NumPy基本使用

最新推荐文章于 2022-05-15 19:35:30 发布
最新推荐文章于 2022-05-15 19:35:30 发布
阅读量1.1k 收藏 5
点赞数 1
分类专栏： python 文章标签： 数据分析 numpy python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ayhan_huang/article/details/78391877
版权

简介

一句话介绍

NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础。

主要功能

  1. ndarray，一个多维数组结构，高效且节省空间
  2. 无需循环对整组数据进行快速运算的数学函数

注意：数组不同与python中列表，数组中的元素类型是一致的，并且数组长度也是确定的。

安装

pip install numpy

引用方式

import numpy as np

创建ndarray对象

创建

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

常用属性

  1. T 数组的转置（对高维数组而言）

    a = np.arange(6).reshape(2,3)
"""
array([[0, 1, 2],
       [3, 4, 5]])
"""

a.T
"""
array([[0, 3],
       [1, 4],
       [2, 5]])
"""

    ​

  2. dtype 数组元素的数据类型：

    • bool_, int(8,16,32,64), uint(8,16,32,64), float(16,32,64)
    • 类型转换：astype()

  3. size 数组元素的个数

  4. ndim 数组的维数

  5. shape 数组的维度大小（以元组形式）

创建ndarray对象的方式

  1. array() 将列表转换为数组，可选择显式指定dtype

  2. arange() range的numpy版，支持浮点数（步长可以是小数）

    a = np.arange(1, 10, 1.2)
"""
array([ 1. ,  2.2,  3.4,  4.6,  5.8,  7. ,  8.2,  9.4])
"""


# 一维转二维：reshape()方法

a = np.arange(15).reshape(3,5)
"""
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
"""

    ​

  3. linspace() 类似arange()，第三个参数为数组长度（分为几份）；（补充：计算机不能表示连续的的东西，比如计算机绘制函数图，其实就是打点，将一段数分为尽可能多的份数）

    a = np.linspace(0, 10, 6)
"""
array([  0.,   2.,   4.,   6.,   8.,  10.])
"""

    ​

  4. zeros() 根据指定形状和dtype创建全0数组

    a = np.zeros(10)
"""
step 1：假如一个数字占4个字节（32为机器），划分40字节的内存空间
step 2: 对这些内存空间清零（默认是浮点型）
array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])
"""


# 创建二维数组(理解为表格)

a = np.zeros((3,5), dtype='int')
"""
array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])
"""


# 创建三位数组（理解为一本表格，有3页，每页4行5列）

a = np.zeros((3,4,5), dtype='int')
"""
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, 0, 0, 0, 0]],

       [[0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0]]])
"""

    ​

  5. ones() 根据指定形状和dtype创建全1数组

  6. empty() 根据指定形状和dtype创建空数组（随机值）

    a = np.empty(10)
"""
比起zeros() 少了第二步（内存空间内还存在原来的值），因此如果创建完数组确定要重新赋值，可以选择这种方式，速度快。
array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.])
"""

    ​

  7. eye() 根据指定边长和dtype创建单位矩阵

  8. tolist() ndarray对象（数组）转列表：

索引和切片

简单计算

数组和数字（向量与标量）之间

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

b = a + 1  # array([2, 3, 4, 5])
b = a * 3  # array([ 3,  6,  9, 12])
b = 1 / a  # array([ 1.        ,  0.5       ,  0.33333333,  0.25      ])
b = 1 // a # array([1, 0, 0, 0], dtype=int32)
b = a ** 0.5 # array([ 1.        ,  1.41421356,  1.73205081,  2.        ])

同样大小数组之间的运算

a = np.array([1,2,3,4])
b = np.array([5,6,7,8])

a + b  # array([ 6,  8, 10, 12])
a / b  # array([ 0.2       ,  0.33333333,  0.42857143,  0.5       ])
a ** b  # array([    1,    64,  2187, 65536], dtype=int32)

数组的索引

# 一维数组，同python中的列表
a = np.arange(10)
a[3]  # 3 

## 二维数组，用逗号，逗号左边是行，右边是列
a = np.arange(10).reshape(2,5)
'''
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
'''
a[1,3] # 第1行第3个元素：8

数组的切片（顾头不顾尾）

# 一维切片，同python中的列表

# 二维切片
a = np.arange(15).reshape(3,5)
"""
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
"""

# 对数组a  6-8-11-13的矩形区域切片
# 用逗号，逗号左边是行，右边是列：从第1行切到最后，再从第一列切到第4列（不包含）
a[1:, 1:4] # 
"""
array([[ 6,  7,  8],
       [11, 12, 13]])
"""

# 切片的拷贝问题
a = np.arange(10)  # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
b = a[0:5]  # array([0, 1, 2, 3, 4])  
b[1] = 666
""" a
array([  0, 666,   2,   3,   4,   5,   6,   7,   8,   9])

注意：
如果是python的列表，对a切片赋值给b是深拷贝，会划分新的内存空间，对b中元素的修改不影响a
但是，对于ndarray对象，由于常用来处理大数据，默认执行的是浅拷贝（数据量太大，深拷贝费空间），b相当于是a的一个视图，因此对b中元素的修改，将导致对a的修改
"""

# 解决方案：
b = a[0:5].copy()  # 执行深拷贝，这样对b中元素的修改不会影响a

布尔型索引

问题1：给一个数组，选出数组中所有大于5的数。

a = np.array([1,3,8,9,11,2])
a[a>5]  # array([ 8,  9, 11])

"""
a>5会对a中的每一个元素进行判断，返回一个布尔数组
布尔型索引：将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组
"""

问题2：给一个数组，选出数组中所有大于5的偶数。

a = np.array([1,3,8,9,11,2])
a[(a>5) & (a%2==0)]  # array([8])

"""
注意：两个条件必须用括号括起来，因为 & 运算符的优先级高
"""

问题3：给一个数组，选出数组中所有大于5的数和偶数。

a = np.array([1,3,8,9,11,2])
a[(a>5) | (a%2==0)]  # array([ 8,  9, 11,  2])

注意，非 的逻辑运算符是 ~ 飘号

a = np.array([True, False])
~a  # array([False,  True], dtype=bool)

花式索引

中括号中存的是用逗号分隔的下标

# 一维
a = np.arange(1,10)  # array([1, 2, 3, 4, 5, 6, 7, 8, 9])

b = [1, 3, 6]  # [] 中存的是下标
a[b]  # array([2, 4, 7])

# 二维
a =np.arange(15).reshape(3,5)
"""
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
"""

# 切片其中的 6 8 11 13
a[1:,[1, 3]]
"""
array([[ 6,  8],
       [11, 13]])
"""

# 选出其第一列和第三列，组成新的二维数组。
a =np.arange(15).reshape(3,5)
a[:,[1,3]]
"""
array([[ 1,  3],
       [ 6,  8],
       [11, 13]])
"""

# 注意，不要在逗号的左右两边同时使用花式索引
a[[1,2],[1,3]]
"""
array([ 6, 13])
"""

通用函数

概念：能同时对数组中所有元素进行运算的函数

一元函数

abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, isnan, isinf, cos, sin, tan

ceil, floor, rint, trunc 这几个函数用于浮点数转整数；trunc相当于python中的int()；rint()四舍五入，相当与python中的round()；

isnan, isinf，用于判断是nan 和 inf；注意， nan, inf 是浮点数的两个特殊值：

isinf表示无限大，是一个float型（5/0 除数越小，结果越大，除数趋近于零时，就是无限大。）

而nan， 表示不是一个数，甚至也不等于它本身！

a = np.array([1,2,3,4,5])
b = np.array([1,1,1,1,0])

c = a/b  # array([  1.,   2.,   3.,   4.,  inf])
np.isinf(c)  # array([False, False, False, False, True], dtype=bool)
c[~np.isinf(c)]  # 布尔索引 array([ 1.,  2.,  3.,  4.])

float('inf')  # inf
type(float('inf'))  # float

float('nan')  # nan
type(float('nan'))  # float

# nan不等于任何数
float('nan') == 1.5  # False
float('nan') == float('inf')  # False
float('nan') == float('nan')  # False

二元函数

add, substract, multiply, divide, power, mod, 这些二元函数用的相对较少，因为可以直接用 符号

maximum, mininum, 比较两个数组，取其中最大/最小部分构成新的数组

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

数学和统计方法

调用方式：np.func(obj)或obj.func()

sum 求和

mean 求平均数

std 求标准差（方差开根号）

var 求方差（每个数减平均值再平方的结果，相加求平均

平均值一样时，方差/标准查，反映数据的离散程度

# a, b, c三个数组的平均值相同
a = np.array([7,8,10,8,7])
b = np.array([8,8,8,8,8])
c = np.array([10,8,6,10,6])

# 通过方差反映离散程度
np.var(a) # 1.2
np.var(b) # 0.0
np.var(c) # 3.2000000000000002

均值加减 n倍的标准差，可以估计数据的范围

import random
a = np.array([random.uniform(10,20) for i in range(10)])
"""
array([ 14.59699686,  12.69868323,  11.06636046,  11.62997516,
        14.65875624,  12.84485756,  14.87239277,  10.47546367,
        12.55186776,  14.45094081])
"""

# 一倍
a.mean() - a.std()*1  # 11.460966440505564
a.mean() + a.std()*1  # 14.508292464563356

# 二倍
a.mean() - a.std()*2  # 9.9373034284766675
a.mean() + a.std()*2  # 16.031955476592252

min 求最小值

max 求最大值

argmin 求最小值索引

argmax 求最大值索引

随机数生成

随机数函数在np.random子包中，比起Python的random模块，其可以产生二维数组

rand 给定形状产生随机数组（0到1之间的数）

randint 给定形状产生随机整数

np.random.randint(10,20,(3,5))
"""
array([[15, 14, 15, 16, 14],
       [14, 12, 10, 10, 13],
       [12, 12, 13, 10, 18]])
"""

choice 给定形状产生随机选择

np.random.choice([1,2,3,4,5],10)
"""
array([4, 1, 3, 4, 2, 1, 5, 5, 3, 1])
"""

np.random.choice([1,2,3,4,5],(3,5))
"""
array([[1, 5, 3, 3, 1],
       [4, 3, 1, 4, 2],
       [3, 3, 5, 3, 3]])
"""

shuffle 与random.shuffle相同

uniform 给定形状产生随机浮点数组

a = np.random.uniform(10,20,(3,5))
"""
array([[ 11.08600377,  10.59471275,  16.25737906,  11.0429535 ,
         16.12688335],
       [ 15.38383353,  10.8729155 ,  14.77521291,  13.75258492,
         14.54417658],
       [ 17.8514871 ,  13.61437731,  16.87297584,  14.22388704,
         18.50198588]])
"""
Ayhan_huang
关注
专栏目录
np.isinf_带有Python示例的math.isinf（）方法
cumubi7552的博客
06-20 4967
np.isinf Python math.isinf()方法 (Python math.isinf() method) math.isinf() method is a library method of math module, it is used to check whether a number is an infinity (positive or negative), it accep...
Numpy基本使用
Yuyu920716的博客
01-27 444
1 Numpy介绍 Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。 2 ndarray介绍 NumPy provides an N-dimensional array type, the ndarray, which describe
Python数据分析基础工具 01 numpy 基本使用
lihaogn的博客
08-19 213
1）ndarray >>> import numpy as np >>> >>> list=[[1,2,3],[4,5,6]] # 将list转换成numpy.array形式 >>> nlist=np.array(list) # 指定元素类型
数据处理之Numpy-入门篇
老师好我叫付十一的博客
04-06 651
实验一、数据处理之Numpy 一、实验目的 1. 了解numpy库的基本功能 2. 掌握Numpy库的对数组的操作与运算 二、实验工具： 1. Anaconda 2. Numpy 三、Numpy简介 Numpy 的英文全称为 Numerical Python，指Python 面向数值计算的第三方库。Numpy 的特点在于，针对 Python 内建的数组类型做了扩充，支持更高维度的数组和矩阵运算，以及更丰富的数学函数。Numpy 是 Scipy.org 中最重要的库之一，它同时也被 Pandas，Matplo
(转载)百度架构师带你快速入门numpy--最好的入门资料
梁先森的博客
03-25 493
Numpy（Numerical Python的简称）是高性能科学计算和数据分析的基础包。使用飞桨构建神经网络模型时，通常会使用Numpy实现数据预处理和一些模型指标的计算，飞桨中的Tensor数据可以很方便的和ndarray数组进行相互转换。
python numpy数组添加元素，计算min()，max()
nbspzs的专栏
02-06 3644
import numpy as np arrayTest = array([1,2,3,4,5]) aa=np.insert(arrayTest,1,values=88) 或者 aa[0]=6666 aa.max() #最简洁的 aaa=[] aaa.append(1) aaa.append(2) np.min(aaa) =>1 np.max(aaa) =>2...
Numpy 基本使用
mengxianglong123的博客
05-15 1179
一、 Numpy优势 安装：pip install numpy 官网：https://numpy.org/ 1. Numpy介绍 Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。 2. ndarray介绍 NumPy provides an N-d
numpy基本使用方法示例
12-16
**numpy基本使用方法示例** 在Python编程领域，NumPy是一个不可或缺的库，它提供了强大的数值计算和数组操作功能。本教程将深入介绍NumPy的基本使用方法，包括数组创建、数组属性、数组操作、数学函数应用以及数据...
NumPy 基本切片和索引的具体使用方法
09-19
本文将深入讲解NumPy的基本切片和索引的使用方法。 首先，我们要了解NumPy数组的索引方式。NumPy数组支持标准Python索引语法`x[obj]`，其中`x`是数组，`obj`是选择元素的方式。根据`obj`的不同类型，索引分为三种：...
numpy-使用numpy实现的机器学习算法之SVM.zip
最新发布
05-19
通过以上步骤，你可以使用纯NumPy代码实现一个基本的SVM模型。然而，对于实际应用，通常建议使用成熟的机器学习库，如Scikit-Learn，它已经封装了高效的SVM实现，包括多种核函数选择、自动交叉验证、网格搜索等高级...
numpy的基本使用ａｐｉ的简介
10-22
numpy的基本使用ａｐｉ的简介
Python遗传和进化算法框架（一）Geatpy快速入门
热门推荐
jazzbin的博客
08-08 6万+
Geatpy是一个高性能实用型的Python遗传算法工具箱，提供一个面向对象的进化算法框架，经过全面改版后，新版Geatpy2目前由华南农业大学、暨南大学、华南理工等本硕博学生联合团队开发及维护。 Website (including documentation):http://www.geatpy.com Demo:https://github.com/geatpy-dev/geatp...
Python数据结构之列表、栈、队列、链表、字典
Ayhan_huang的博客
11-14 1万+
什么是数据结构简单来说，数据结构就是设计数据以何种方式组织并存储在计算机中。比如：列表、集合与字典等都是一种数据结构。列表python的列表在其他编程语言中称为“数组”，不过二者是有区别的。在C语言中，必须指定数组的长度，并且数组中的元素具有相同的数据类型。而python中则没有这些限制，这是因为二者在内存中存储方式不一样。数组我们知道，计算机将内存分割为字节，每个字节可以存储8位的二进制信息：每个
pandas 基本使用
Ayhan_huang的博客
10-30 1万+
介绍是什么pandas是一个强大的Python数据分析的工具包，它是基于NumPy构建的。关于NumPy，参考这里。主要功能 具备对其功能的数据结构DataFrame、Series 集成时间序列功能 提供丰富的数学运算和操作 灵活处理缺失数据 安装pip install pandas引用pip install pandasSeriesSeries是一种类似于一维数组的对象，由一组数据和一组与之相关的
kindeditor图片上传
Ayhan_huang的博客
10-11 4260
KindEditor是一款用Javascript编写的开源在线HTML编辑器，主要用户是让用户在网站上获得可见即可得的编辑效果，开发人员可以用 KindEditor 把传统的多行文本输入框(textarea)替换为可视化的富文本输入框 使用 到官网下载 KindEditor 最新版本，解压后将所有文件拷贝到项目的static文件夹下。注意，可以根据需要删除以下目录：asp - ASP程序 asp.n
为tornado自定义session
Ayhan_huang的博客
12-06 2932
cookie和session在自定义session前，我们需要先了解cookie和session是什么，可以参考我之前的博客：http://blog.csdn.net/ayhan_huang/article/details/78032097简单来说： cookie是保存在浏览器的键值对 session是保存在服务端的键值对 session依赖于cookie 在Django框架中，我们可以直接操作co
协程
Ayhan_huang的博客
07-20 1986
概念 协程的yield实现 greenlet模块 gevent 概念协程：是单线程下的并发，又称微线程，纤程。英文名Coroutine。一句话说明什么是线程：协程是一种用户态的轻量级线程，即协程是由用户程序自己控制调度的。 需要强调的是： 1. python的线程属于内核级别的，即由操作系统控制调度（如单线程一旦遇到io就被迫交出cpu执行权限，切换其他线程运行） 2. 单线程内开启协程，一
三元表达式&列表解析&生成器表达式
Ayhan_huang的博客
06-17 1922
三元表达式 列表解析 生成器表达式 三元表达式在作简单的判断时，三元表达式能简化代码:def max(x, y): if x > y: return x else: return y # 这个函数可以简化为如下形式： def max_new(x,y): return x if x > y else y格式：x if 条件 else y 如果条件
Python NumPy库安装与基础使用教程
这些内容不仅涵盖了NumPy的安装和基本操作，还涉及到了数组的形状、类型以及常见的索引和切片技巧，对于理解和使用Python进行数值计算和数据分析具有很高的实用价值。如果你正在学习或处理大量数据，掌握NumPy的基本...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值