Numpy百题斩(一）

最新推荐文章于 2023-03-23 21:53:45 发布

黑桃5200

最新推荐文章于 2023-03-23 21:53:45 发布

阅读量696

点赞数 3

分类专栏： Python

本文链接：https://blog.csdn.net/Heitao5200/article/details/88868390

版权

Python 专栏收录该内容

72 篇文章 0 订阅

订阅专栏

文章目录

NumPy 是 Python 语言的一个扩充程序库。支持大量高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。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一

知识点

创建数组
数组运算
数学函数
数组切片和索引
数组形状操作
数组排序
数组统计

实验环境

Python 3.6

NumPy: 1.14.2

基础部分

导入numpy库

导入 NumPy

练习 NumPy 之前，首先需要导入 NumPy 模块，并约定简称为 np

import numpy as np

打印numpy的版本信息和配置信息

np.__version__

'1.15.4'

np.show_config()

blas_mkl_info:
  NOT AVAILABLE
blis_info:
  NOT AVAILABLE
openblas_info:
    library_dirs = ['C:\\projects\\numpy-wheels\\numpy\\build\\openblas']
    libraries = ['openblas']
    language = f77
    define_macros = [('HAVE_CBLAS', None)]
blas_opt_info:
    library_dirs = ['C:\\projects\\numpy-wheels\\numpy\\build\\openblas']
    libraries = ['openblas']
    language = f77
    define_macros = [('HAVE_CBLAS', None)]
lapack_mkl_info:
  NOT AVAILABLE
openblas_lapack_info:
    library_dirs = ['C:\\projects\\numpy-wheels\\numpy\\build\\openblas']
    libraries = ['openblas']
    language = f77
    define_macros = [('HAVE_CBLAS', None)]
lapack_opt_info:
    library_dirs = ['C:\\projects\\numpy-wheels\\numpy\\build\\openblas']
    libraries = ['openblas']
    language = f77
    define_macros = [('HAVE_CBLAS', None)]

3.怎么用命令行获取numpy add函数的文档说明

np.info(np.add)

add(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj])

Add arguments element-wise.

Parameters
----------
x1, x2 : array_like
    The arrays to be added.  If ``x1.shape != x2.shape``, they must be
    broadcastable to a common shape (which may be the shape of one or
    the other).
out : ndarray, None, or tuple of ndarray and None, optional
    A location into which the result is stored. If provided, it must have
    a shape that the inputs broadcast to. If not provided or `None`,
    a freshly-allocated array is returned. A tuple (possible only as a
    keyword argument) must have length equal to the number of outputs.
where : array_like, optional
    Values of True indicate to calculate the ufunc at that position, values
    of False indicate to leave the value in the output alone.
**kwargs
    For other keyword-only arguments, see the
    :ref:`ufunc docs <ufuncs.kwargs>`.

Returns
-------
add : ndarray or scalar
    The sum of `x1` and `x2`, element-wise.
    This is a scalar if both `x1` and `x2` are scalars.

Notes
-----
Equivalent to `x1` + `x2` in terms of array broadcasting.

Examples
--------
>>> np.add(1.0, 4.0)
5.0
>>> x1 = np.arange(9.0).reshape((3, 3))
>>> x2 = np.arange(3.0)
>>> np.add(x1, x2)
array([[  0.,   2.,   4.],
       [  3.,   5.,   7.],
       [  6.,   8.,  10.]])

创建数组

NumPy 的主要对象是多维数组 Ndarray。在 NumPy 中维度（dimensions）叫做轴（axes），轴的个数叫做秩（rank）。

例如，下方数组是一个秩为 1 的数组，因为它只有一个轴，而轴的长度为 3。

[1, 2, 3]

又例如，下方数组的秩为 2。第一个维度长度为 2,第二个维度长度为 3。

[[1., 2., 3.], [4., 5., 6.]]

通过列表创建一维数组

注意：numpy.array 和 Python 标准库 array.array 并不相同，前者更为强大，这也就是我们学习 NumPy 的重要原因之一。

np.array([1, 2, 3])

array([1, 2, 3])

通过列表创建二维数组

np.array([(1, 2, 3), (4, 5, 6)])

array([[1, 2, 3],
       [4, 5, 6]])

创建全为1的二维数组&创建全为0的三维数组

np.ones((3,3,))

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

np.zeros((2,3,4))

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.]]])

创建一维等差数组

np.arange(5)

array([0, 1, 2, 3, 4])

创建二维等差数组

np.arange(6).reshape(2,3)

array([[0, 1, 2],
       [3, 4, 5]])

创建单位矩阵（二维数组）

np.eye(3)

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

创建等间隔一维数组

np.linspace(1,10,num =6)

array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. ])

创建二维随机数组

np.random.rand(2,3)

array([[0.73086456, 0.95886953, 0.21075672],
       [0.98499111, 0.49895294, 0.57656235]])

创建二维随机整数数组（数值小于 5）

np.random.randint(5,size = (2,3))

array([[3, 1, 1],
       [1, 4, 2]])

依据自定义函数创建数组

np.fromfunction(lambda i,j:i+j,(3,3))

array([[0., 1., 2.],
       [1., 2., 3.],
       [2., 3., 4.]])

数组运算

生成一维示例数组

a = np.array([10,20,30,40,50])
b = np.arange(1,6)
print(a,b)

[10 20 30 40 50] [1 2 3 4 5]

一维数组加法运算

a+b

array([11, 22, 33, 44, 55])

一维数组减法运算

a-b

array([ 9, 18, 27, 36, 45])

一维数组乘法运算

a * b

array([ 10,  40,  90, 160, 250])

一维数组除法运算

a / b

array([10., 10., 10., 10., 10.])

生成二维示例数组（可以看作矩阵）

A = np.array([[1,2],
              [3,4]])
B = np.array([[5,6],
              [7,8]])
print(A)
print(B)

[[1 2]
 [3 4]]
[[5 6]
 [7 8]]

矩阵加法运算

A + B

array([[ 6,  8],
       [10, 12]])

矩阵减法运算

A - B

array([[-4, -4],
       [-4, -4]])

矩阵元素间乘法运算

A * B

array([[ 5, 12],
       [21, 32]])

矩阵乘法运算（注意与上题的区别）

np.dot(A,B)

array([[19, 22],
       [43, 50]])

# 如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算
np.mat(A) * np.mat(B)

matrix([[19, 22],
        [43, 50]])

数乘矩阵

2 * A

array([[2, 4],
       [6, 8]])

矩阵的转置

A.T

array([[1, 3],
       [2, 4]])

矩阵求逆

np.linalg.inv(A)

array([[-2. ,  1. ],
       [ 1.5, -0.5]])

数学函数

三角函数

print(a)
np.sin(a)

[10 20 30 40 50]





array([-0.54402111,  0.91294525, -0.98803162,  0.74511316, -0.26237485])

以自然对数函数为底数的指数函数

np.exp(a)

array([2.20264658e+04, 4.85165195e+08, 1.06864746e+13, 2.35385267e+17,
       5.18470553e+21])

数组的方根的运算（开平方）

np.sqrt(a)

array([3.16227766, 4.47213595, 5.47722558, 6.32455532, 7.07106781])

数组的方根的运算(立方)

np.power(a,3)

array([  1000,   8000,  27000,  64000, 125000], dtype=int32)

数组切片和索引

一维数组索引

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

(1, 5)

一维数组切片

a[0:2],a[:-1]

(array([1, 2]), array([1, 2, 3, 4]))

二维数组索引

a = np.array([(1,2,3),(4,5,6),(7,8,9)])
a[0],a[-1]

(array([1, 2, 3]), array([7, 8, 9]))

二维数组切片（取第 2 列）

print(a)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

a[:,1]

array([2, 5, 8])

二维数组切片（取第 2，3 行）

a[1:3,:]

array([[4, 5, 6],
       [7, 8, 9]])

数组形状操作

生成二维示例数组

a= np.random.random((3,2))
a

array([[0.68619384, 0.61343199],
       [0.1416633 , 0.92122214],
       [0.3294876 , 0.8636649 ]])

查看数组形状

a.shape

(3, 2)

更改数组形状（不改变原始数组）

# reshape 并不改变原始数组
a.reshape(2,3)
a

array([[0.68619384, 0.61343199, 0.1416633 ],
       [0.92122214, 0.3294876 , 0.8636649 ]])

更改数组形状（改变原始数组）

# resize 会改变原始数组
a.resize(2,3)

array([[0.68619384, 0.61343199, 0.1416633 ],
       [0.92122214, 0.3294876 , 0.8636649 ]])

展平数组

# 生成示例数组
a = np.random.randint(10,size= (3,3))
b = np.random.randint(10,size = (3,3))
a,b

(array([[4, 7, 5],
        [0, 4, 2],
        [2, 9, 4]]), array([[3, 8, 0],
        [8, 0, 1],
        [6, 6, 9]]))

np.vstack((a,b))

array([[4, 7, 5],
       [0, 4, 2],
       [2, 9, 4],
       [3, 8, 0],
       [8, 0, 1],
       [6, 6, 9]])

水平拼合数组

np.hstack((a, b))

array([[4, 7, 5, 3, 8, 0],
       [0, 4, 2, 8, 0, 1],
       [2, 9, 4, 6, 6, 9]])

沿横轴分割数组

array([[4, 7, 5],
       [0, 4, 2],
       [2, 9, 4]])

np.vsplit(a,3)

[array([[4, 7, 5]]), array([[0, 4, 2]]), array([[2, 9, 4]])]

数组排序

# 生成示例数组
a = np.array(([1, 4, 3], [6, 2, 9], [4, 7, 2]))
a

array([[1, 4, 3],
       [6, 2, 9],
       [4, 7, 2]])

返回每列最大值

np.max(a,axis = 0)

array([6, 7, 9])

返回每行最小值

np.min(a,axis = 1)

array([1, 2, 2])

返回每列最大值索引

np.argmax(a,axis =0)

array([1, 2, 1], dtype=int64)

返回每行最小值索引

np.argmin(a,axis = 1)

array([0, 1, 2], dtype=int64)

数组统计

统计数组各列的中位数

# 继续使用上面的 a 数组
np.median(a, axis=0)

array([4., 4., 3.])

统计数组各行的算术平均值

np.mean(a,axis =1)

array([2.66666667, 5.66666667, 4.33333333])

统计数组各列的加权平均值

np.average(a,axis = 0 )

array([3.66666667, 4.33333333, 4.66666667])

统计数组各行的方差

np.var(a,axis =1)

array([1.55555556, 8.22222222, 4.22222222])

统计数组各列的标准偏差

np.std(a,axis =0)

array([2.05480467, 2.05480467, 3.09120617])

本文章主要作为学习历程的记录，如有侵权，请联系作者删除，原文地址https://www.shiyanlou.com/courses/

黑桃5200

关注

3
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
Numpy百题斩(一）

NumPy 是 Python 语言的一个扩充程序库。支持大量高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。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一知识点创建数组数组运算数学函数数组切片和索引数组形状操作数组排序数组统计实验环境Python 3.6NumPy: 1.14.2基础部分导入numpy库导入 NumPy...
复制链接

扫一扫