python 之 numpy 模块详细讲解及其应用案例

迈不过友情╰ 2021-09-07 06:14 777阅读 0赞

## python numpy 模块详细讲解及应用案例 ##

**博文简介**

*  该博文总共介绍3个常用的numpy方法（array，linspace，arange），同时每个方法都会有一个应用举例，通过应用举例来更好地理解和使用这些方法
 *  当然numpy还有一些数学上的操作方法，这个就是最熟悉的:  
    sin(), cos(), log(),tan(),exp(),arctan(),arcsin(),arccos(),cot()等等  
    大家懂得数学就一定会那些方法了，故在这里就不做介绍了

## 一、安装numpy ##

windows 系统：  
1.windows + R 打开控制台;  
2.pip install numpy。  
结果如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center]

## 二、最常用的方法 ##

## 1、array方法 ##

**1.1 array（numpy.array）功能**  
生成数组（可以是一维数组，二维数组，甚至更高维度的数组）  
**数组与列表的区别：**  
数组必须是同样的数据类型；  
而列表可以是不同数据类型。  
在其他方面二者相差无几。  
举例：

import numpy as np
    """ 业界最通用的操作，声明一个别名np """
    array_0 = np.array([0, 1, 2, 3, 4])
    # 一维数组
    array_1 = np.array([[0, 1, 2, 3],[4, 5, 6, 7]])
    # 二维数组
    array_2 = np.array([[[0, 1, 2],[3, 4, 5]],[[6, 7, 8],[9, 10, 11]]])
    # 三维数组
    # 更多维度的几乎不会使用到的
    """ 这里注意： 数组必须是同一个数据类型的元素构成， 所以，当元素的数据类型不同时， 会发生强制准换！！ 准换的优先级为： 字符串 > 浮点数 > 整型数 例如下面的举例： """
    array_3 = np.array([1, 2.23, 4, 5])
    # 会强制转换为浮点数
    array_4 = np.array([1, 2.23, 4, 5, 'hello world !'])
    # 会强制转换为字符串
    
    # 打印结果
    print(array_0)
    print(array_1)
    print(array_2)
    print(array_3)
    print(array_4)

运行的结果如下所示（output）：

[0 1 2 3 4]
    # array_0
    
    [[0 1 2 3]
     [4 5 6 7]]
    # array_1
     
    [[[ 0  1  2]
      [ 3  4  5]]
    
     [[ 6  7  8]
      [ 9 10 11]]]
    # array_2
    
    [1.   2.23 4.   5.  ]
    # array_3
    
    ['1' '2.23' '4' '5' 'hello world !']
    # array_4

总之就是说，numpy.array()是来生成数组的，其类型为：<class ‘numpy.ndarray’>  
（可以通过type（）方法来查看）。  
另外，一个数组减去一个数字，例如：

array_0 = array_0 - 100
    # 每个元素都减一百

意味着数组中的每一个元素都要减去100！  
**1.2 array方法的应用举例（可以处理图片）**

import numpy as np
    import matplotlib.pyplot as plt
    # 这是一个绘图专用的模块，该模块的介绍将在另一篇博文中进行讲述
    """ 同样是业界常用别称 """
    
    # 将图片转换为一个数组（三维数组）
    array_img = plt.imread('./图片名称')
    """ 例如： array_img = plt.imread('./0065ErDtgy1geehlwnfb6j30p018g435.jpg') """
    # 相当于是要输入一个图片文件的位置
    # 得到的结果是一个三维数组
    # 通过print查看
    print(array_img)
    # print(type(array_img))
    
    
    # 利用绘图模块展示出来
    plt.imshow(array_img)
    # 实现一个数组减去一个数字：
    plt.imshow(array_img - 100)
    # 加一个数字也可以
    plt.imshow(array_img + 200)

运行的结果如下所示（output）：  
这里我是已经用了一张图片的， 原图如下，运行的效果请参见下方的下方：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 1]

此处展示图片：  
1、对应于 array\_img ： (没有变化)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 2]  
2、对应于 array\_img - 100 ：（把可爱的小姐姐变丑了，是我的过错，呜呜呜~~~）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 3]  
3、对应于 array\_img + 200 ：（又一次把小姐姐变丑了，呜呜呜~~~，先说声对不起~~，但似乎比前一个好一点啦~）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 4]  
所以呢，其实那些修图软件就是将拍摄后的图片转换成为数组，然后通过特定的算法来实现美颜、瘦身等功能的。  
比如：  
对于常用的瘦脸功能，我们可以：  
1、拍照；  
2、识别人脸；  
3、将整个图片转成数组；  
4、利用特定的算法来处理人脸所对应的数组区域；  
5、最后，显示处理后的图片（即，经过瘦脸后的图片）。  
（在这里就不去实现这种复杂的功能了，有兴趣的大佬可以自己探索一下哦~）

## 2、linspace方法 ##

**2.1 linspace 方法的功能**  
linspace 方法的功能是产生一个一维数组，具体实现是将从起始位置开始到结束位置为止的区间，均匀地产生指定个数的数字，并将这些数字组成一个一维数组。

import numpy as np
    array_0 = np.linspace(-10, 20, 30)
    # 第一个参数：起始位置
    # 第二个参数：结束为止
    # 第三个参数：产生的一维数组的大小，即指定的数字个数
    print(array_0)

输出结果：（相当于等差数列！！）

[-10.          -8.96551724  -7.93103448  -6.89655172  -5.86206897
      -4.82758621  -3.79310345  -2.75862069  -1.72413793  -0.68965517
       0.34482759   1.37931034   2.4137931    3.44827586   4.48275862
       5.51724138   6.55172414   7.5862069    8.62068966   9.65517241
      10.68965517  11.72413793  12.75862069  13.79310345  14.82758621
      15.86206897  16.89655172  17.93103448  18.96551724  20.        ]

（共有30个数字）  
**2.2 linspace 方法的应用举例**  
在这里举一个绘制图像的例子，绘制一个三维曲线

""" 绘制一个三维的曲线 所绘制的曲线为等距螺旋线 等距螺旋线绘制代码以及结果如下： """
    import numpy as np
    import matplotlib.pyplot as plt
    # 导入库函数
    fig = plt.figure()
    # 建立一个三维坐标系
    ax1 = plt.axes(projection='3d')
    # 进行三维绘图
    z = np.linspace(-5, 5, 50)
    # 使用 linspace 方法定义z坐标
    """ 从-5到5的区间，均分为50份进行描点绘图 描点！！ """
    x = 5 * np.sin(z)
    y = 5 * np.cos(z)
    # 定义x与y的坐标
    ax1.plot3D(x, y, z, 'gray')
    # 实现三维图的绘制
    plt.show()
    # 显示绘制的图像结果

结果展示如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 5]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 6]

以上便是linspace方法的一个简单介绍。

## 3、 arange方法 ##

**3.1 arange 方法的功能**  
产生一个从初始位置开始，到终止位置结束，以特定步长为差值的以为数组（也相当于等差数列）：

import numpy as np
    array_0 = np.arange(-10, 10, 2)
    # 使用arange方法
    # 第一个参数：起始位置
    # 第二个参数：终止位置
    # 第三个参数：步长
    
    # 打印
    print(array_0)

运行结果如下所示：

[-10  -8  -6  -4  -2   0   2   4   6   8]

**3.2 arange 方法的应用举例**  
在这里我们绘制一张三维空间中的一个曲面图像，具体的代码实现如下：

""" 前四行代码与上一个例子相同！！ """
    import numpy as np
    import matplotlib.pyplot as plt
    fig = plt.figure()
    ax3 = plt.axes(projection='3d')
    # 定义x坐标--->生成数组
    x = np.arange(-5, 5, 0.1)
    # 定义y坐标--->生成数组
    y = np.arange(-5, 5, 0.1)
    
    # 在这里，生成一个二维的数组来存放坐标（二维坐标的存放 ！！）
    # （meshgrid是另一个方法，在这里不多介绍，有兴趣可以查阅相关资料来学习。）
    X, Y = np.meshgrid(x, y)
    # Z 的函数关系式
    Z = 10 * np.log(1000 - X ** 2 - Y ** 2)
    
    # 显示图像，cmap参数是设置图形的样式的，rainbow为彩虹状
    ax3.plot_surface(X, Y, Z, cmap='rainbow')
    # 别忘了plt.show()!!
    plt.show()

运行结果展示如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 7]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 9]

## *总结* ##

综上所述：  
numpy（np） 模块 的这三种方法就介绍到这里了啦~~~

当然以上介绍是不够的全面的，想要真正掌握这些模块，还是应该自己多练习、多实践，以此来增强自己的技能，此篇仅供大家参考所用~  
***要是喜欢的话可以点一个赞（么么哒），当然要是不喜欢的话也希望不要踩一下啦~***

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center]: /images/20210813/62a09d29c4f342ad8dad78b658b83294.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20210813/af21dfa36b6548b4814d79bd43301d35.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20210813/0e17bb2da0fe4e9fa392db062bd4da39.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20210813/e71414a71e044090be77ad3afd41ab7e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20210813/cb2e05b832ad4327ad4b02a03f852a39.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20210813/e01b72e966b1481fa29d872722dc938f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20210813/d7e54ca030cc44798fb98e729878afcd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20210813/cb535a78672e45cfa0d90a3020e8139c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20210813/1c8304b6c94840e2a30089acaa1aa333.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU0MjE4MjYz_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20210813/f1c74c5997634120abb77ed603187cc3.png