Numpy是Python的一个能快速处理矩阵运算的数学库，如果你从事的是数据科学，或者机器学习领域的话，Numpy是一项最基本的技能。他不仅简化了我们在处理矩阵运算时需要编写的代码，而且，许多Numpy的底层函数用C编写，我们能获得在用普通Python自带的列表结构时，所无法达到的运算速度。

下面，我将就Numpy的一些基本用法，做个简单的介绍，当然，一来Numpy库本身会不断更新，二来，我本人的认知也会随时间改变，所以，这部分内容也会随时更新。当然一些我认为不太常用的方法、结构，不会出现在本文中，使得本文尽量简洁明了。

因为Numpy并不是Python本身自带的库，所以，使用之前，当然需要先安装，具体的方法，百度一下会有很多，我在此就略了。所以，我默认所有对这部分内容感兴趣的人都已经安装好了Numpy，并且有一定的Python语言基础。需要注意的是，为了使得文中的代码尽量简洁，所有出现的代码都默认已经引入了Numpy库，并简写为np。也就是说，所有代码都默认在它们之前导入了numpy库：import numpy as np

创建数组

1. np.array() 函数创建数组

Numpy为我们提供的创建数组的方法可以说非常丰富，针对某些特殊类型的数组还有专门的函数，但是基本上讲，有以下三种：

(1) Numpy中的数组类型——ndarray

a = np.array([1,2,3]) # >>> [1 2 3]

b = np.array((1,3.5)) # >>> [1. 2. 3.5]

print(type(a),type(b)) # >>> <class 'numpy.ndarray'> <class 'numpy.ndarray'>

我们将一个序列传递给np.array() 函数（其实，这个序列不一定是列表，元组，甚至字符串都可以），会生成一个新的 ndarray 型的对象，这就是Numpy中的数组了，从形式上中也可以看出，这种对象不同于列表，中间是没有 “,” 分隔的。

我们发现，当传入的序列中的元素是不同类型时，生成ndarray对象后，元素的类型会受到影响，比如，上面的例子中，当整型和浮点型都存在时，生成的对象中原本是整型的元素也变成了一种特殊的浮点型（这种类型时ndarray对象所特有的），考虑到一般只是进行数学意义上的运算，所以尽量避免在传入的序列中加入字符串这种操作，以免类型错乱，造成不必要的麻烦。

当然，np.array()函数也适用于生成多维数组。

m = np.array([[1,2],[3,4]]) # >>> [[1 2]

[3 4]]

需要注意的是，想要用序列生成数组，传入函数的一定是一个完整的序列，而不能只是元素的排布

a = np.array(1,3) # >>> 错误！

a = np.array([1,3]) # >>> 正确！

其实，在实际应用中，一般我们就把Numpy中的多维数组当做矩阵，来执行相关运算。所以，正确地创立数组，是开始所有代数运算的先决条件。

(2) ndarray型对象的属性

此外，和其他数据类型一样，我们可以查看”ndarray”型对象的相关属性：

ndarray.dtype：数据类型

a = np.array([1.5,3],dtype=int) #设置数组中元素的数据类型为整型

print(a) # >>> [1 2 3]

b = np.array([[1,2.3],[4.1,5.0]])

print(b.dtype) # >>> float64，访问数组b的数据类型

ndarray.shape：数组大小

a = np.array([1,3])

b = np.array([[1],[2],[3]])

print(a.shape) # >>> (3,)

print(b.shape) # >>> (3,1) # shape实际上是一个元组

也可以通过设置shape来改变数组的形状：

a = np.array([1,3,4],[4,1],4,1]) # 现在，a是3 x 4的矩阵

a.shape = 4,3 # a的形状被改变

print(a) # >>> [[1 2 3]

[4 4 2]

[3 1 3]

[4 2 1]]

ndarray.ndim：数组的维度

a = np.array([[[1,4]],[[5,6],[7,8]],[[9,10],[11,12]]])

b = np.array([[1],[3]])

print(a.ndim) # >>> 3

print(b.ndim) # >>> 2

ndarray.size：数组中元素的总个数

a = np.array([1,[3]])

print(a.size) # >>> 3

print(b.size) # >>> 3

当然，ndarray对象还有很多其他属性，这些属性有助于我们更好地控制数组对象，基本使用方法与上面类似，不再赘述。

2. 创建数组过程中常用的其他函数

需要注意的一点是：上面的例子都是先创建一个Python序列，然后通过array()函数将其转换为数组，这样做显然效率不高。因此NumPy提供了很多专门用来创建数组的函数。以方便用户在已知数组是具备的某种特殊性质下，快速创建数组。

（1）np.arange()依据范围特征创建数组

之前，我们知道Python基本语法里的 range() 函数可以根据数值范围生成列表，同样的，我们在Numpy中通过 arange() 函数，按照一定规律生成数组。

a = np.arange(5) # >>> [0 1 2 3 4]

b = np.arange(1,7,2) # >>> [1 3 5]

语法上讲，和 range() 函数是一致的，都是由三个参数 `(start,stop,step)组成

（2）np.linspace()

作用与arange()类似，三个必要的参数:”start,num”，不过默认状态下包含终值。

a = np.arange(1,3) # >>> [1.  4.  7.]

（3）np.logspace()

函数和linspace类似，不过它创建等比数列，参数设置为：(start,num=50,endpoint=True,base=10.0,dtype=None)，一般我们只设置”start,num”3个参数，表示等比数列的起始点是basestart，终止点为basestop。当然，有时候也需要改变base值。比如产生20到24之间的5个数构成数组：

a = np.logspace(0,5,base=2) # >>>[1.   2.   4.   8.  16.]

（4）np.fromfunction()

fromstring,frombuffer,fromfile,fromfunction这些函数从其他对象中抽取序列，构建数组。其中，我个人认为比较有用的是fromfunction，其参数设置为np.fromfunction(function,shape)，由一个函数和数组形状作为输入。需要注意的是，数组中每个位置的值为这个位置的坐标输入function的计算结果，当然，函数有n个参数时，就只能生成n维数组了

# 定义函数，这里的函数只有1个参数

def foo1(i):

return i % 2

# 注意fromfunction()中，第2个参数shape的输入形式是元组

a = np.fromfunction(foo1,(2,)) # >>> [ 0.  2.]

b = np.fromfunction(lambda x,y: x + y,3)) # >>> [[ 0.  1.  2.]

[ 1.  2.  3.]]

（5）np.zeros()，np.ones()，np.eye()等方法可以构造特定的矩阵

上面这3个函数分别用来构造零矩阵；元素全为1的矩阵，以及单位矩阵（主对角线为1，其余元素为0）。他们的作用是帮助我们对这些特殊的矩阵实现快速构造。

# 参数为数组形状

a = np.zeros((2,3)) # >>> [[ 0.  0.  0.]

[ 0.  0.  0.]]

b = np.ones((2,3)) # >>> [[ 1.  1.  1.]

[ 1.  1.  1.]]

# 参数为方阵的行数（列数）

c = np.eye(3) # >>> [[ 1.  0.  0.]

[ 0.  1.  0.]

[ 0.  0.  1.]]

3. 给矩阵添加行或列

有时，需要我们在已有的矩阵中，添加一行，或者一列。这里主要介绍2种实现方法。

（1）np.r_[]和np.c_[]分别添加行和列，生成新的矩阵：

如下代码所示，现在要在矩阵a中添加一行

a1 = np.array([[1,6]])

b1 = np.array([[0,0]])

print(np.r_[a1,b1]) # >>>[[1 2 3]

[4 5 6]

[0 0 0]]

注意此时b1的写法，也是一个二维矩阵，且列数与a相等。再比如，添加一列：

a1 = np.array([[1,[5,6]])

b1 = np.array([[0],[0],[0]])

print(np.c_[a1,b1]) # >>>[[1 2 0]

[3 4 0]

[5 6 0]]

同样，需要注意此时b1的写法。

（2）np.row_stack()和np.column_stack()分别添加行和列，生成新的矩阵：

还有两个与np.r_[]和np.c_[]类似的函数：np.row_stack()和np.column_stack()。但是它们的用法更加自由，所添加的行或列，要求只要是序列（也就是说列表，元组皆可）就行，不需要像np.r_[]和np.c_[]那样严格要求添加的东西必须是数组了。具体用法网上容易查到，此处省略。

此外，还有一些别的创建数组的方法，限于篇幅，不再介绍了，若遗漏了重要的方法，会随时补充。

访问数组

1. 切片

与列表的性质类似，通过切片的形式，可以访问已经构建好的数组。

比如对于一维数组：

a = np.arange(5) # >>> [0 1 2 3 4]

print(a[2:3]) # >>> [2]

print(a[::2]) # >>> [0 2 4]

语法规则与列表中的切片一致，包含起始点，且不包含终止点。需要注意的是，这种数组切片返回的是原始数组的一个视图，与原始数组共享相同的内存空间，而并没有建立新的数组。

a = np.arange(5) # >>> [0 1 2 3 4]

print(id(a[2])) # >>> 4366848312

print(id(a[2:3][0])) # >>> 4366848312

2. 访问矩阵的行与列

在切片的方法中，我要特别强调一个细节，就是对矩阵行、列的访问。因为这个知识点经常用到，所以特地列一小节出来。但是基本方法就是切片了。

访问矩阵的行

a = np.array([[1,6]])

# 访问矩阵第0行

print(a[0]) # >>> [1 2 3]

# 访问矩阵第0行的0，1两列

print(a[0][:2]) # >>> [1 2]

访问矩阵的列

a = np.array([[1,6]])

# 取矩阵a第2列

print(a[:,2]) # >>> [3 6]

当然，这是取全列，你也可以根据切片控制某一列中，行的范围，具体做法跟上面的取一行时一致。

3. for循环遍历矩阵

如果要遍历整个矩阵，for循环是非常合适的选择。

a = np.array([[1,8,9]])

# for循环遍历行

for row in a:

print(row) # >>> [1 2 3]

# >>> [4 5 6]

# >>> [7 8 9]

# for循环遍历列

for col in np.transpose(a):

print(col) # >>> [1 4 7]

# >>> [2 5 8]

# >>> [3 6 9]

np.transpose()是计算矩阵转置的函数，这个后面会说。

4. 使用整数序列访问

其实最简单的访问数组单个元素的做法是通过元素的下标（包括多维数组也是一样）。这一点我在上面虽然没有强调，但是早开始这么用了。但是当现在的任务变成访问数组中个别几个位置的元素，而这些位置又是毫无规律的（不太方便使用切片），那也可以方便地使用整数序列作为下标解决这个问题。

a = np.arange(0,20,2) # >>> [ 0  2  4  6  8 10 12 14 16 18]

# 直接通过数组`np.array([1,7])`，访问1,7位的元素

print(a[np.array([1,7])]) # >>> [ 2  8 10 14]

也可以通过列表建立要访问的下标序列，但是需要先通过一个名称引用这个列表

b = np.array([[1,6]]) # 二维数组

# 访问第一行的第0列，第1列；访问第2行的第1列，第2列

index = [[0,[1,2]]

print(b[index]) # >>> [2 6]

然而需要注意一下，这里不能用ndarray型对象的引用作为下标，因为解释器会认为应该在数组的第一行取值

b = np.array([[1,6]])

index1 = np.array([[0,2]])

index2 = np.array([[0,0]])

index3 = [[0,0]]

print(b[index1]) # >>> wrong!因为范围超了，index1中的元素2会让解释器寻找b的第2行，找不到

print(b[index2]) # >>> [[[1 2 3]

[4 5 6]]

[[4 5 6]

[1 2 3]]]

print(index3) # >>> [2 4]，第0行第1列，以及第1行，第0列

上面的东西看上去“规矩”很多，其实用的时候最好直接引用建立好的列表就行，这样最方便。再者，就是临时写个小脚本试一下，最稳妥。

5. 通过布尔数组访问

这是一种非常特殊的方法，举个例子来说，如下：

a = np.arange(12).reshape(3,4) # 建立了一个3 x 4的矩阵

# b是一个布尔数组，这个布尔数组与a形状相同，其中每个元素表示a中对应位置的元素是否比4大

b = a > 4 # >>> b = [[False False False False]

[False  True  True  True]

[ True  True  True  True]]

print(a[b]) # >>> [ 5  6  7  8  9 10 11]

也可以通过布尔数组来选择一个数组的行和列

a = np.arange(12).reshape(3,4)

b1 = np.array([False,True,True])

b2 = np.array([False,False])

# 按bool属性取行

print(a[b1,:]) # >>> [[ 4  5  6  7]

[ 8  9 10 11]]

# 按bool属性取列

print(a[,:b2]) # >>> [[ 1  2]

[ 5  6]

[ 9 10]]

线性代数运算

这是Numpy最吸引人的地方了。我们常见的矩阵、向量的运算基本在Numpy中都能找到现成的函数，为快速开发提供了可能。操作中，”ndarray”型对象既然可以表示多维数组，那么当然也可以表示我们最常用的矩阵。实际上，Numpy中，我们对矩阵操作时，用”ndarray”型对象的频率甚至高过了标准的矩阵对象”np.matrix()”.

1. 矩阵转置

ndarray.transpose()函数直接生成转置矩阵

a = np.array([[1,4]])

print(a.transpose()) # [[1 3]

[2 4]]

2. 矩阵的迹

np.trace()函数输出矩阵的迹，即方阵主对角线上元素之和。若所要计算迹的矩阵非方阵，则计算行列序相等的元素之和。

a = np.array([[1,4]])

b = np.array([[1,6]])

print(np.trace(a)) # >>> 5

print(np.trace(b)) # >>> 6（由1 + 5生成的）

3. 矩阵乘法

np.dot(a,b)表示两个矩阵之间的乘法，在Python3中，一个更简单的符号@表示矩阵之间的乘运算。注意：符号*不能表示ndarray对象之间相乘。

a = np.array([[1,6]])

b = np.array([[1,6]])

print(np.dot(a,b)) # >>> [[22 28]

[49 64]]

print(np.transpose(b) @ np.transpose(a)) # >>> [[22 49]

[28 64]]

4. 矩阵的加减、数乘

+,-,*,/这些运算符能直接执行矩阵的基本运算，当然，都是按元素进行的。其中乘法特指数乘，跟我们用的最多的矩阵乘法不同。

a = np.array([[1,6]])

b = np.array([[6,1]])

# 矩阵对应元素做加减

print(a + b) # >>> [[7 7 7]

[7 7 7]]

print(a - b) # >>> [[-5 -3 -1]

[ 1  3  5]]

# 矩阵所有元素与某数相乘

print(a * 2) # >>> [[ 2  4  6]

[ 8 10 12]]

# 矩阵所有元素的次幂

print(a ** 2) # >>> [[ 1  4  9]

[16 25 36]]

5. 随机矩阵

子库random用于生成随机的数组、矩阵等等。这里我简略举2个例子，用法跟标准库中的random模块类似，具体可以查阅相关文档。

np.random.rand(a,b)函数用来生成a行b列的矩阵，矩阵中每个元素都是随机的浮点数，范围在[0,1)。

a = np.random.rand(2,3) # >>> [[ 0.23600569  0.62347282  0.84519854]

[ 0.85702323  0.10537731  0.59344112]]

np.random.randint(low,high,size)函数用来生成形状为size的随机矩阵，其中，矩阵的每一个元素都是整数，且范围在[low,high)之间。

a = np.random.randint.rand(0,10,3)) # >>> [[7 0 9]

[5 4 7]]

5. 矩阵的逆与计算行列式

Numpy的线性代数子库linalg也是需要了解一下的，它有两个特别重要的应用：求取矩阵的逆；计算行列式

矩阵求逆：np.linalg.inv(ndarray)

a = np.random.randint(0,(3,3)) # >>> [[7 1 5]

[7 8 1]

[0 3 0]]

print(np.linalg.inv(a)) # >>> [[-0.03571429  0.17857143 -0.46428571]

[ 0.          0.          0.33333333]

[ 0.25       -0.25        0.58333333]]

计算行列式：np.linalg.det(ndarray)

a = np.random.randint(0,3)) # >>> [[2 6 3]

[8 5 4]

[2 8 0]]

print(np.linalg.det(a)) # >>> 146

6. 向量的最大最小值、加和、平均值、范数

实现这些对向量的运算代码如下：

a = np.random.randint(0,(1,)) # >>> [6 5 1 4 5 9 8 9 0 0]

print(np.sum(a)) # >>> 47

print(np.max(a)) # >>> 9

print(np.min(a)) # >>> 0

print(np.average(a)) # >>> 4.7

print(np.linalg.norm(a)) # >>> 18.1383571472

其实，最后一项范数的计算，我们当然可以令这个向量与自身做内积，再开根号。当然，上面代码中的写法却是更加简洁方便。

有些时候我们想要一次性求得矩阵每一行或者每一列的最大最小值，加和，平均值等等，这个时候，“轴”参数的设置就显现出作用了。

a = np.random.randint(0,3)) # >>> [[3 7 1]

[1 0 3]

[3 6 2]]

print(np.sum(a,axis=0)) # >>> [ 7 13  6]

print(np.sum(a,axis=1)) # >>> [11  4 11]

# 如果直接求sum，得到的会是全部元素的加和

print(np.sum(a)) # >>> 26

轴（axis）的含义其实表示的是矩阵的维度，比如拿一个二维矩阵来说，其轴的表示如下图：

上图来源：python中的sum函数.sum(axis=1). 这个图其实也把上面所说的切片的内容形象地表述了。

8. 向量内积

其实，这个东西可以用矩阵乘法解决，但是对于一维数组来说，还有个专门的函数np.inner(v1,v2)，因为我在工作中经常会用到这种一维数组计算内积的情况，故在此列出：

v1 = np.array([1,3])

v2 = np.array([2,4])

print(np.inner(v1,v2)) # >>> 20

关于Numpy基础知识，我暂时想到的就是以上这些了。因为Numpy的内容实在太多，所以我写的一定不全。还希望读者们有什么好的提议尽可提出，我再添加。这篇博客将在未来，不定时更新。