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 。
