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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
>>> # Python lists>>> x = [1, 2, 3, 4]>>> y = [5, 6, 7, 8]>>> x * 2[1, 2, 3, 4, 1, 2, 3, 4]>>> x + 10Traceback (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 * 2array([2, 4, 6, 8])>>> ax + 10array([11, 12, 13, 14])>>> ax + ayarray([ 6, 8, 10, 12])>>> ax * ayarray([ 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：
|
1
2
3
4
5
6
|
>>> 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模塊中類似函數(shù)的替代。比如：
|
1
2
3
4
5
|
>>> 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：
|
1
2
3
4
5
6
7
8
9
10
|
>>> 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
>>> grid += 10>>> gridarray([[ 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)：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])>>> aarray([[ 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>>> aarray([[ 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]])>>> aarray([[ 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)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://www.kancloud.cn/kancloud/python3-cookbook/47184
