快捷導(dǎo)航

Python如何實(shí)現(xiàn)大型數(shù)組運(yùn)算（使用NumPy）

更新時(shí)間：2020年07月24日 10:45:42 作者：看云

這篇文章主要介紹了Python如何實(shí)現(xiàn)大型數(shù)組運(yùn)算，文中講解非常細(xì)致，幫助大家更好的了解和學(xué)習(xí)，感興趣的朋友可以了解下

問(wèn)題

你需要在大數(shù)據(jù)集(比如數(shù)組或網(wǎng)格)上面執(zhí)行計(jì)算。

解決方案

涉及到數(shù)組的重量級(jí)運(yùn)算操作，可以使用NumPy庫(kù)。NumPy的一個(gè)主要特征是它會(huì)給Python提供一個(gè)數(shù)組對(duì)象，相比標(biāo)準(zhǔn)的Python列表而已更適合用來(lái)做數(shù)學(xué)運(yùn)算。下面是一個(gè)簡(jiǎn)單的小例子，向你展示標(biāo)準(zhǔn)列表對(duì)象和NumPy數(shù)組對(duì)象之間的差別：

>>> # Python lists
>>> x = [1, 2, 3, 4]
>>> y = [5, 6, 7, 8]
>>> x * 2
[1, 2, 3, 4, 1, 2, 3, 4]
>>> x + 10
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: can only concatenate list (not "int") to list
>>> x + y
[1, 2, 3, 4, 5, 6, 7, 8]

>>> # Numpy arrays
>>> import numpy as np
>>> ax = np.array([1, 2, 3, 4])
>>> ay = np.array([5, 6, 7, 8])
>>> ax * 2
array([2, 4, 6, 8])
>>> ax + 10
array([11, 12, 13, 14])
>>> ax + ay
array([ 6, 8, 10, 12])
>>> ax * ay
array([ 5, 12, 21, 32])
>>>

正如所見(jiàn)，兩種方案中數(shù)組的基本數(shù)學(xué)運(yùn)算結(jié)果并不相同。特別的，numpy中的標(biāo)量運(yùn)算(比如 ax * 2 或 ax + 10 )會(huì)作用在每一個(gè)元素上。另外，當(dāng)兩個(gè)操作數(shù)都是數(shù)組的時(shí)候執(zhí)行元素對(duì)等位置計(jì)算，并最終生成一個(gè)新的數(shù)組。

對(duì)整個(gè)數(shù)組中所有元素同時(shí)執(zhí)行數(shù)學(xué)運(yùn)算可以使得作用在整個(gè)數(shù)組上的函數(shù)運(yùn)算簡(jiǎn)單而又快速。比如，如果你想計(jì)算多項(xiàng)式的值，可以這樣做：

>>> def f(x):
... return 3*x**2 - 2*x + 7
...
>>> f(ax)
array([ 8, 15, 28, 47])
>>>

NumPy還為數(shù)組操作提供了大量的通用函數(shù)，這些函數(shù)可以作為math模塊中類(lèi)似函數(shù)的替代。比如：

>>> np.sqrt(ax)
array([ 1. , 1.41421356, 1.73205081, 2. ])
>>> np.cos(ax)
array([ 0.54030231, -0.41614684, -0.9899925 , -0.65364362])
>>>

使用這些通用函數(shù)要比循環(huán)數(shù)組并使用math模塊中的函數(shù)執(zhí)行計(jì)算要快的多。因此，只要有可能的話盡量選擇numpy的數(shù)組方案。

底層實(shí)現(xiàn)中，NumPy數(shù)組使用了C或者Fortran語(yǔ)言的機(jī)制分配內(nèi)存。也就是說(shuō)，它們是一個(gè)非常大的連續(xù)的并由同類(lèi)型數(shù)據(jù)組成的內(nèi)存區(qū)域。所以，你可以構(gòu)造一個(gè)比普通Python列表大的多的數(shù)組。比如，如果你想構(gòu)造一個(gè)10,000*10,000的浮點(diǎn)數(shù)二維網(wǎng)格，很輕松：

>>> grid = np.zeros(shape=(10000,10000), dtype=float)
>>> grid
  array([[ 0., 0., 0., ..., 0., 0., 0.],
  [ 0., 0., 0., ..., 0., 0., 0.],
  [ 0., 0., 0., ..., 0., 0., 0.],
  ...,
  [ 0., 0., 0., ..., 0., 0., 0.],
  [ 0., 0., 0., ..., 0., 0., 0.],
  [ 0., 0., 0., ..., 0., 0., 0.]])
>>>

所有的普通操作還是會(huì)同時(shí)作用在所有元素上：

>>> grid += 10
>>> grid
array([[ 10., 10., 10., ..., 10., 10., 10.],
  [ 10., 10., 10., ..., 10., 10., 10.],
  [ 10., 10., 10., ..., 10., 10., 10.],
  ...,
  [ 10., 10., 10., ..., 10., 10., 10.],
  [ 10., 10., 10., ..., 10., 10., 10.],
  [ 10., 10., 10., ..., 10., 10., 10.]])
>>> np.sin(grid)
array([[-0.54402111, -0.54402111, -0.54402111, ..., -0.54402111,
    -0.54402111, -0.54402111],
  [-0.54402111, -0.54402111, -0.54402111, ..., -0.54402111,
    -0.54402111, -0.54402111],
  [-0.54402111, -0.54402111, -0.54402111, ..., -0.54402111,
    -0.54402111, -0.54402111],
  ...,
  [-0.54402111, -0.54402111, -0.54402111, ..., -0.54402111,
    -0.54402111, -0.54402111],
  [-0.54402111, -0.54402111, -0.54402111, ..., -0.54402111,
    -0.54402111, -0.54402111],
  [-0.54402111, -0.54402111, -0.54402111, ..., -0.54402111,
    -0.54402111, -0.54402111]])
>>>

關(guān)于NumPy有一點(diǎn)需要特別的主意，那就是它擴(kuò)展Python列表的索引功能 - 特別是對(duì)于多維數(shù)組。為了說(shuō)明清楚，先構(gòu)造一個(gè)簡(jiǎn)單的二維數(shù)組并試著做些試驗(yàn)：

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
>>> a
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])

>>> # Select row 1
>>> a[1]
array([5, 6, 7, 8])

>>> # Select column 1
>>> a[:,1]
array([ 2, 6, 10])

>>> # Select a subregion and change it
>>> a[1:3, 1:3]
array([[ 6, 7],
    [10, 11]])
>>> a[1:3, 1:3] += 10
>>> a
array([[ 1, 2, 3, 4],
    [ 5, 16, 17, 8],
    [ 9, 20, 21, 12]])

>>> # Broadcast a row vector across an operation on all rows
>>> a + [100, 101, 102, 103]
array([[101, 103, 105, 107],
    [105, 117, 119, 111],
    [109, 121, 123, 115]])
>>> a
array([[ 1, 2, 3, 4],
    [ 5, 16, 17, 8],
    [ 9, 20, 21, 12]])

>>> # Conditional assignment on an array
>>> np.where(a < 10, a, 10)
array([[ 1, 2, 3, 4],
    [ 5, 10, 10, 8],
    [ 9, 10, 10, 10]])
>>>

討論

NumPy是Python領(lǐng)域中很多科學(xué)與工程庫(kù)的基礎(chǔ)，同時(shí)也是被廣泛使用的最大最復(fù)雜的模塊。即便如此，在剛開(kāi)始的時(shí)候通過(guò)一些簡(jiǎn)單的例子和玩具程序也能幫我們完成一些有趣的事情。

通常我們導(dǎo)入NumPy模塊的時(shí)候會(huì)使用語(yǔ)句 import numpy as np 。這樣的話你就不用再你的程序里面一遍遍的敲入numpy，只需要輸入np就行了，節(jié)省了不少時(shí)間。

如果想獲取更多的信息，你當(dāng)然得去NumPy官網(wǎng)逛逛了，網(wǎng)址是： http://www.numpy.org

以上就是Python如何實(shí)現(xiàn)大型數(shù)組運(yùn)算（使用NumPy）的詳細(xì)內(nèi)容，更多關(guān)于Python 大型數(shù)組運(yùn)算（使用NumPy）的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: