【NumPy】专题学习

参考：NumPy Ndarray 对象 | 菜鸟教程 (runoob.com)

深入了解NumPy中的随机数模块：numpy.random - 知乎 (zhihu.com)

NumPy Ndarray 对象

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

ndarray 对象是用于存放同类型元素的多维数组。

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

参数说明：

import numpy as np 
a = np.array([[1,  2],  [3,  4]])  
print (a)

NumPy 的数组中比较重要 ndarray 对象属性有：

创建数组

numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组：

numpy.empty(shape, dtype = float, order = 'C')

numpy.zeros创建指定大小的数组，数组元素以 0 来填充

numpy.ones创建指定形状的数组，数组元素以 1 来填充

numpy.zeros_like 用于创建一个与给定数组具有相同形状的数组，数组元素以 0 来填充。（区别在于：numpy.zeros 可以直接指定要创建的数组的形状，而 numpy.zeros_like 则是创建一个与给定数组具有相同形状的数组。）

类似的有numpy.ones_like。

还可以用arange函数生成数组：

numpy.arange(start, stop, step, dtype = None)

值在半开区间 [开始，停止]内生成（换句话说，包括开始但不包括停止的区间）,返回的是 ndarray。

随机数创建

基本的随机数生成函数有三个，也就是rand(),randn(),以及randint()

numpy.random.rand() - 生成均匀分布的在[0, 1)内的随机数 

参数：numpy.random.rand(d0, d1, ..., dn) 接受多个整数参数，每个参数代表生成随机数的维度。可以使用逗号分隔的整数来指定多维数组的形状。

import numpy as np# 生成一个[0, 1)范围内的随机浮点数
rand_num = np.random.rand()
print(rand_num)# 生成一个3x3的二维数组，包含[0, 1)范围内的随机浮点数
rand_array = np.random.rand(3, 3)
print(rand_array)

numpy.random.randn() - 生成标准正态分布的随机数

参数：numpy.random.randn(d0, d1, ..., dn) 同样接受多个整数参数，用于指定生成随机数的维度。

import numpy as np# 生成一个标准正态分布的随机浮点数
rand_num = np.random.randn()
print(rand_num)# 生成一个3x3的二维数组，包含标准正态分布的随机浮点数
rand_array = np.random.randn(3, 3)
print(rand_array)

numpy.random.randint() - 生成整数随机数

• 参数：numpy.random.randint(low, high, size=None, dtype=int) 其中：
  • low 是生成的随机数的下界（包含在内）。
  • high 是生成的随机数的上界（不包含在内）。
  • size 是生成随机数的形状，可以是整数或元组。如果不提供，默认生成一个随机整数。
  • dtype 是生成的随机数的数据类型，默认为整数。

import numpy as np# 生成一个[0, 10)范围内的整数随机数
rand_int = np.random.randint(0, 10)
print(rand_int)# 生成一个1x5的一维数组，包含[0, 10)范围内的整数随机数
rand_array = np.random.randint(0, 10, size=(1, 5))
print(rand_array)

概率分布生成函数

正态分布（Normal Distribution）

• 生成方法： 使用numpy.random.normal()函数生成。需要指定均值（loc）和标准差（scale）。
• 特点： 正态分布是一种对称的、钟形曲线分布，均值、中位数和众数相等。它具有良好的数学性质，广泛用于自然现象、社会科学、工程等领域的建模。
• 常见场景： 金融领域的资产价格、身高和体重分布、测量误差分布等。

import numpy as np
import matplotlib.pyplot as plt# 生成1000个均值为0、标准差为1的正态分布随机数
data = np.random.normal(0, 1, 10000)# 绘制直方图
plt.hist(data, bins=30, density=True, alpha=0.6, color='g')
plt.title("Normal Distribution")
plt.show()

还有均匀分布（Uniform Distribution）、泊松分布（Poisson Distribution）、指数分布（Exponential Distribution）、二项分布（Binomial Distribution）等等，现用现查吧。深入了解NumPy中的随机数模块：numpy.random - 知乎 (zhihu.com)

构建等差、等比数组

numpy.linspace()

numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

参数说明：

import numpy as np
a = np.linspace(1,10,10)
print(a)

numpy.logspace()

numpy.logspace 函数用于创建一个于等比数列。格式如下：

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

base 参数意思是取对数的时候 log 的下标。

import numpy as np
a = np.logspace(0,9,10,base=2)
print (a)

[  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]

数组拼接

numpy提供了numpy.concatenate((a1,a2,...), axis=0)函数。能够一次完成多个数组的拼接。其中a1,a2,...是数组类型的参数 

concatenate(a_tuple, axis=0, out=None)
"""
参数说明：
a_tuple:对需要合并的数组用元组的形式给出
axis: 沿指定的轴进行拼接，默认0，即第一个轴
"""

>>> import numpy as np
>>> ar1 = np.array([[1,2,3], [4,5,6]])
>>> ar2 = np.array([[7,8,9], [11,12,13]])
>>> ar1
array([[1, 2, 3],[4, 5, 6]])
>>> ar2
array([[ 7, 8, 9],[11, 12, 13]])>>> np.concatenate((ar1, ar2))  # 这里的第一轴(axis 0)是行方向
array([[ 1, 2, 3],[ 4, 5, 6],[ 7, 8, 9],[11, 12, 13]])>>> np.concatenate((ar1, ar2),axis=1)  # 这里沿第二个轴，即列方向进行拼接
array([[ 1, 2, 3, 7, 8, 9],[ 4, 5, 6, 11, 12, 13]])

参考：Numpy中的数组拼接、合并操作（concatenate, append, stack, hstack, vstack, r_, c_等）_python两个数组拼接-CSDN博客