在深度神经网络代码中经常用到numpy库的一些函数，很多看过之后很容易忘记，本文对经常使用的函数进行归纳总结。
np.arange
arange是numpy一个常用的函数，该函数主要用于创建等差数列。它的使用方法如下所示：
numpy.arange([start,] stop[, step])
参数说明：
- start：起始值，默认为0
- stop：结束值（不包含），左闭右开
- step：步长（可选，默认为1）
注意该函数返回值类型为“<class 'numpy.ndarray'>”
基础用法
python">import numpy as np# 1. 只有一个参数（终点）
a = np.arange(5)
print(a) # [0 1 2 3 4]
print(type(a)) #<class 'numpy.ndarray'> 返回类型# 2. 指定起点和终点
b = np.arange(2, 6)
print(b) # [2 3 4 5]# 3. 指定起点、终点和步长
c = np.arange(0, 10, 2)
print(c) # [0 2 4 6 8]# 4. 负步长
d = np.arange(5, -1, -1)
print(d) # [5 4 3 2 1 0]另外arange也支持浮点数步长，请看下面的例子
python">import numpy as npa = np.arange(1,2,0.2)
print(a) #[1.0,1.2,1.4,1.6,1.8]np.array
这是numpy最基础也是最重要的数据结构。array函数创建序列需要从列表或者元组进行创建，这一点是与arange不相同的。
基础用法
python">import numpy as np# 1. 从列表创建
arr1 = np.array([1, 2, 3, 4, 5])
print("一维数组:", arr1)# 2. 从嵌套列表创建多维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("二维数组:\n", arr2)# 3. 指定数据类型
arr3 = np.array([1, 2, 3], dtype=float)
print("浮点数数组:", arr3)# 4. 从元组创建
arr4 = np.array((1, 2, 3))
print("从元组创建:", arr4)
数组属性
python">import numpy as npdef array_properties():arr = np.array([[1, 2, 3], [4, 5, 6]])print("维度:", arr.ndim) # 2print("形状:", arr.shape) # (2, 3)print("大小:", arr.size) # 6print("数据类型:", arr.dtype) # int64print("每个元素的字节数:", arr.itemsize)print("总字节数:", arr.nbytes)print("数据存储顺序:", arr.flags)
常见的数组操作
python">import numpy as np# 1. 基本操作
def basic_operations():arr = np.array([[1, 2, 3], [4, 5, 6]])# 重塑reshaped = arr.reshape(3, 2)print("重塑后:\n", reshaped)# 转置transposed = arr.Tprint("转置后:\n", transposed)# 展平flattened = arr.flatten()print("展平后:", flattened)# 2. 数组切片
def array_slicing():arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])# 基本切片print("前两行:\n", arr[:2])print("第二列:", arr[:, 1])print("子矩阵:\n", arr[1:3, 1:3])# 高级索引indices = np.array([0, 2])print("选择行:", arr[indices])# 布尔索引mask = arr > 5print("大于5的元素:", arr[mask])
数组广播
python">import numpy as npdef broadcasting_examples():# 1. 标量广播arr = np.array([[1, 2, 3], [4, 5, 6]])print("加标量:\n", arr + 1)# 2. 数组广播row = np.array([1, 2, 3])print("加行向量:\n", arr + row)col = np.array([[1], [2]])print("加列向量:\n", arr + col)# 3. 广播规则示例a = np.array([[1, 2, 3], [4, 5, 6]]) # shape: (2, 3)b = np.array([10, 20, 30]) # shape: (3,)print("广播结果:\n", a + b)broadcasting_examples()
#输出
加标量:[[2 3 4][5 6 7]]
加行向量:[[2 4 6][5 7 9]]
加列向量:[[2 3 4][6 7 8]]
广播结果:[[11 22 33][14 25 36]]视图和副本
python">def views_and_copies():arr = np.array([[1, 2, 3], [4, 5, 6]])# 视图view = arr.view()view[0, 0] = 99print("原数组被修改:\n", arr)# 副本copy = arr.copy()copy[0, 0] = 88print("原数组未被修改:\n", arr)#输出
视图： [[1 2 3][4 5 6]]
原数组被修改:[[99 2 3][ 4 5 6]]
原数组未被修改:[[99 2 3][ 4 5 6]]view() 创建一个数组视图，它与原数组共享相同的数据，但可以有不同的形状或数据类型。关键点是：
- 视图是共享数据的新数组对象
- 修改视图中的数据会影响原数组
- 视图的形状改变不影响原数组
看看下面的例子：
python">import numpy as npdef dtype_views():# 1. 创建整数数组arr = np.array([1, 2, 3, 4], dtype=np.int32)# 2. 创建float类型的视图view_float = arr.view(np.float32)print("原数组:", arr)print("原数组类型:", arr.dtype)print("原数组id：",id(arr))print("视图:", view_float)print("视图类型:", view_float.dtype)print("原数组id：",id(view_float))
dtype_views()#输出
原数组: [1 2 3 4]
原数组类型: int32
原数组id： 136153673669328
视图: [1.e-45 3.e-45 4.e-45 6.e-45]
视图类型: float32
原数组id： 136153673387632通过上面的结果可以看到，view方法返回的对象与原数组的对象id是不同的，但是他们的实际数据是存储在同一个位置的，所以修改view，原数组也会修改。这里就不在深入介绍了。
结论：
- 视图不复制数据，只创建新的数组对象
- 视图创建了新的数组对象，但指向相同的数据
实际应用场景
python">import numpy as np# 1. 数据类型转换而不复制
def efficient_type_conversion():# 创建大数组arr = np.arange(1000000, dtype=np.int32)# 使用视图转换类型（高效）float_view = arr.view(np.float32)# 对比复制方式float_copy = arr.astype(np.float32)print("视图是否共享内存:", np.shares_memory(arr, float_view))print("副本是否共享内存:", np.shares_memory(arr, float_copy))# 2. 图像处理中的应用
def image_processing():# 创建模拟图像数据img = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]], dtype=np.uint8)# 创建展平视图进行处理flat_view = img.view()flat_view.shape = (-1,)# 处理数据flat_view += 10print("处理后的图像:\n", img)
np.where
这是一个非常强大的函数，它的主要作用：
- 条件查找：返回满足条件的元素索引
- 条件选择：根据条件从两个数组中选择元素
条件查找
python">import numpy as npdef basic_where:arr = np.array([1, 2, 3, 4, 5, 4, 3, 2, 1]) #array创建序列需要基于列表创建#找出所有大于3的索引和对应的值indices = np.where(arr > 3)print(f'索引：{indices}')print(f'对应的值：{arr[indices]}')# 找出所有偶数的索引even_indices = np.where(arr % 2 == 0)print(f"偶数索引: {even_indices}")print(f"偶数值: {arr[even_indices]}")#多维数组示例arr_2d = np.array([[1,2,3],[4,5,6],[7,8,9]])rows, cols= np.where(arr_2d > 5)print("行索引:", rows) #行索引: [1 2 2 2]print("列索引:", cols) #列索引: [2 0 1 2]print("对应的值:", arr_2d[rows, cols]) #对应的值: [6 7 8 9]result = np.where(arr_2d > 5)print("结果：",result) #行索引: (array([1, 2, 2, 2]), array([2, 0, 1, 2]))由此可见，np.where对于二维数组或多维数组进行条件检查，返回的是各个维度索引的组成的元组。
条件选择
python">import numpy as np# 基本条件选择
def conditional_selection():arr = np.array([1, 2, 3, 4, 5])# 根据条件选择值：# where(condition, x, y) # 当condition为True时选择x，为False时选择yresult = np.where(arr > 3, arr, -1)print(result) # [-1 -1 -1 4 5]# 使用数组作为替换值result2 = np.where(arr % 2 == 0, arr * 2, arr * 3)print(result2) # [3 4 9 8 15]# 多维数组条件选择
def multidim_conditional():arr_2d = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])# 将大于5的元素替换为100result = np.where(arr_2d > 5, 100, arr_2d)print(result) #[[ 1 2 3]# [ 4 5 100]#[100 100 100]]
