NumPy入门攻略：手把手带你玩转这款强大的数据分析和计算工具

导读：NumPy（Numerical Python的简称）是高性能科学计算和数据分析的基础包，提供了矩阵运算的功能。

在处理自然语言过程中，需要将文字（中文或其他语言）转换为向量。即把对文本内容的处理简化为向量空间中的向量运算。基于向量运算，我们就可以实现文本语义相似度、特征提取、情感分析、文本分类等功能。

作者：涂铭，刘祥，刘树春

如需转载请联系华章科技

NumPy提供了以下几个主要功能：

• ndarray一个具有向量算术运算和复杂广播能力的多维数组对象。
• 用于对数组数据进行快速运算的标准数学函数。
• 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。
• 非常有用的线性代数，傅里叶变换和随机数操作。
• 用于集成C /C++和Fortran代码的工具。

除明显的科学用途之外，NumPy也可以用作通用数据的高效多维容器，可以定义任意的数据类型。这些使得NumPy能无缝、快速地与各种数据库集成。

提示：这里提到的广播可以这么理解：当有两个维度不同的数组（array）运算的时候，可以用低维的数组复制成高维数组参与运算（因为NumPy运算的时候需要结构相同）。

本文NumPy的要点包括：

• 创建NumPy数组
• 获取NumPy中数组的维度
• NumPy数组索引与切片
• NumPy数组比较
• 替代值
• NumPy数据类型转换
• NumPy的统计计算方法

01 创建数组

在NumPy中，最核心的数据结构是ndarray，ndarray代表的是多维数组，数组指的是数据的集合。为了方便理解，我们来举一个小例子。

1. 一个班级里学生的学号可以通过一维数组来表示：数组名叫a，在a中存储的是数值类型的数据，分别是1,2,3,4。

其中a[0]代表的是第一个学生的学号1，a[1]代表的是第二个学生的学号2，以此类推。

2. 一个班级里学生的学号和姓名，则可以用二维数组来表示：数组名叫b

类似的，其中b[0,0]代表的就是1（学号），b[0,1]代表的就是Tim（学号为1的学生的名字），以此类推b[1,0]代表的是2（学号）等。

借用线性代数的说法，一维数组通常称为向量（vector），二维数组通常称为矩阵（matrix）。

当我们安装完Anaconda之后，默认情况下NumPy已经在库中了，所以不需要额外安装。我们来写一些语句简单测试下NumPy：

1）在Anaconda中输入，如果没有报错，那么说明NumPy是正常工作的。

In [1]: import numpy as np

稍微解释下这句语句：通过import关键字将NumPy库引入，然后通过as为其取一个别名np，别名的作用是为了之后写代码的时候方便引用。

2）通过NumPy中的array()，可以将向量直接导入：

vector = np.array([1,2,3,4])

3）通过numpy.array()方法，也可以将矩阵导入：

matrix = np.array([[1,'Tim'],[2,'Joey'],[3,'Johnny'],[4,'Frank']])

02 获取NumPy中数组的维度

首先我们通过NumPy中的一个方法arange(n)，生成0到n-1的数组。比如我们输入np.arange(15)，可以看到返回的结果是array（[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]）。

之后再通过NumPy中的reshape（row,column）方法，自动构架一个多行多列的array对象。

比如我们输入：

a = np.arange(15).reshape(3,5) #代表3行5列

可以看到结果：

array([[ 0, 1, 2, 3, 4],
 [ 5, 6, 7, 8, 9],
 [10, 11, 12, 13, 14]])

我们有了基本数据之后，可以通过NumPy提供的shape属性获取NumPy数组的维度。

print(a.shape)

可以看到返回的结果，这个是一个元组（tuple），第一个3代表的是3行，第二个5代表的是5列：

(3, 5)

03 获取本地数据

我们可以通过NumPy中genfromtxt()方法来读取本地的数据集。需要使用的数据集，house-prices.csv是由逗号（，）分隔的，在Github的data目录下能下载到。我们可以使用以下语句来读取这个数据集：

import numpy as np
nfl = np.genfromtxt("D:/numpy/data/price.csv", delimiter=",")
print(nfl)

上述代码从本地读取price.csv文件到NumPy数组对象中（ndarray），我们看一下数据集的前几行。

[[ nan nan nan nan
 nan nan]
 [ 1.00000000e+00 1.14300000e+05 2.00000000e+00 2.00000000e+00
 nan nan]
 [ 2.00000000e+00 1.14200000e+05 4.00000000e+00 2.00000000e+00
 nan nan]
 [ 3.00000000e+00 1.14800000e+05 3.00000000e+00 2.00000000e+00
 nan nan]
 [ 4.00000000e+00 9.47000000e+04 3.00000000e+00 2.00000000e+00
 nan nan]

暂时先不用考虑返回数据中出现的nan。

每一行的数据代表了房间的地区，是否是砖瓦结构，有多少卧室、洗手间以及价格的描述。

每个列代表了：

• Home：房子的id
• Price：房子的价格
• Bedrooms：有多少个卧室
• Bathroom：有多少个洗手间
• Brick：是否是砖房
• Neighborhood：地区

注意：NumPy数组中的数据必须是相同类型，比如布尔类型（bool）、整型（int），浮点型（float）以及字符串类型（string）。NumPy可以自动判断数组内的对象类型，我们可以通过NumPy数组提供的dtype属性来获取类型。

04 正确读取数据

回到之前的话题，上文发现显示出来的数据里面有数据类型na（not available）和nan（not a number），前者表示读取的数值是空的、不存在的，后者是因为数据类型转换出错。对于nan的出错，我们可以用genfromtxt()来转化数据类型。

• dtype关键字要设定为‘U75’.表示每个值都是75byte的unicode。
• skip_header关键字可以设置为整数，这个参数可以跳过文件开头的对应的行数，然后再执行任何其他操作。

import numpy as np
nfl = np.genfromtxt("d:/numpy/data/price.csv", dtype='U75', skip_header = 1,delimiter=",")
print(nfl)

05 NumPy数组索引

NumPy支持list一样的定位操作。举例来说：

import numpy as np
matrix = np.array([[1,2,3],[20,30,40]])
print(matrix[0,1])

得到的结果是2。

上述代码中的matrix[0,1]，其中0代表的是行，在NumPy中0代表起始第一个，所以取的是第一行，之后的1代表的是列，所以取的是第二列。那么最后第一行第二列就是2这个值了。

06 切片

NumPy支持list一样的切片操作。

import numpy as np
matrix = np.array([
[5, 10, 15], 
 [20, 25, 30],
 [35, 40, 45]
 ])
print(matrix[:,1])
print(matrix[:,0:2])
print(matrix[1:3,:])
print(matrix[1:3,0:2])

上述的print（matrix[:,1]）语法代表选择所有的行，但是列的索引是1的数据。那么就返回10，25，40。

print（matrix[:,0:2]）代表的是选取所有的行，列的索引是0和1。

print（matrix[1:3,:]）代表的是选取行的索引值1和2以及所有的列。

print（matrix[1:3,0:2]）代表的是选取行的索引1和2以及列的索引是0和1的所有数据。

07 数组比较

NumPy强大的地方是数组或矩阵的比较，数据比较之后会产生boolean值。

举例来说：

import numpy as np
matrix = np.array([
 [5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
m = (matrix == 25)
print(m)

我们看到输出的结果为：

[[False False False]
 [False True False]
 [False False False]]

我们再来看一个比较复杂的例子：

import numpy as np
matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
 ])
second_column_25 = (matrix[:,1] == 25)
print(second_column_25)
print(matrix[second_column_25, :])

上述代码中print（second_column_25）输出的是[False True False]，首先matrix[:,1]代表的是所有的行，以及索引为1的列->[10,25,40]，最后和25进行比较，得到的就是false,true,false。print（matrix[second_column_25, :]）代表的是返回true值的那一行数据-> [20，25，30]。

注意：上述的例子是单个条件，NumPy也允许我们使用条件符来拼接多个条件，其中&代表的是且，|代表的是或。比如vector=np.array（[5,10,11,12]），equal_to_five_and_ten =（vector == 5） & （vector == 10）返回的都是false，如果是equal_to_five_or_ten =（vector == 5）|（vector == 10）返回的是[True,True,False,False]

08 替代值

NumPy可以运用布尔值来替换值。

在数组中：

vector = numpy.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
vector[equal_to_ten_or_five] = 50
print(vector)
[50, 50, 15, 20]

在矩阵中：

matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
second_column_25 = matrix[:,1] == 25
matrix[second_column_25, 1] = 10
print(matrix)
[[ 5 10 15]
 [20 10 30]
 [35 40 45]]

我们先创立数组matrix。将matrix的第二列和25比较，得到一个布尔值数组。second_column_25将matrix第二列值为25的替换为10。

替换有一个很棒的应用之处，就是替换那些空值。之前提到过NumPy中只能有一个数据类型。我们现在读取一个字符矩阵，其中有一个值为空值。其中的空值我们很有必要把它替换成其他值，比如数据的平均值或者直接把他们删除。这在大数据处理中很有必要。这里，我们演示把空值替换为0的操作。

import numpy as np
matrix = np.array([
['5', '10', '15'],
['20', '25', '30'],
['35', '40','' ]
 ])
second_column_25 = (matrix[:,2] == '')
matrix[second_column_25, 2]='0'
print(matrix)

09 数据类型转换

NumPy ndarray数据类型可以通过参数dtype 设定，而且可以使用astype转换类型，在处理文件时这个会很实用，注意astype 调用会返回一个新的数组，也就是原始数据的一份复制。

比如，把String转换成float。如下：

vector = numpy.array(["1", "2", "3"])
vector = vector.astype(float)

注意：上述例子中，如果字符串中包含非数字类型的时候，从string转float就会报错。

10 NumPy的统计计算方法

NumPy内置很多计算方法。其中最重要的统计方法有：

• sum()：计算数组元素的和；对于矩阵计算结果为一个一维数组，需要指定行或者列。
• mean()：计算数组元素的平均值；对于矩阵计算结果为一个一维数组，需要指定行或者列。
• max()：计算数组元素的最大值；对于矩阵计算结果为一个一维数组，需要指定行或者列。

需要注意的是，用于这些统计方法计算的数值类型必须是int或者float。

数组例子：

vector = numpy.array([5, 10, 15, 20])
vector.sum()
#得到的结果是50

矩阵例子：

matrix=
array([[ 5, 10, 15],
 [20, 10, 30],
 [35, 40, 45]])
matrix.sum(axis=1)
array([ 30, 60, 120])
matrix.sum(axis=0)
array([60, 60, 90])

如上述例子所示，axis = 1计算的是行的和，结果以列的形式展示。axis = 0计算的是列的和，结果以行的形式展示。

延伸学习

官方推荐教程是不错的入门选择：

https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

关于作者：涂铭，阿里巴巴数据架构师，对大数据、自然语言处理、Python、Java相关技术有深入的研究，积累了丰富的实践经验。

刘祥，百炼智能自然语言处理专家，主要研究知识图谱、NLG等前沿技术，参与机器自动写作产品的研发与设计。

刘树春，七牛云高级算法专家，七牛AI实验室NLP&OCR方向负责人，主要负责七牛NLP以及OCR相关项目的研究与落地。

本文摘编自《Python自然语言处理实战：核心技术与算法》，经出版方授权发布。

延伸阅读《Python自然语言处理实战》

推荐语：阿里巴巴、前明略数据和七牛云的高级专家和科学家撰写，零基础掌握NLP的核心技术、方法论和经典算法。