【Python】简约而不简单的Numpy小抄表（含主要语法、代码）

最新推荐文章于 2024-05-15 19:15:30 发布
最新推荐文章于 2024-05-15 19:15:30 发布
阅读量255 收藏
点赞数
文章标签： python numpy 开发语言
原文链接：https://mp.weixin.qq.com/s?__biz=MzA5MzQxMTM0Mw==&mid=2247487423&idx=1&sn=7dcadfef76169ea04197bf28d752a75e&chksm=905f0edfa72887c916d639538efb06e060a7005f5f5539c9bee0f1b1b2b0ae89c29755247de0&scene=126&sessionid=0
版权

Numpy是一个用python实现的科学计算的扩展程序库，包括：

  • 1、一个强大的N维数组对象Array；

  • 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。numpy和稀疏矩阵运算包scipy配合使用更加方便。

NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

本文整理了一个Numpy的小抄表，总结了Numpy的常用操作，可以收藏慢慢看。

安装Numpy

可以通过 Pip 或者 Anaconda安装Numpy:

$ pip install numpy

或

$ conda install numpy

本文目录

  1. 基础

  • 占位符

数组

  • 增加或减少元素

  • 合并数组

  • 分割数组

  • 数组形状变化

  • 拷贝 /排序

  • 数组操作

  • 其他

数学计算

  • 数学计算

  • 比较

  • 基础统计

  • 更多

切片和子集

小技巧

基础

NumPy最常用的功能之一就是NumPy数组：列表和NumPy数组的最主要区别在于功能性和速度。

列表提供基本操作，但NumPy添加了FTTs、卷积、快速搜索、基本统计、线性代数、直方图等。

两者数据科学最重要的区别是能够用NumPy数组进行元素级计算。

axis 0 通常指行

axis 1 通常指列

操作描述文档
np.array([1,2,3])一维数组https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.array
np.array([(1,2,3),(4,5,6)])二维数组https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.array
np.arange(start,stop,step)等差数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html

占位符

操作描述文档
np.linspace(0,2,9)数组中添加等差的值https://docs.scipy.org/doc/numpy/reference/generated/numpy.linspace.html
np.zeros((1,2))创建全0数组docs.scipy.org/doc/numpy/reference/generated/numpy.zeros.html
np.ones((1,2))创建全1数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.ones.html#numpy.ones
np.random.random((5,5))创建随机数的数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random.html
np.empty((2,2))创建空数组https://numpy.org/doc/stable/reference/generated/numpy.empty.html
举例：
import numpy as np


# 1 dimensional
x = np.array([1,2,3])
# 2 dimensional
y = np.array([(1,2,3),(4,5,6)])


x = np.arange(3)
>>> array([0, 1, 2])


y = np.arange(3.0)
>>> array([ 0.,  1.,  2.])


x = np.arange(3,7)
>>> array([3, 4, 5, 6])


y = np.arange(3,7,2)
>>> array([3, 5])

数组属性

数组属性

语法描述文档
array.shape维度(行,列)https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.shape.html
len(array)数组长度https://docs.python.org/3.5/library/functions.html#len
array.ndim数组的维度数https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.ndim.html
array.size数组的元素数https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.size.html
array.dtype数据类型https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html
array.astype(type)转换数组类型https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.astype.html
type(array)显示数组类型https://numpy.org/doc/stable/user/basics.types.html

拷贝 /排序

操作描述文档
np.copy(array)创建数组拷贝https://docs.scipy.org/doc/numpy/reference/generated/numpy.copy.html
other = array.copy()创建数组深拷贝https://docs.scipy.org/doc/numpy/reference/generated/numpy.copy.html
array.sort()排序一个数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.html
array.sort(axis=0)按照指定轴排序一个数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.html
举例
import numpy as np
# Sort sorts in ascending order
y = np.array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])
y.sort()
print(y)
>>> [ 1  2  3  4  5  6  7  8  9  10]

数组操作例程

增加或减少元素

操作描述文档
np.append(a,b)增加数据项到数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.append.html
np.insert(array, 1, 2, axis)沿着数组0轴或者1轴插入数据项https://docs.scipy.org/doc/numpy/reference/generated/numpy.insert.html
np.resize((2,4))将数组调整为形状(2,4)https://docs.scipy.org/doc/numpy/reference/generated/numpy.resize.html
np.delete(array,1,axis)从数组里删除数据项https://numpy.org/doc/stable/reference/generated/numpy.delete.html
举例
import numpy as np
# Append items to array
a = np.array([(1, 2, 3),(4, 5, 6)])
b = np.append(a, [(7, 8, 9)])
print(b)
>>> [1 2 3 4 5 6 7 8 9]


# Remove index 2 from previous array
print(np.delete(b, 2))
>>> [1 2 4 5 6 7 8 9]

组合数组

操作描述文档
np.concatenate((a,b),axis=0)连接2个数组，添加到末尾https://docs.scipy.org/doc/numpy/reference/generated/numpy.concatenate.html
np.vstack((a,b))按照行堆叠数组https://numpy.org/doc/stable/reference/generated/numpy.vstack.html
np.hstack((a,b))按照列堆叠数组docs.scipy.org/doc/numpy/reference/generated/numpy.hstack.html#numpy.hstack
举例
import numpy as np
a = np.array([1, 3, 5])
b = np.array([2, 4, 6])


# Stack two arrays row-wise
print(np.vstack((a,b)))
>>> [[1 3 5]
     [2 4 6]]


# Stack two arrays column-wise
print(np.hstack((a,b)))
>>> [1 3 5 2 4 6]

分割数组

操作描述文档
numpy.split()分割数组
https://docs.scipy.org/doc/numpy/reference/generated/numpy.split.html
np.array_split(array, 3)将数组拆分为大小（几乎）相同的子数组https://docs.scipy.org/doc/numpy/reference/generated/numpy.array_split.html#numpy.array_split
numpy.hsplit(array, 3)在第3个索引处水平拆分数组
https://numpy.org/doc/stable/reference/generated/numpy.hsplit.html#numpy.hsplit
举例
# Split array into groups of ~3
a = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(np.array_split(a, 3))
>>> [array([1, 2, 3]), array([4, 5, 6]), array([7, 8])]

数组形状变化

操作
操作描述文档
other = ndarray.flatten()平铺一个二维数组到一维数组https://numpy.org/doc/stable/reference/generated/numpy.ndarray.flatten.html
numpy.flip()翻转一维数组中元素的顺序https://docs.scipy.org/doc/stable/reference/generated/numpy.flip.html
np.ndarray[::-1]翻转一维数组中元素的顺序
reshape改变数组的维数https://docs.scipy.org/doc/stable/reference/generated/numpy.reshape.html
squeeze从数组的形状中删除单维度条目https://numpy.org/doc/stable/reference/generated/numpy.squeeze.html
expand_dims扩展数组维度
https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.expand_dims.html

其他

操作描述文档
other = ndarray.flatten()平铺2维数组到1维数组https://numpy.org/doc/stable/reference/generated/numpy.ndarray.flatten.html
array = np.transpose(other)
array.T		数组转置https://numpy.org/doc/stable/reference/generated/numpy.transpose.html
inverse = np.linalg.inv(matrix)求矩阵的逆矩阵https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.inv.html

举例
# Find inverse of a given matrix
>>> np.linalg.inv([[3,1],[2,4]])
array([[ 0.4, -0.1],
       [-0.2,  0.3]])

数学计算

操作

操作描述文档
np.add(x,y)
x + y		加https://docs.scipy.org/doc/numpy/reference/generated/numpy.add.html
np.substract(x,y)
x - y		减https://docs.scipy.org/doc/numpy/reference/generated/numpy.subtract.html#numpy.subtract
np.divide(x,y)
x / y		除https://docs.scipy.org/doc/numpy/reference/generated/numpy.divide.html#numpy.divide
np.multiply(x,y)
x * y		乘https://docs.scipy.org/doc/numpy/reference/generated/numpy.multiply.html#numpy.multiply
np.sqrt(x)平方根https://docs.scipy.org/doc/numpy/reference/generated/numpy.sqrt.html#numpy.sqrt
np.sin(x)元素正弦https://docs.scipy.org/doc/numpy/reference/generated/numpy.sin.html#numpy.sin
np.cos(x)元素余弦https://docs.scipy.org/doc/numpy/reference/generated/numpy.cos.html#numpy.cos
np.log(x)元素自然对数https://docs.scipy.org/doc/numpy/reference/generated/numpy.log.html#numpy.log
np.dot(x,y)点积https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html
np.roots([1,0,-4])给定多项式系数的根https://docs.scipy.org/doc/numpy/reference/generated/numpy.roots.html

举例

# If a 1d array is added to a 2d array (or the other way), NumPy
# chooses the array with smaller dimension and adds it to the one
# with bigger dimension
a = np.array([1, 2, 3])
b = np.array([(1, 2, 3), (4, 5, 6)])
print(np.add(a, b))
>>> [[2 4 6]
     [5 7 9]]
     
# Example of np.roots
# Consider a polynomial function (x-1)^2 = x^2 - 2*x + 1
# Whose roots are 1,1
>>> np.roots([1,-2,1])
array([1., 1.])
# Similarly x^2 - 4 = 0 has roots as x=±2
>>> np.roots([1,0,-4])
array([-2.,  2.])

比较

操作描述文档
==等于https://docs.python.org/2/library/stdtypes.html
!=不等于
https://docs.python.org/2/library/stdtypes.html
<小于https://docs.python.org/2/library/stdtypes.html
>大于https://docs.python.org/2/library/stdtypes.html
<=小于等于https://docs.python.org/2/library/stdtypes.html
>=大于等于https://docs.python.org/2/library/stdtypes.html
np.array_equal(x,y)数组比较https://numpy.org/doc/stable/reference/generated/numpy.array_equal.html
举例：
# Using comparison operators will create boolean NumPy arrays
z = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
c = z < 6
print(c)
>>> [ True  True  True  True  True False False False False False]

基本的统计

操作描述文档
np.mean(array)Meanhttps://numpy.org/doc/stable/reference/generated/numpy.mean.html#numpy.mean
np.median(array)Medianhttps://numpy.org/doc/stable/reference/generated/numpy.median.html#numpy.median
array.corrcoef()Correlation Coefficienthttps://numpy.org/doc/stable/reference/generated/numpy.corrcoef.html#numpy.corrcoef
np.std(array)Standard Deviationhttps://docs.scipy.org/doc/numpy/reference/generated/numpy.std.html#numpy.std
举例
# Statistics of an array
a = np.array([1, 1, 2, 5, 8, 10, 11, 12])


# Standard deviation
print(np.std(a))
>>> 4.2938910093294167


# Median
print(np.median(a))
>>> 6.5

更多

操作描述文档
array.sum()数组求和https://numpy.org/doc/stable/reference/generated/numpy.sum.html
array.min()数组求最小值https://numpy.org/doc/stable/reference/generated/numpy.ndarray.min.html
array.max(axis=0)数组求最大值（沿着0轴）
array.cumsum(axis=0)指定轴求累计和https://numpy.org/doc/stable/reference/generated/numpy.cumsum.html

切片和子集

操作描述文档
array[i]索引i处的一维数组https://numpy.org/doc/stable/reference/arrays.indexing.html
array[i,j]索引在[i][j]处的二维数组https://numpy.org/doc/stable/reference/arrays.indexing.html
array[i<4]布尔索引https://numpy.org/doc/stable/reference/arrays.indexing.html
array[0:3]选择索引为 0, 1和 2https://numpy.org/doc/stable/reference/arrays.indexing.html
array[0:2,1]选择第0,1行，第1列https://numpy.org/doc/stable/reference/arrays.indexing.html
array[:1]选择第0行数据项 (与[0:1, :]相同)https://numpy.org/doc/stable/reference/arrays.indexing.html
array[1:2, :]选择第1行https://numpy.org/doc/stable/reference/arrays.indexing.html
[comment]: <> "array[1,...]等同于 array[1,:,:]
array[ : :-1]反转数组同上
举例
b = np.array([(1, 2, 3), (4, 5, 6)])


# The index *before* the comma refers to *rows*,
# the index *after* the comma refers to *columns*
print(b[0:1, 2])
>>> [3]


print(b[:len(b), 2])
>>> [3 6]


print(b[0, :])
>>> [1 2 3]


print(b[0, 2:])
>>> [3]


print(b[:, 0])
>>> [1 4]


c = np.array([(1, 2, 3), (4, 5, 6)])
d = c[1:2, 0:2]
print(d)
>>> [[4 5]]
切片举例
import numpy as np
a1 = np.arange(0, 6)
a2 = np.arange(10, 16)
a3 = np.arange(20, 26)
a4 = np.arange(30, 36)
a5 = np.arange(40, 46)
a6 = np.arange(50, 56)
a = np.vstack((a1, a2, a3, a4, a5, a6))

生成矩阵和切片图示

f4c9108c02957a1983c34876ba3ee294.png

05fe22511daa8ec80457e95f734e11e5.png

小技巧

例子将会越来越多的，欢迎大家提交。

布尔索引 

# Index trick when working with two np-arrays
a = np.array([1,2,3,6,1,4,1])
b = np.array([5,6,7,8,3,1,2])


# Only saves a at index where b == 1
other_a = a[b == 1]
#Saves every spot in a except at index where b != 1
other_other_a = a[b != 1]
import numpy as np
x = np.array([4,6,8,1,2,6,9])
y = x > 5
print(x[y])
>>> [6 8 6 9]


# Even shorter
x = np.array([1, 2, 3, 4, 4, 35, 212, 5, 5, 6])
print(x[x < 5])
>>> [1 2 3 4 4]
【参考】

https://github.com/juliangaal/python-cheat-sheet

严小样儿
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python基础小抄表
12-30
Python基础小抄表，Python基础，是由个个小单元组成，针对没有基础的小白们非常好的指导。
2.Python基础小抄表.pdf
05-26
Python基础小抄表
Python 小抄
改变世界，改变自己
05-15 1037
列表可以具有任意数量的项目，并且它们可以具有不同的类型（整数、浮点数、字符串等）。Pandas 是 BSD 许可的开源代码库，为 Python 编程语言提供了高性能、易于使用的数据结构和数据分析工具。元组类似于列表，但是您可以将其与括号 ( ) 一起使用，而不是与方括号一起使用。在 Python 中，注释以井号 ‘# ’ 开头并延伸至该行的末尾。Lambda 函数可以使用任意数量的参数，但只有一个表达式。Pandas DataFrame 是 Python 中复杂数据集合在内存中使用最广泛的表示形式。
python 小抄
技术改变人生
11-29 148
install easy_install sudo apt-get install python-dev python-setuptools (ubuntu) install an egg by calling: easy_install somepackage.egg You can also give a URL to an egg and use easy_inst...
[Python] 小抄
cdlka的博客
12-14 452
下划线_, __, __sth__ – [伯乐在线] 详解python中的下划线 – [Python docs] Importing * From a Package 装饰器 – [伯乐在线] 简单 12 步理解 Python 装饰器 –[Bruce Eckel] Decorators I: Introduction to Python Decorators –[Bruce Eckel]
Python_官方Matplotlib小抄表.zip
最新发布
05-24
这份"Python_官方Matplotlib小抄表"是官方提供的一份快速参考指南，旨在帮助用户快速掌握Matplotlib的基础和高级用法。 在Matplotlib库中，主要涉及以下几个核心概念： 1. **Figure对象**：这是Matplotlib的基本...
Python 3 Cheat Sheet （Python小抄）
04-10
Python 3 基础知识要点，方便复习、查询。适合打印2张A4纸，放在手边随学随查。 python 3 cheat sheet include lots of command quick look.
Python新手小抄秘籍翻译
05-18
在编程世界中，Python是一种广泛使用的高级编程语言，以其简洁、易读的语法和强大的功能而闻名。对于初学者来说，Python是理想的入门选择，因为它能让学习者快速理解编程的基本概念。这篇“Python新手小抄秘籍”旨在...
有了这份Python小抄，再也不用死记硬背语法了!
bigzql的博客
01-29 745
对于刚刚学习或者不经常用Python的人来说，对编程语言的细节有时会不记得或和其他语言混淆。有了这份Python语法的小抄，这些都不是问题。另外在文末附上2021年所有的速查表与思维导图希...
知识点总是记不住？超实用的Python小抄送你了
04-23
对于技术小白来说，初学数据挖掘技术以及人工智能算法有着相当大的阻碍。而现如今，Python 语言是学习数据分析以及机器学习深度学习的敲门砖。我们通过总结 Eric Matthes 在 GitHub 主页搜集的小抄（cheatsheet），将Python的知识点总结起来，方便大家在平时的学习过程中查阅。 代码之外的注释全部汉化，简直不能再贴心。
python-cheatsheet，一款很全的Python小抄库
热门推荐
梦想橡皮擦，专栏100例写作模式先行者，现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者
07-30 2万+
这篇文章竟然在草稿箱，存了快一年
最全Python数据科学小抄，赶紧收藏吧！
Python栈_基的博客
03-30 923
随着大数据的发展，数据驱动被更多人谈起，数据分析和挖掘越来越受企业界的重视。可以说，在21世纪每个人都应该掌握编程和数据分析能力，才能更好地在大数据时代生存。Python做数据分析有着得天独厚的优势。首先Python是一门高级编程语言，语法简单，可以编写复杂的分析代码；等等。有了这些库，python才在数据科学领域独领风骚。
小白学数据 | 28张小抄表大放送：Python,R,大数据,机器学习
weixin_33943347的博客
05-22 176
1. Python的数据科学快速入门指南 如果你刚入门Python,那么这张小抄表非常适合你。查看这份小抄表，你将获得循序渐进学习Python的指导。它提供了Python学习的必备包和一些有用的学习技巧等资源。 2. Python基础小抄表 这张由Datacamp制作的小抄表覆盖了所有Python数据科学需要的基础知识。如果你刚开始用Py...
【Python基础】Matplotlib官方小抄手册公开（配套可视化代码）！
fengdu78的博客
07-17 325
出品：Python数据科学作者：东哥起飞Matplotlib作为强大的数据可视化工具，一直备受Python数据爱好者们追捧。网络上虽有零零散散的教程，但并不是非常的系统和直观，往往我们遇...
python 无敌小抄大全 cheatsheet
12-18 1606
python 无敌小抄 cheatsheet。 1、Jupyter Notebook界面介绍：    2、Importing  Data  各式文件数据的读取、导入：    3、Python Basics :    4、Pandas Basics:    5、Pandas:    6、NumPy Basics:    7、Matplotlib:   8、Seabo...
机器学习超级无敌小抄表——pyhton 库函数集锦
dengheCSDN的博客
01-29 1835
此文全部图片来源于：www.DateCamp.com 1、Jupyter Notebook 2、Importing Data 3、NumPy Basics 4、Pandas Basics 5、Pandas 6、Matplotlib 7、Python Basics 8、
python小抄第二弹，这些方法十有八九你没用过
python爬虫人工智能大数据
09-20 373
python小抄第二弹，这些方法十有八九你没用过 1、合并字典，update方法 a = {“name”:“zs”,“age”:18} b = {“city”:“深圳”} 合并为 {“name”:“zs”,“age”:18,“city”:“深圳”} 2、dict函数,将键/值对序列，映射为字典 元组：a = [(“name”,“zs”),(“age”,18)] 转成字典：b = {“name...
Python数据分析速查：NumPy、Pandas与matplotlib
"《xukai的Python数据分析小抄》是一份个人的学习笔记，主要涵盖了Python数据分析中的三大核心工具：NumPy、Pandas和Matplotlib。这份文档旨在帮助读者深入理解并掌握这些工具在实际数据分析中的应用。 首先，NumPy...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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