一、NumPy 的主要特性和功能：
-
多维数组对象（ndarray）：
-
NumPy 的核心是 ndarray 对象，它是一个多维数组，可以存储相同类型的元素。ndarray 对象具有固定大小，支持矢量化运算和广播功能，这使得在 NumPy 中进行数组运算非常高效。
-
-
数组创建：
-
可以通过多种方式创建 ndarray 对象，包括从 Python 列表或元组转换、使用 NumPy 提供的函数生成特定形状和数据类型的数组、从文件读取数据等。
-
-
数组操作：
-
索引与切片：与 Python 列表类似，可以使用索引和切片来访问和修改数组的元素。
-
数组形状操作：可以改变数组的形状，如重塑、扁平化、转置等。
-
数组组合与分割：可以将多个数组组合成一个新数组，或者将一个数组分割成多个子数组。
-
数组的计算：NumPy 提供了丰富的数学和统计函数，如加减乘除、三角函数、指数函数、对数函数、统计函数等，可以对数组进行各种数学和统计计算。
-
-
数组广播：
-
当进行不同形状数组之间的运算时，NumPy 使用广播规则来进行计算，这使得在不同维度的数组之间进行运算变得更加方便和高效。
-
-
线性代数运算：
-
NumPy 提供了丰富的线性代数运算功能，如矩阵乘法、矩阵分解、求解线性方程组等，可以方便地进行各种线性代数计算。
-
-
随机数生成：
-
NumPy 提供了生成各种概率分布的随机数的函数，如均匀分布、正态分布、泊松分布等，这对于模拟和概率计算非常有用。
-
-
文件输入输出：
-
NumPy 支持从文本文件、二进制文件以及 NumPy 自定义的文件格式中读取数据，也可以将数据保存到这些格式中。
-
-
性能优化：
-
NumPy 中的许多操作都是使用 C 语言实现的，因此具有很高的性能。此外，NumPy 还提供了一些优化工具，如向量化操作、内存优化等，可以进一步提高计算效率。
-
二、Numpy 对数组进行操作
1.导入numpy数据库
import numpy as np
2.创建数组
print(np.array([1, 2, 3, 4, 5]))
3.创建全零数组或全一数组
# 0 print(np.zeros((3, 2))) # 1 print(np.ones((2, 4))) """ [[0. 0.][0. 0.][0. 0.]] [[1. 1. 1. 1.][1. 1. 1. 1.]] """
4.获取数组的尺寸
a = np.zeros((3, 2)) print(a.shape) # （行，列） # (3, 2)
5.创建递增或递减的数组,类似range
print(np.arange(3, 7)) # [3 4 5 6]
6.介于两个数之间，等间距的数
print(np.linspace(0, 1, 5)) # [0. 0.25 0.5 0.75 1. ]
7.生成随机数组
print(np.random.rand(2, 4)) # [[0.4270443 0.38154075 0.46158911 0.11078224] # [0.67902116 0.58708575 0.85713226 0.43969598]]
8.数组的数据类型
a = np.zeros((3, 2)) print(a.dtype) # float64
9.指定数组的数据类型
a = np.zeros((3, 2), dtype=np.int32) print(a.dtype) # int32
10.转换数据类型
a = np.zeros((3, 2)) b = a.astype(int) print(b.dtype) # int32
三、Numpy 的基本运算
1.四则运算,将数组同位置的元素进行 加减乘除
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) print(a + b) # [5 7 9] print(a / b) # [0.25 0.4 0.5 ]
2.将两个向量进行点乘运算
print(np.dot(a, b)) # 32
3.矩阵乘法运算
a = np.array([[1, 2], [3, 4]]) b = np.array([[4, 5], [7, 8]]) print(a @ b) print(np.matmul(a, b)) """ [[18 21][40 47]] [[18 21][40 47]] """
4.求平方根
a = np.array([1, 2, 3]) print(np.sqrt(a)) # [1. 1.41421356 1.73205081]
5.三角函数运算
a = np.array([1, 2, 3]) print(np.sin(a)) # [0.84147098 0.90929743 0.14112001] print(np.cos(a)) # [ 0.54030231 -0.41614684 -0.9899925 ]
6.对数与指数运算
a = np.array([1, 2, 3]) print(np.log(a)) # [0. 0.69314718 1.09861229] print(np.power(a, 2)) # [1 4 9]
7.广播
a = np.array([1, 2, 3]) print(a * 5) # [ 5 10 15]
8.不同尺寸的数组之间的运算
a = np.array([[1], [10], [20]]) b = np.array([4, 5, 6]) print(a + b) """ [[ 5 6 7][14 15 16][24 25 26]] """
9.获取最大最小值的数与索引
a = np.array([1, 2, 3, 4, 5]) print(a.min()) # 1 print(a.max()) # 5 print(a.argmin()) # 0 print(a.argmax()) # 4
10.求和，平均值，中位数，方差，标准方差
# 一维数组 a = np.array([1, 2, 3, 4, 5]) print(a.sum()) # 15 print(a.mean()) # 3.0 print(np.median(a)) # 3.0 print(a.var()) # 2.0 print(a.std()) # 1.4142135623730951 # 多维数组 a = np.array([[1, 2, 3, 4, 5],[5, 6, 7, 8, 9]]) print(a.sum(axis=0)) # 每一列中对应的数相加 # [ 6 8 10 12 14] print(a.sum(axis=1)) # 每一行中对应的数相加 # [15 35]
11.获取数组中的元素
a = np.array([[1, 2, 3, 4, 5],[5, 6, 7, 8, 9]]) print(a[0, 1]) # 第一行第二列 # 2 # 切片 print(a[0, 0:2]) # [1 2] print(a[0, :]) # [1 2 3 4 5] # 步长 a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]) print(a[0:9:2]) # [1 3 5 7 9] print(a[0:9:3]) # [1 4 7] print(a[4:1:-2]) # 反转 # [5 3]
12.筛选指定的元素
a = np.arange(10) print(a) # [0 1 2 3 4 5 6 7 8 9] print(a[a < 3]) # [0 1 2] print(a[(a > 3) & (a % 2 == 0)]) # [4 6 8]
四、numpy 的使用
1.导入库
from PIL import Image import numpy as np
2.导入图片
im = Image.open('头像.jpg')
im.show()
3.将图片转化为数组
im = np.array(im) print(im.shape) # (512, 512, 3)
4.访问像素点颜色
print(im[100, 100]) # [211 223 223]
5.提取红色分量
im_r = im[:, :, 0] Image.fromarray(im_r).show()
6.将图片按比例混合
im1 = np.array(Image.open('4.jpg'))
im2 = np.array(Image.open('5.jpg'))
im_blend = im1 * 0.4 + im2 * 0.6
im_blend = im_blend.astype(np.uint8)
Image.fromarray(im_blend).show()
7.反转图片
im_flipped = im[::-1,:,:] Image.fromarray(im_flipped).show()
8.裁剪图片
im_cropped = im1[40:540,400:900,:] Image.fromarray(im_cropped).show()
