手把手教你用Python的NumPy包处理数据

本文让你快速了解一下如何开始使用NumPy。一旦你熟悉了NumPy,就会发现Python世界中的大多数科学计算都是围绕NumPy构建的。因此花在NumPy上的学习时间最终对你是有益的。

手把手教你用Python的NumPy包处理数据

导读:本文让你快速了解一下如何开始使用NumPy。一旦你熟悉了NumPy,就会发现Python世界中的大多数科学计算都是围绕NumPy构建的。因此花在NumPy上的学习时间最终对你是有益的。

作者:阿迪蒂亚·夏尔马(Aditya Sharma)、维什韦什·拉维·什里马利(Vishwesh Ravi Shrimali)、迈克尔·贝耶勒(Michael Beyeler)

来源:大数据DT(ID:hzdashuju)

如果你已经安装了Anaconda,那么就假设你已经在虚拟环境中安装了NumPy。如果你使用过Python的标准发行版或任何其他发行版,你可以访问

http://www.numpy.org

并按照所提供的安装说明进行操作。

01 导入NumPy

一旦启动了一个新的IPython或者Jupyter会话,就可以导入Numpy模块并按照以下步骤来验证版本:

importnumpy

numpy.__version__

输出结果:

1.15.4

提示:记得在Jupyter Notebook中,键入命令后,你可以按下Ctrl+Enter,以执行一个单元格。或者,按下Shift+Enter以执行单元格,并自动插入或者选择该单元格下面的单元格。依次单击Help | Keyboard Shortcut以检查所有的键盘快捷键,或者依次单击Help | User Interface Tour以进行快速浏览。

此处讨论的部分包,建议使用NumPy 1.8版本或后续版本。按照惯例,你会发现在科学Python领域中,大多数人导入NumPy都会使用np作为别名:

importnumpy asnp

np.__version__

输出结果:

1.15.4

02 理解NumPy数组

Python是一种弱类型的语言。这就意味着, 你无论何时创建一个新变量,都不必指定数据类型。例如,下面的内容将自动表示为一个整数:

a = 5

输入下面内容以再次确认:

type(a)

输出结果:

int

注意:因为标准Python实现是用C编写的,所以每个Python对象本质上是一个伪C结构。这对于Python中的整数也是如此,实际上它是指向复合C结构的指针,包含的不仅仅是原始整数值。因此,用于表示Python整数的默认C数据类型将依赖于你的系统架构(即系统是32位还是64位平台)。

更进一步,我们使用list命令可以创建一个整数列表,这是Python中的标准多元素容器。range (x)函数将创建从0到x–1的所有整数。要输出变量,你可以使用print函数,也可以直接输入变量名字并按Enter:

int_list = list(range( 10))

int_list

输出结果:

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

类似地,我们通过让Python遍历整数列表int_list中的所有元素,并对每个元素应用str函数(该函数将一个数转换成一个字符串),来创建一个字符串列表:

str_list = [str(i) fori inint_list]

str_list

输出结果:

[‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’]

可是,用列表进行数学运算并不是很灵活。例如,我们想要将int_list中的每个元素都乘以一个因子2。执行以下操作可能是一种简单的方法—看看输出结果是怎样的:

int_list * 2

输出结果:

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

Python创建了一个列表,其内容是int_list的所有元素生成了两次,这并不是我们想要的!

这就是NumPy的用武之地。NumPy是专为简化Python中的数组运算而设计的。我们可以快速将整数列表转换为一个NumPy数组:

importnumpy asnp

int_arr = np.array(int_list)

int_arr

输出结果:

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

让我们看看试着将数组中的每个元素相乘会怎么样:

int_arr * 2

输出结果:

array([ 0 2 4 6 8 10 12 14 16 18])

这次我们做对了!加法、减法、除法以及很多其他运算也是同样的。

而且,每个NumPy数组都具有以下属性:

  • ndim:维数。
  • shape:每一维的大小。
  • size:数组中元素的总数。
  • dtype:数组的数据类型(例如int、float、string等)。

让我们来看看整数数组的上述属性:

print( “int_arr ndim: “, int_arr.ndim)

print( “int_arr shape: “, int_arr.shape)

print( “int_arr size: “, int_arr.size)

print( “int_arr dtype: “, int_arr.dtype)

输出结果:

int_arr ndim: 1

int_arr shape: (10,)

int_arr size: 10

int_arr dtype: int64

从这些输出中,我们可以看到我们的数组只包含一维,其包含10个元素且所有元素都是64位的整数。当然,如果你在32位机器上执行这段代码,你可能会得到dtype:int 32。

03 通过索引访问单个数组元素

如果你之前使用过Python的标准列表索引,那么你就不会发现NumPy中的索引有很多问题。在一维数组中,通过在方括号中指定所需的索引,可以访问第i个值(从0开始计算),与Python列表一样:

int_arr

输出结果:

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

int_arr[ 0]

输出结果:

0

int_arr[ 3]

输出结果:

3

要从数组的末尾建立索引,可以使用负索引号:

int_arr[ -1]

输出结果:

9

int_arr[ -2]

输出结果:

8

切割数组还有一些其他很酷的技巧,如下所示:

int_arr[ 2: 5] #from index 2 up to index 5 – 1

输出结果:

array([2, 3, 4])

int_arr[: 5] #from the beginning up to index 5 – 1

输出结果:

array([0, 1, 2, 3, 4])

int_arr[ 5:] #from index 5 up to the end of the array

输出结果:

array([5, 6, 7, 8, 9])

int_arr[:: 2] #every other element

输出结果:

array([0, 2, 4, 6, 8])

int_arr[:: -1] #the entire array in reverse order

输出结果:

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

建议你自己尝试使用这些数组!

提示:NumPy中切割数组的一般形式与标准Python列表中的相同。使用x [start: stop: step]访问数组x中的一个片段。如果没有指定任何一个值,那么默认值为start=0、stop=size of dimension、step=1。

04 创建多维数组

数组不必局限于列表。实际上,数组可以有任意维数。在机器学习中,通常我们至少要处理二维数组,列索引表示特定的特征值,行包含实际的特征值。

使用NumPy可以轻松地从头开始创建多维数组。假设我们想要创建一个3行5列的数组,所有的元素都初始化为0。如果我们不指定数据类型,NumPy将默认使用float类型:

arr_2d = np.zeros(( 3, 5))

arr_2d

输出结果:

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

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

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

使用OpenCV时你可能就知道:这可以解释为所有像素设置为0(黑色)的一个3×5的灰度图像。例如,如果你想要创建具有3个颜色通道(R、G和B)2×4像素的一个小图像,但是所有像素都设置为白色,我们将使用NumPy创建一个3×2×4的三维数组:

arr_float_3d = np.ones(( 3, 2, 4))

arr_float_3d

输出结果:

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.]]])

这里,第一维定义颜色通道(OpenCV中的蓝色、绿色和红色)。因此,如果这是真实的图像数据,我们可以通过切割数组轻松地获得第一个通道中的颜色信息:

arr_float_3d[ 0, :, :]

输出结果:

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

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

在OpenCV中,图像要么是值在0到1之间的32位浮点数组,要么是值在0到255之间的8位整数数组。因此,使用8位整数,通过指定NumPy的dtype属性并将数组中的所有1乘以255,我们还可以创建一个2×4像素、全为白色的RGB图像:

arr_uint_3d = np.ones(( 3, 2, 4), dtype=np.uint8) * 255

arr_uint_3d

输出结果:

array([[[255, 255, 255, 255],

[255, 255, 255, 255]],

[[255, 255, 255, 255],

[255, 255, 255, 255]],

[[255, 255, 255, 255],

[255, 255, 255, 255]]], dtype=uint8)

关于作者:阿迪蒂亚·夏尔马(Aditya Sharma),罗伯特·博世(Robert Bosch)公司的一名高级工程师,致力于解决真实世界的自动计算机视觉问题。曾获得罗伯特·博世公司2019年人工智能编程马拉松的首名。

维什韦什·拉维·什里马利(Vishwesh Ravi Shrimali),于2018年毕业于彼拉尼博拉理工学院(BITS Pilani)机械工程专业。此后一直在BigVision LLC从事深度学习和计算机视觉方面的工作,还参与了官方OpenCV课程的创建。

迈克尔·贝耶勒(Michael Beyeler),是华盛顿大学神经工程和数据科学的博士后研究员,致力于仿生视觉的计算模型研究,以为盲人植入人工视网膜(仿生眼睛),改善盲人的感知体验。他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。

本文摘编自《机器学习:使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)》

本文为专栏文章,来自:CDA数据分析师,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/81865.html 。

(0)
上一篇 2021-07-14 19:14
下一篇 2022-03-10 01:19

相关文章

关注我们
关注我们
分享本页
返回顶部