开奖直播

不懂 NumPy 算什么 Python 程序员? CSDN 博文精选

时间:2019-08-16 14:48  作者:admin  来源:未知  查看:  
内容摘要:六合宝典历史开奖记录 !大约七八年前,我曾经用 pyOpenGL 画过地球磁层顶的三维模型,这段代码至今仍然还运行在某科研机构里。在那之前,我一直觉得自己是一个合(you)格(xiu)的 Python 程序员,似乎无所不能。但磁层顶模型的显示效果令我沮丧尽管这个模...

  六合宝典历史开奖记录!大约七八年前,我曾经用 pyOpenGL 画过地球磁层顶的三维模型,这段代码至今仍然还运行在某科研机构里。在那之前,我一直觉得自己是一个合(you)格(xiu)的 Python 程序员,似乎无所不能。但磁层顶模型的显示效果令我沮丧——尽管这个模型只有十几万个顶点,拖拽、缩放却非常卡顿。

  最终,我把顶点数量删减到两万左右,以兼顾模型质量和响应速度,才勉强交付了这个任务。从此我开始怀疑 Python 的性能,甚至一度怀疑 Python 是否还是我的首选工具。

  幸运的是,后来我遇到了 NumPy 这个神器。NumPy是Python 科学计算的基础软件包,提供多维数组对象,多种派生对象(掩码数组、矩阵等)以及用于快速操作数组的函数及 API,它包括数学、逻辑、数组形状变换、排序、选择、I/O 、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。

  事实上,NumPy的数据组织结构,尤其是数组(numpy.ndarray),几乎已经成为所有数据处理与可视化模块的标准数据结构了(这一点,类似于在机器学习领域Python 几乎已经成为首选工具语言)。越来越多的基于Python 的科学和数学软件包使用NumPy数组,虽然这些工具通常都支持Python 的原生数组作为参数,但它们在处理之前会还是会将输入的数组转换为NumPy的数组,而且也通常输出为NumPy数组。在Python 的圈子里,NumPy的重要性和普遍性日趋增强。换句话说,为了高效地使用当今科学/数学基于Python 的工具(大部分的科学计算工具),你只知道如何使用Python 的原生数组类型是不够的,还需要知道如何使用 numpy 数组。

  在这个 AI 和 ML 霸屏的时代,如果不懂NumPy,请别说自己是Python 程序员。

  numpy 数组一旦创建,其元素数量就不能再改变了。增删 ndarray 元素的操作,意味着创建一个新数组并删除原来的数组。python 数组的元素则可以动态增减。

  numpy 数组中的元素都需要具有相同的数据类型,因此在内存中的大小相同。python 数组则无此要求。

  numpy 数组的方法涵盖了大量数学运算和复杂操作,许多方法在最外层的 numpy 命名空间中都有对应的映射函数。和 python 数组相比,numpy 数组的方法功能更强大,执行效率更高,代码更简洁。

  然而,以上的差异并没有真正体现出 ndarray 的优势之所在,ndarray 的精髓在于 numpy 的两大特征:矢量化(vectorization)和广播(broadcast)。矢量化可以理解为代码中没有显式的循环、索引等,广播可以理解为隐式地对每个元素实施操作。矢量化和广播理解起来有点抽象,我们还是举个栗子来说明一下吧。

  例题:a 和 b 是等长的两个整数数组,求 a 和 b 对应元素之积组成的数组。

  子曰:找对象先了解品行,学对象先了解属性。ndarray 对象有很多属性,详见下表。

  基于以下三个原因,我认为,dtype 和 shape 是 ndarray 最重要的两个属性,重要到几乎可以忽略其他的属性。

  ndarray.astype 可以修改元素类型,ndarray.reshape 可以重新定义数组的结构,这两个方法的重要性和其对应的属性一样。记住这两个属性和对应的两个方法,就算是登堂入室了。想了解 numpy 支持的元素类型,请点击《数学建模三剑客MSN》()。

  对于一维数组的索引和切片,numpy和python的list一样,甚至更灵活。

  假设有一栋2层楼,每层楼内的房间都是3行4列,那我们可以用一个三维数组来保存每个房间的居住人数(当然,也可以是房间面积等其他数值信息)。

  numpy 数组的存储顺序和数组的维度是不相干的,因此改变数组的维度是非常便捷的操作,除 resize 外,这一类操作不会改变所操作的数组本身的存储顺序。

  对于刚刚上手 numpy 的程序员来说,最大的困惑就是不能使用 append 方法向数组内添加元素了,甚至连 append 方法都找不到了。其实,numpy 仍然保留了 append 方法,只不过这个方法不再是 numpy 数组的方法,而是是升级到最外层的 numpy 命名空间了,并且该方法的功能不再是追加元素,而是合并数组了。

  concatenate 和 append 的用法非常类似,不过是把两个合并对象写成了一个元组 。

  除了 append 和 concatenate ,数组合并还有更直接的水平合并(hstack)、垂直合并(vstack)、深度合并(dstack)等方式。假如你比我还懒,那就只用 stack 吧,足够了。

  排序不是 numpy 数组的强项,但 python 数组的排序速度依然只能望其项背。

  return_index:如果为true,返回新列表元素在旧列表中的位置(下标),并以列表形式储;

  return_inverse:如果为true,返回旧列表元素在新列表中的位置(下标),并以列表形式储;

  return_counts:如果为true,返回去重数组中的元素在原数组中的出现次数。

  numpy 为 ndarray 对象引入了新的二进制文件格式,用于存储重建 ndarray 所需的数据、图形、dtype 和其他信息。.npy 文件存储单个数组,.npz 文件存取多个数组。

  file:要保存的文件,扩展名为 .npy,如果文件路径末尾没有扩展名 .npy,该扩展名会被自动加上;

  allow_pickle:可选,布尔值,允许使用 python pickles 保存对象数组,python 中的 pickle 用于在保存到磁盘文件或从磁盘文件读取之前,对对象进行序列化和反序列化;

  fix_imports:可选,为了方便 pyhton2 读取 python3 保存的数据。

  numpy.savze 函数用于将多个数组写入文件,默认情况下,数组是以未压缩的原始二进制格式保存在扩展名为 .npz 的文件中。

  numpy 也支持以文本文件存取数据。savetxt 函数是以简单的文本文件格式存储数据,对应的使用 loadtxt 函数来获取数据。

  例题:vertices 是若干三维空间随机点的集合,p 是三维空间的一点,找出 vertices 中距离 p 点最近的一个点,并计算它们的距离。