NumPy介绍

NumPy的全名为Numeric Python，是一个开源的Python科学计算库，它包括：

（1）一个强大的N维数组对象ndrray；

（2）比较成熟的（广播）函数库；

（3）用于整合C/C++和Fortran代码的工具包；

（4）实用的线性代数、傅里叶变换和随机数生成函数

主要优点：

1.NumPy数组在数值运算方面的效率优于Python提供的list容器。

2.使用NumPy可以在代码中省去很多循环语句，因此其代码比等价的Python代码更为简洁。

ndarray常用属性介绍

序号	数组	解释	([[1,2,3]])	([[1],[2],[3]])
1	shape	tuple方式返回每个维度的size	(1,3)	(3,1)
2	ndim	直接返回这个数组有多少维	2	2
3	dtype	元素的类型	int32	int32
4	size	元素的个数	3	3

ndarray常用创建方法

这里只介绍最常用的方法，从python的list或者tuple中转化成ndarray，关于empty, empty_like, zeros, zeros_like, ones, ones_like, full, full_like 这些方法，请参考官网文档。

def test1():
    # 通过python的list来构建numpy array
    list1 = [[1, 2, 3]]
    list2 = [[1], [2], [3]]

    # 通过python的 tuple来构造
    tuple3= [(1,2,3)]

    # 使用array方法构造
    nd1 = np.array(list1)
    nd2 = np.array(list2)
    nd3 = np.array(tuple3)

    show_array_properties(nd1)
    show_array_properties(nd2)
    show_array_properties(nd3)





def show_array_properties(np_array):
    print("-----------------------")
    """
    常用属性介绍
    :param np_array: 
    :return: 
    """
    print(np_array.shape) # 代表每一个维度元素的个数
    print(np_array.ndim)  # 总共多少维度
    print(np_array.dtype) # 数据类型
    print(np_array.size) # 数组中元素的个数



test1()

输出结果：

-----------------------
(1, 3)
2
int32
3
-----------------------
(3, 1)
2
int32
3
-----------------------
(1, 3)
2
int32
3

ndarray常用数组操作

数组索引下标都是从0开始，不在特意强调

（1）常用步长访问

语法：start:stop:step (开始下标，停止下标，步长)

a = np.array([[1,2,3],[3,4,5],[4,5,6]])

print(a[0:3:2]) //start:stop:step

// output
[[1 2 3]
 [4 5 6]]

（2）使用arange生成数组，并访问元素

a = np.arange(10) 

print(a) # [0 1 2 3 4 5 6 7 8 9]

b = a[5] 
print b
// 5

b=np.arange(1,6,2) 

print(b) # [1 3 5]

（3）开始到结束

import numpy as np 
a = np.arange(10) 
print a[2:]
//output
[2  3  4  5  6  7  8  9]

（4）指定区间

import numpy as np 
a = np.arange(10) 
print a[2:5]
//output
[2  3  4] 

（5）多维数组的范围访问

import numpy as np 
a = np.array([[1,2,3],[3,4,5],[4,5,6]]) 
print a[1:]

//output
[[3 4 5]
 [4 5 6]]

（6）多维数组的列访问

注意下面这种访问情况 冒号可以和三个点号相互替换

a = np.array([[1,2,3],[3,4,5],[4,5,6]]) 

print a[...,1]  ==> [2 4 5]  取第二列
等价
print a[:,1]  ==> [2 4 5]

print a[1,...]  ==> [3 4 5]  取第二行
print a[...,1:] ==> 取第一列之后的所有的列
//output 
[[2 3]
 [4 5]
 [5 6]] 

（7）排序

a = np.array([[7,2,3],[3,4,5],[4,5,6]])
print(a[:,0]) 

# 取每个数组里面里面的第一个元素，排序，返回下标
np.argsort(a[:,0])  #升序
[7,3,4]

// np.argsort(-a[:,0]) #降序

#下面这个是按从小到大排序后的索引值
[1,2,0]

# 取出排序后的元数据

print(a[[1,2,0],:]) 等价 print(a[[1,2,0]])

结果：
[[3 4 5]
 [4 5 6]
 [7 2 3]]

#取a数组，前2个元素
print(a[:2,:]) 

#取a数组，2后面的元素
print(a[2:,:])

（8）reshape转化数组

list=[1,2,3,4,5,6,7,8]

array2d=np.array(list)

# 转成 4 行  2列  的 2维数组
print(array2d.reshape(4,2))

# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]

例子代码可到我github上下载：

https://github.com/qindongliang/opecv3-study

上面只是大概介绍了实际应用常用的一些方法，想要了解详细的朋友可以参考官网文档：

http://www.numpy.org/