Numpy ndarray:多次元配列オブジェクト

9448 ワード

NumPyは現在python数値計算において最も重要な基礎パッケージであり、その核心的特徴の一つはN次元数グループオブジェクトであるndarrayであり、この博文では主にこの多次元同類データコンテナを紹介する.
文書ディレクトリ

生成ndarray

Numpy配列算術

インデックスとスライス

配列転置

ndarrayの生成
ndarrayに含まれる各要素は同じタイプです.配列を生成する関数はたくさんありますが、ここではいくつかのよく使われるものを紹介します.

#   NumPy
import NumPy as np

np.array()パラメータはシーケンス型オブジェクトで、入力データのデータ型を自動的に推定し、作成時に次元ndminと数値型dtypeを指定できます.

np.array("love")

output:

array('love', dtype='

np.zeros()パラメータは、d 0,d 1,d 2,dnに関するメタグループであり、全0配列

を返す

np.zeros((2,3,4))

output:

array([[[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]],

       [[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]]])

np.ones()パラメータはd 0,d 1,d 2,dnに関するメタグループであり,全1配列

を返す.

np.ones((2,3,4))

output:

array([[[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]],

       [[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]])

np.Empty()パラメータは、d 0,d 1,d 2,dnに関するメタグループであり、初期化値のない空の配列

を返す

np.empty((2,1,3))

output:

array([[[0., 0., 0.]],

       [[0., 0., 0.]]])

np.arang()内蔵関数rangeの配列版.パラメータは開始値、終了値(取得不可)、ステップ長

np.arange(2,15,3)

output:

array([ 2,  5,  8, 11, 14])

np.linspace().パラメータは、開始値、終了値(取り込み)、要素の数です.

np.linspace(10,20,5)
np.linspace(0,1,10,endpoint=False)

output:

array([10. , 12.5, 15. , 17.5, 20. ])
array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

np.logspace().上のnpと.linspace()類似

np.logspace(0,2,20)

output:

array([  1.        ,   1.27427499,   1.62377674,   2.06913808,
         2.6366509 ,   3.35981829,   4.2813324 ,   5.45559478,
         6.95192796,   8.8586679 ,  11.28837892,  14.38449888,
        18.32980711,  23.35721469,  29.76351442,  37.92690191,
        48.32930239,  61.58482111,  78.47599704, 100.        ])

8.np.eye()は、対角線が1、残りが0の2次元配列を返し、最初のパラメータはnumbers of rows、2番目のパラメータはnumbers of columnsで、デフォルトは最初のパラメータの値に等しい.

np.eye(5)

output:

array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

次に、いくつかのndarrayのプロパティについて説明します.

#      ,(0,1)         
data = np.random.randn(2,3)
data
#         
data.shape
#    
data.dtype
#    
data.ndim

output:

array([[ 0.71552267,  1.12464515,  0.84971133],
       [-0.43746949,  1.12846303, -0.29032458]])
       
(2, 3)

dtype('float64')

2

配列のデータ型をastype法を用いて変換することができ,この方法は常に新しい配列を生成することに注目すべきである.

data.astype(np.int32)
data

output:

array([[0, 1, 0],
       [0, 1, 0]])

array([[ 0.71552267,  1.12464515,  0.84971133],
       [-0.43746949,  1.12846303, -0.29032458]])

Numpy配列算術
2つの等寸法配列間の算術操作には、要素単位の操作が適用されます.

arr = np.array([[1,2,3],[4,5,6]])
arr * arr
arr - arr
1/arr
arr * 0.5
#          ，          
arr2 = np.array([[2,4,6],[1,2,3]])
arr2 > arr

out:

array([[ 1,  4,  9],
       [16, 25, 36]])

array([[0, 0, 0],
       [0, 0, 0]])

array([[1.        , 0.5       , 0.33333333],
       [0.25      , 0.2       , 0.16666667]])

array([[0.5, 1. , 1.5],
       [2. , 2.5, 3. ]])

array([[ True,  True,  True],
       [False, False, False]])

索引とスライス

一次元配列のインデックスとスライスはpythonリストの使い方と少し似ています

#      
arr = np.arange(10)
arr

Out:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#     ，                       ，             ，               
arr[5:8]=12
arr

Out:

array([ 0,  1,  2,  3,  4, 12, 12, 12,  8,  9])

#  aar1 ，         
arr1 = arr[5:8]
arr1
arr1[:] = 24
arr

Out:

array([12, 12, 12])

array([ 0,  1,  2,  3,  4, 24, 24, 24,  8,  9])

#           .copy()
arr11 = arr[5:8].copy()
arr11
arr11[:] = 48#  aar11 ，         
arr

Out:

array([24, 24, 24])

array([ 0,  1,  2,  3,  4, 24, 24, 24,  8,  9])

2次元配列のインデックス、2次元配列の各インデックス値に対応する要素は1次元配列

#        
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
#     
arr2d[2]
#     ，   
arr2d[2][0]
#     ，   
arr2d[2,0]
#         
arr2d[[2,0]]

Out:

array([7, 8, 9])
7
7
array([[7, 8, 9],
       [1, 2, 3]])

2次元配列のスライス

#      
arr2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
#     
arr2d[:2]
#             
arr2d[:2,1:]

Out:

array([[1, 2, 3],
       [4, 5, 6]])

array([[2, 3],
       [5, 6]])

スライス式に値を割り当てると、スライス全体が再割り当てされます.

arr2d[:2,1:] = 0
arr2d

Out:

array([[1, 0, 0],
       [4, 0, 0],
       [7, 8, 9]])

3 D配列のインデックス

#       ,2*2*3   
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
arr3d[0]
arr3d[0,0]
arr3d[0][0]

Out:

array([[1, 2, 3],
       [4, 5, 6]])

array([1, 2, 3])

array([1, 2, 3])

ブール索引

#      names
names = np.array(["aa","bb","aa","dd","ee","aa","gg"])
#  randn               data
data = np.random.randn(7,4)
names
data

names == "aa"
#         
data[names == "aa"]

Out:

array(['aa', 'bb', 'aa', 'dd', 'ee', 'aa', 'gg'], dtype='

#    ！=          ~     
data[names != "aa"]
data[~(names == "aa")]
cond = names == "aa"
data[~cond]

Out:

array([[-0.18299815, -0.48641017,  0.90295139,  2.4727419 ],
       [ 0.71607019,  1.63065359, -0.71081597, -2.88685402],
       [ 0.59853369,  0.03907715, -0.21053569,  0.18792567],
       [ 0.68262773,  0.61233984, -1.23746087, -0.50847237]])

array([[-0.18299815, -0.48641017,  0.90295139,  2.4727419 ],
       [ 0.71607019,  1.63065359, -0.71081597, -2.88685402],
       [ 0.59853369,  0.03907715, -0.21053569,  0.18792567],
       [ 0.68262773,  0.61233984, -1.23746087, -0.50847237]])

array([[-0.18299815, -0.48641017,  0.90295139,  2.4727419 ],
       [ 0.71607019,  1.63065359, -0.71081597, -2.88685402],
       [ 0.59853369,  0.03907715, -0.21053569,  0.18792567],
       [ 0.68262773,  0.61233984, -1.23746087, -0.50847237]])

#             ，       | &
mask = (names == "aa")|(names == "bb")
mask
data[mask]
#          ，

Out:

array([ True,  True,  True, False, False,  True, False])

array([[ 0.7416918 ,  0.88800978,  0.68197079, -0.53014663],
       [-0.18299815, -0.48641017,  0.90295139,  2.4727419 ],
       [-0.52766455, -0.36830999,  0.45128251,  0.48811192],
       [-0.1643565 ,  0.97845669, -0.92076973, -1.29995933]])

はいれつてんい

#       
arr = np.arange(15).reshape((3,5))
arr
arr.T

Out:

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

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

arr = np.random.randn(6,3)
arr
np.dot(arr.T,arr)#

Out:

array([[ 0.58847723,  0.84348489,  1.42054432],
       [ 0.95521876, -1.13381903, -0.60993457],
       [-0.19601102,  0.40465638, -1.04277897],
       [-0.03255321,  0.40138796,  0.27147854],
       [-0.55308299, -0.57412833, -0.8741011 ],
       [ 0.51149413, -0.12046626,  0.41461565]])

array([[ 1.86575541, -0.42313431,  1.14441965],
       [-0.42313431,  2.66600688,  2.02866315],
       [ 1.14441965,  2.02866315,  4.48701381]])

transposeメソッドもswapaxesメソッドも配列をコピーしていません.データのビューを返します.元の配列は変わりません.

#transpose              ，     ，      ，     
arr = np.arange(16).reshape((2,2,4))
arr
arr.transpose((1,0,2))
arr

Out:

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

#swapaxes             ，             
arr
arr.swapaxes(1,2)
arr

Out:

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

ndarray多次元配列オブジェクトについては、他にも興味深い知識点がたくさんあります.関連する本やチュートリアルを探して勉強し続けることができます.

day 17正規表現

BluemixでDiegoを試してみる