2 p r i n t ( a )
[ 0 2 4 6 8 10]
Булев массив (каждый элемент сравнивается с 4):
3 p r i n t ( a>4 )
[ False False False True True True ]
Использование массива для извлечения элементов:
4 p r i n t ( a [ a >4] )
[ 6 8 10]

Статистические функции

min, max, sum
1 a = np . array ( [ [1 , 2] , [3 , 4] ] )
Минимальное значение всего массива
2 p r i n t ( a . min ( ) )
1
Минимальные значения столбцов
3 p r i n t ( a . min ( axis =0) )
[1 2]
Минимальные значения строк
4 p r i n t ( a . min ( axis =1) )
[1 3]

min, max, sum
1 a = np . array ( [ [1 , 2] , [3 , 4] ] )
Сумма всех значений
2 p r i n t ( a . sum ( ) )
10
Сумма строк
3 p r i n t ( a . sum ( axis =0) )
[4 6]
Сумма столбцов
4 p r i n t ( a . sum ( axis =1) )
[3 7]

Среднее значение
1 a = np . array ( [ [1 , 2] , [3 , 4] ] )
Среднее значение всех элементов
2 p r i n t ( a . mean ( ) )
2.5
Среднее по первой размерности (в столбцах)
3 p r i n t ( a . mean ( axis =0) )
[ 2 . 3 . ]
Среднее по второй размерности (в строках)
4 p r i n t ( a . mean ( axis =1) )
[ 1.5 3 . 5 ]

Файловые функции

Чтение массива из текстового файла
File1.txt
# Results
1 23 5
2 65 6
4 55 4
Прочитать значения из файла File1.txt в массив res
1 res = np . loadtxt ( ” f i l e 1 . t x t ” , de l i mi t e r = ” ” )
2 p r i n t ( res )
[ [ 1. 23. 5 . ]
[ 2. 65. 6 . ]
[ 4. 55. 4 . ] ]

Чтение массива из файла: usecols
File1.txt
# Results
1 23 5
2 65 6
4 55 4
Прочитать значения из файла File1.txt в массив res столбцы с
индексами 1 и 2:
1 res = np . loadtxt ( ” f i l e 1 . t x t ” , usecols = (1 , 2) )
2 p r i n t ( res )
[ [ 23. 5 . ]
[ 65. 6 . ]
[ 55. 4 . ] ]

Чтение массива из файла: skiprows
File1.txt
# Results
1 23 5
2 65 6
4 55 4
Прочитать значения из файла File1.txt в массив res, пропустив
первые две строки
1 res = np . loadtxt ( ” f i l e 1 . t x t ” , skiprows = 2 )
2 p r i n t ( res )
[ [ 2. 65. 6 . ]
[ 4. 55. 4 . ] ]

Запись массива в текстовый файл
x = np . linspace (0 , np . pi , 5) . reshape ( ( 5 , 1 ) )
table = np . hstack ( ( x , np . sin ( x ) ) )
np . savetxt ( ’ sin . t x t ’ , table , de l i m it e r = ’ , ’ )
Содержимое файла sin.txt
0.000000000000000000e+00 ,0.000000000000000000e+00
7.853981633974482790e−01,7.071067811865474617e−01
1.570796326794896558e+00 ,1.000000000000000000e+00
2.356194490192344837e+00 ,7.071067811865475727e−01
3.141592653589793116e+00 ,1.224646799147353207e−16

Форматирование вывода
np . savetxt ( ’ sin . t x t ’ , table , fmt= ’ %7.4 f ’ )
0.0000 0.0000
0.7854 0.7071
1.5708 1.0000
2.3562 0.7071
3.1416 0.0000

Форматирование вывода
np . savetxt ( ’ sin . t x t ’ , table , fmt = ’ %9.4g ’ ,
header = ’−−data s t a r t −− ’ ,
footer = ’−− data end −− ’ ) )
# −−data s t a r t −−
0 0
0.7854 0.7071
1.571 1
2.356 0.7071
3.142 1.225e−16
# −− data end −−

Справка
1 Quickstart tutorial
https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
2 Numpy User Guide
https://docs.scipy.org/doc/numpy/user/
3 Numpy Reference Guide
https://docs.scipy.org/doc/numpy/reference/

Основы NumPy

More Related Content

Similar to Основы NumPy (20)

More from Theoretical mechanics department (20)

Основы NumPy