Python<Numpy常见用法>

最新推荐文章于 2023-01-12 20:18:27 发布
最新推荐文章于 2023-01-12 20:18:27 发布
阅读量692 收藏
点赞数
分类专栏： python 文章标签： python numpy
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/Gpwner/article/details/72454199
版权

1.基本数据类型
这里写图片描述

2.修改shape

In [18]: y=np.arange(2*3*4)

In [19]: y
Out[19]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

In [20]: y.shape=(3,8)

In [21]: y
Out[21]:
array([[ 0,  1,  2,  3,  4,  5,  6,  7],
       [ 8,  9, 10, 11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20, 21, 22, 23]])

In [22]: y.shape=(2,3,4)

In [23]: y
Out[23]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

3.itemsize查看数据类型在内存中占用的字节数

In [36]: a=np.array(5,dtype=np.float)

In [37]: a
Out[37]: array(5.0)

In [38]: a.dtype
Out[38]: dtype('float64')

In [39]: a.dtype.itemsize
Out[39]: 8

In [40]: a=np.array(5,dtype=np.float16)

In [41]: a.dtype.itemsize
Out[41]: 2

4.切片索引固定步长选择元素

In [46]: a[:7:2]
Out[46]: array([0, 2, 4, 6])

In [47]: a[:7:3]
Out[47]: array([0, 3, 6])

In [48]: a=np.arange(9)

In [49]: a[:7:2]
Out[49]: array([0, 2, 4, 6])

In [50]: a[:7:3]
Out[50]: array([0, 3, 6])

5.指定间隔翻转数组

In [46]: a[:7:2]
Out[46]: array([0, 2, 4, 6])

In [47]: a[:7:3]
Out[47]: array([0, 3, 6])

In [48]: a=np.arange(9)

In [49]: a[:7:2]
Out[49]: array([0, 2, 4, 6])

In [50]: a[:7:3]
Out[50]: array([0, 3, 6])

6.选取N维数组中的指定元素

In [55]: b=np.arange(24).reshape(2,3,4)

In [56]: b
Out[56]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [57]: b[0]
Out[57]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [58]: b[:,0]
Out[58]:
array([[ 0,  1,  2,  3],
       [12, 13, 14, 15]])

In [59]: b[:,:,0]
Out[59]:
array([[ 0,  4,  8],
       [12, 16, 20]])
#另外一种方法
In [60]: b[...,0]
Out[60]:
array([[ 0,  4,  8],
       [12, 16, 20]])

7.改变数组的维度

In [61]: b
Out[61]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
#返回一个原数组的view
In [62]: b.ravel()
Out[62]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

In [63]: b
Out[63]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
#flatten()重新申请内存保存结果
In [64]: b.flatten()
Out[64]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

In [65]: b
Out[65]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
In [66]: b.shape=(4,6)

In [67]: b
Out[67]:
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])

8.数组转置

In [70]: b.T
Out[70]:
array([[ 0,  6, 12, 18],
       [ 1,  7, 13, 19],
       [ 2,  8, 14, 20],
       [ 3,  9, 15, 21],
       [ 4, 10, 16, 22],
       [ 5, 11, 17, 23]])

In [71]: b.transpose()
Out[71]:
array([[ 0,  6, 12, 18],
       [ 1,  7, 13, 19],
       [ 2,  8, 14, 20],
       [ 3,  9, 15, 21],
       [ 4, 10, 16, 22],
       [ 5, 11, 17, 23]])

9.reshape和resize
后者直接修改源数组

In [75]: b.reshape(2,3,4)
Out[75]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [76]: b
Out[76]:
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])

In [77]: b.resize(2,3,4)

In [78]: b
Out[78]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

10.数组组合

水平组合

这里写图片描述

In [14]: a
Out[14]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [15]: b
Out[15]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [16]: np.hstack((a,b))
Out[16]:
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

In [17]: np.concatenate((a,b),axis=1)
Out[17]:
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

concatenate的axis的要么是0要么是1，前者竖向组合，后者水平组合

垂直组合

In [18]: np.vstack((a,b))
Out[18]:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [20]: np.concatenate((a,b),axis=0)
Out[20]:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

深度组合

In [24]: a
Out[24]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [25]: b
Out[25]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [26]: np.dstack((a,b))
Out[26]:
array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

还可以这么玩：


In [38]: a=np.arange(10)

In [39]: b=a*3

In [40]: b
Out[40]: array([ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27])

In [41]: np.stack((a,b),axis=0)
Out[41]:
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
       [ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27]])

In [42]: np.stack((a,b),axis=1)
Out[42]:
array([[ 0,  0],
       [ 1,  3],
       [ 2,  6],
       [ 3,  9],
       [ 4, 12],
       [ 5, 15],
       [ 6, 18],
       [ 7, 21],
       [ 8, 24],
       [ 9, 27]])

行组合：

In [43]: a
Out[43]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [44]: b
Out[44]: array([ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27])

In [45]: np.column_stack((a,b))
Out[45]:
array([[ 0,  0],
       [ 1,  3],
       [ 2,  6],
       [ 3,  9],
       [ 4, 12],
       [ 5, 15],
       [ 6, 18],
       [ 7, 21],
       [ 8, 24],
       [ 9, 27]])




In [48]: a=np.arange(9).reshape(3,3)

In [49]: a
Out[49]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [50]: b=a*2

In [51]: b
Out[51]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [52]: np.column_stack((a,b))
Out[52]:
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])


In [56]: np.column_stack((a,b))==np.hstack((a,b))
Out[56]:
array([[ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True]], dtype=bool)

行组合

In [57]: np.row_stack((a,b))
Out[57]:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [58]: np.row_stack((a,b))==np.vstack((a,b))
Out[58]:
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], dtype=bool)

11.数组切割

In [61]: a
Out[61]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [62]: np.hsplit(a,3)
Out[62]:
[array([[0],
        [3],
        [6]]), 
 array([[1],
        [4],
        [7]]),
 array([[2],
        [5],
        [8]])]

垂直切割：

In [67]: np.vsplit(a,3)
Out[67]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

深度切割

In [70]: c
Out[70]:
array([[[ 0,  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]]])

In [71]: np.dsplit(c,3)
Out[71]:
[array([[[ 0],
         [ 3],
         [ 6]],

        [[ 9],
         [12],
         [15]],

        [[18],
         [21],
         [24]]]), array([[[ 1],
         [ 4],
         [ 7]],

        [[10],
         [13],
         [16]],

        [[19],
         [22],
         [25]]]), array([[[ 2],
         [ 5],
         [ 8]],

        [[11],
         [14],
         [17]],

        [[20],
         [23],
         [26]]])]

12.数组属性
ndim属性，给出数组的维数，或数组轴的个数：

In: b
Out:
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11],
 [12,13,14,15,16,17,18,19,20,21,22,23]])
In: b.ndim
Out: 2

size属性，给出数组元素的总个数，如下所示：

In: b.size
Out: 24

itemsize属性，给出数组中的元素在内存中所占的字节数：

In: b.itemsize
Out: 8

如果你想知道整个数组所占的存储空间，可以用nbytes属性来查看。这个属性的值其实
就是itemsize和size属性值的乘积：

In: b.nbytes
Out: 192
In: b.size * b.itemsize
Out: 192

13.读取CSV文件

#!/usr/bin/python
# coding=UTF-8
import numpy as np
#读取整个文件夹的内容delimiter指定文件中的分隔符，dtype指定类型
content=np.loadtxt('data.csv', delimiter=',',dtype=str)
print content
print '第一行第一个元素：'
print content[0][0]


#读取指定列,unpack参数设置为True，意思是分拆存储不同列的数据
one,two=np.loadtxt('data.csv',delimiter=',',dtype=str,usecols=(0,1),unpack=True)
print one,two
print one[0]

#读取整个文件夹的内容delimiter指定文件中的分隔符，dtype指定类型
content=np.genfromtxt('data.csv',delimiter=',',dtype=str)
print content

one,two=np.genfromtxt('data.csv',delimiter=',',usecols=(0,1),unpack=True,dtype=str)
print one,two
Gpwner
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pythonnumpy教程-PythonNumpy库常见用法入门教程.pdf
06-11
pythonnumpy教程_PythonNumpy库常见⽤法⼊门教程 本⽂实例讲述了Python Numpy库常见⽤法。分享给⼤家供⼤家参考，具体如下： 1、简介 Numpy是⼀个常⽤的Python科学技术库，通过它可以快速对数组进⾏操作，包括形状...
Numpy基础4(基本运算)
weixin_44322824的博客
02-04 201
数组的运算： 注意：对数组的运算是对数组每一个元素的运算，例如： a=np.arange(24).reshape(2,3,4) a array([ [[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]], [[12, 13, 14, 15],[16, 17, 18, 19],[20, 21, 22, 23]] ]) >>> a=a...
改变numpy数组形状的7种常用方法
youzi85的博客
01-12 3651
例如下图，给array2添加一个np.newaxis,就相当于新数组在np.newaxis位置的维度是1，另一个维度用原数组元素填充。如下图，对于shape是(5,2)的数组它完全没有修改，但是对于array2_1,array2_2,array2_3中，将维度为1的全部删掉了。不是函数，返回的是一个连接后的ndarray或者是一个矩阵。np.newaxis的功能就是增加新的维度，添加在不同的地方，则会在不同的地方增加维度。squeeze也可以展平数组，但是它比较特殊，它只能展平维度是1的部分。
python frombuffer_Python numpy.frombuffer() 使用实例
weixin_39573136的博客
12-15 2217
The following are code examples for showing how to use . They are extracted from open source Python projects. You can vote up the examples you like or vote down the exmaples you don’t like. You can al...
Python之Numpy库常用函数大全（含注释）
weixin_33725239的博客
05-02 7749
前言：最近学习Python，才发现原来python里的各种库才是大头！ 于是乎找了学习资料对Numpy库常用的函数进行总结，并带了注释。在这里分享给大家，对于库的学习，还是用到时候再查，没必要死记硬背。PS：本博文摘抄自中国慕课大学上的课程《Python数据分析与展示》，推荐刚入门的同学去学习，这是非常好的入门视频。 Numpy是科学计算库,是一个强大的N维数组对象ndarray，是广播...
python: numpy--函数 shape用法
xingchengmeng的博客
03-17 9万+
shape函数是numpy.core.fromnumeric中的函数，它的功能是查看矩阵或者数组的维数。 举例说明： 建立一个3×3的单位矩阵e, e.shape为（3，3），表示3行3列 >>> e = eye(3) >>> e array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]]) >>> e.
Python Numpy库常见用法入门教程
09-18
主要介绍了Python Numpy库常见用法,结合实例形式详细Fenix了Python numpy库基本功能、原理以及数组常见操作技巧,需要的朋友可以参考下
Python中numpy模块常见用法demo实例小结
09-19
主要介绍了Python中numpy模块常见用法,结合实例形式总结分析了numpy常见的运算操作技巧与注意事项,需要的朋友可以参考下
Python numpy函数：shape用法
Daisy_HJL的博客
09-25 15万+
shape函数是numpy.core.fromnumeric中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。 shape的输入参数可以是一个整数（表示维度），也可以是一个矩阵。以下例子可能会好理解一些： （1）参数是一个数时，返回空： （2）参数是一维矩阵： （3）参数是二维矩阵： （4）直接用.shape可以快速读取矩阵的形状
Python，Numpy库常用汇总
mi1kyy的博客
02-02 154
首先是numpy中数组–ndarray类，需要注意的是数组与列表最大的一个不同点是：数组的数据类型基本上都是一个，而列表每个元素的数据类型都可以不同。 ndarray的属性： ndarray是一个多维数组对象，包括了两部分：实际存储的数据和数组的属性，数组的属性包括了：数组的秩、数组的尺度、数组元素的个数、数组元素类型、每个元素的大小。 属性的名称 作用/意义 a.ndim 数据的维数 a.shape 数组的形状（比如矩阵几行几列） a.size 元素的个数 a.dtype 元素
Numpy 常用方法总结
sinat_34022298的博客
07-27 6856
本文主要列出numpy模块常用方法 参考自：smallpi 另外参考：numpy中的array与matrix创建矩阵（采用ndarray对象）对于python中的numpy模块，一般用其提供的ndarray对象。 创建一个ndarray对象很简单，只要将一个list作为参数即可。 import numpy as np # 创建一维的narray对象 a = np.array([1,2,3,4,
Python-Numpy常用函数总结
gg101001的博客
01-07 1356
1、np.arange(x,y,z) 创建公差为z的等差一维数组 例： b = np.arange(1,5,1) b:[1 2 3 4] 2、np.meshgrid(x,y) x=np.array([1,2]),y=np.array([3]) 例： b2_1,b2_2=np.meshgrid(x,y) b2_1:     [[1 2 3] [1 2 3][1 2 3]
Python Numpy常用操作
丑小鸭
08-14 2896
1  np.split(): Parameters: ary : ndarray Array to be divided into sub-arrays. indices_or_sections : int or 1-D array If indices_or_sections is an integer, N, the array ...
python numpy常用函数
sinat_33700790的博客
12-20 992
一、数组方法 创建数组：arange()创建一维数组；array()创建一维或多维数组，其参数是类似于数组的对象，如列表等 反过来转换则可以使用numpy.ndarray.tolist()函数，如a.tolist() 创建数组：np.zeros((2,3))，或者np.ones((2,3))，参数是一个元组分别表示行数和列数 对应元素相乘，a * b，得到一个新的矩阵，形状要一致；但是允许a是向量...
python之numpy的基本使用
热门推荐
cxmscb的博客
01-17 34万+
一、numpy概述numpy模块提供了python对N维数组对象的支持：ndarray，ndarray数组中的元素须为同一数据类型，这一点与python的列表是不一样的。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。二、创建ndarray数组代码示例：# -*- coding: utf-8 -*-import numpy;print '使用列表生成一维数组' d
Python+ZeroMQ快速实现消息发布与订阅
Python小屋
04-05 615
开学第一课：拜托，一定不要这样问Python问题中国大学MOOC“Python程序设计基础”免费学习地址2020年秋季学期Python教材推荐与选用参考推荐图书：《Python程序设计（第...
Numpy常用操作
Take it easy
10-21 1万+
前言： 标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。 此外Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似。
Python中Numpy常见用法
bester_man的博客
12-06 1万+
NumPy 广泛使用的矩阵计算包 一个基础性的包，大量的工具在NumPy上开发，包括matplotlib、scipy、pandas等 首先导入numpy包 import numpy as np 1. 用numpy创建一维数组,并进行运算： a=np.array([1,2,3,4]) b=np.array([5,6,7,8]) c=a+b print( c ) 2.遍历C数组： 遍历向量： 3.# 将numpy数组转换成python的列表： ...
python中 numpy函数用法
最新发布
03-26
numpy函数是一种用于处理数组的科学计算库，其中包含了许多常用的数学、统计和线性代数函数，以下是一些常见的...以上是numpy函数的一些常见用法，numpy函数的功能非常丰富，还有很多其他函数可以满足各种应用需求。

“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