Numpy 之常见用法及函数

最新推荐文章于 2023-03-21 12:47:53 发布
最新推荐文章于 2023-03-21 12:47:53 发布
阅读量303 收藏 1
点赞数 1
分类专栏： 不断学习
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/Lkevin7/article/details/91359860
版权

numpy

一、概念

  1. 数组事numpy 的最基本数据对象，也是一种大容量数据容器

  2. 矢量化运算，基本代替for 语句，大大提高运算速度

  3. 空值处理

    • 空值处于离散数据列，必须把空值所在行删除

    • 空值处在连续数据列，考虑对空值进行补值

      1. 补值方法

        • 易

          1. 就近补值

          2. 平均值，中位数，众数

          3. 随机补值

        • 难

          1. lagrange 补值

          2. EM补值

          3. 回归法补值

          4. 牛顿法补值

  4. 离散数据和连续数据

    • 离散数据

      1. 包括名目数据 或是顺序数据

      2. 描述事物的数据，表明事物属性，

      3. 名目数据无法估值

    • 连续数据

      1. 包括区间数据和等比数据

      2. 区间数据：温度，压强，时间等

      3. 等比数据：有自然0点 的数据，身高体重等

二、操作

  1. 创建

    • 基本创建

      numpy.array(数组,dtype = 指定数据类型)

    • 指定外形创建随机数

      numpy.array(range(1,101)).reshape(10,10)

      注意：reshape 的两个参数 的乘积必须等于前面数据中数据的个数！！！！！！！！！

    • arange

      np.arange(2,25,2).shape(3,4)

    • random

      numpy.array(random.randint(1,100,(3,3)))

    • 特殊数组

      1. np.zeros((5,5)) :0数组

      2. np.ones((5,5)) : 1数组

      3. np.empty((5,5)):并不是无值的空

      4. np.identity(6)：单位数组创建

    • 模仿现有数组外形的特殊数组

      1. empty_like,ons_likes.zeros_likes

        Np.ones(data)

  2. 查看

    • dtype：查看数组中数据的数据类型

    • astype：强制转类型

    • shape：查看数组的外形,数组形式返回

    • ndim : 返回数组维度

  3. 选区/切片

    • 数组的切片称为选区

    • 与列表的区别：

      1. 都是左闭右开

      2. 广播功能：利用切片和选区进行获取数据，赋值给新的变量；新的变量值改变，原列表数据不会变化，而选区后的原数组会变化，可以利用copy 对原数据的备份数据进行选区

    • [a:b,c:d] a,b 选行 / c，d 选列

    • 选区赋值：

      1. 列表赋值

        arr123 [1:3,1:3]=[[-2,-4],[-8,-1]] #注意这里必须是嵌套列表

      2. 元组赋值

        arr123[1:3,1:3]=((0,0),(-1,-1))

      3. 数组赋值

        arr123[1:3,1:3]=np.array([[-2,-2],[-8,-8]])

      4. 单元素赋值

        arr123[1:3,1:3]=0

  4. 花式索引

    • 针对多维数据进行精确查找

    • 返回索引结果数组

    • 基本形式：数组[ [ ] ,[ ] ]

      第一个中括号里的整数索引码与第二个中括号里的整数索引码一起构成了一系列索引坐标，通过这些索引坐标可以实现精确查找。

  5. numpy的函数

    • np_data.T ： 二维数组转置

    • transpose :高纬矩阵转置

      1. 按照轴号位置的变化而变化

      2. 没有转置前的高维数组轴编号顺序总是为：（0,1,2...）。通过transpose函数可以把未转置的数组轴编号布局（0,1,2...）转换到transpose参数指定的轴编号布局。

      3. 在完成转置后，原矩阵的外形和矩阵的矩阵中元素分布都将会随着轴编号布局的变化而变化。

    • np.dot (np_data1，np_data2) : 两个矩阵的点积

    • np.trace(np_data) ：矩阵对角线之和（矩阵必须是方阵）

    • np.linspace(-2,2,400):

      指定作用域，创建数组，范围-2到2，400百份

  6. 一次函数

    • np.sqrt (np_data ): 开方函数

    • np.exp 函数

    • np.abs 绝对值函数

    • 取整数

      1. 向下取整数

        np.floor(np_data)

      2. 向上取整

        np.ceil(np_data)

  7. 二次函数

    • np.maximum 比较两个数组，保留大数字

    • np.add,Subtract,Multiply,devide：对数组进行加减乘除

    • np.power(np_data1,np_data2)

      次方：np_data1是底，np_data2是幂

    • np.meshgrid() :

      1. 让数组之间进行网格化交点

      2. 一般用作画图

    • 拼接：

      1. np.column_stack((a,b)): 将a，b 两个一维数组，以列的形式组合

  8. 数据快速挑选函数

    • 用np.where 快速挑选函数

    • np.where(condition,[x,y])

      如果满足条件，返回x，否则返回y

      1. 条件单bool值

      2. bool矩阵

  9. 基本统计函数

    • 方差和标准差（var，std）

    • Sum(和),mean(平均值),min(小),max(大) 函数

      1. 作为方法：np_data.sum( axis = )

        • 将数组以行/列（0/1）形式求和，返回结果数组

        • axis = 0 逐行按列

      2. 作为函数：np.sum(np_data,axis = )

    • argmin/argmax函数

      1. 返回数组中最小值和最大值的索引

    • cumsum（所有元素的累积和）cumprod（所有元素的累积积）

      1. 可以指定行和列

  10. 常用bool数组方法，数据排序和去重

    • sum：sum()函数可以统计bool_ar中的True的数量

    • all和any方法 ：

      1. any（）说明数组里有true，

      2. all（）检验数组是不是全是true

      3. 可用于检验是否存在特征数据

    • 排序sort（axis）

      注意：：sort用作函数（np.sort）是一次性排序，用做方法（.sort）是永久性排序

    • 去重

      up.unique()

    • 删除

    • Up.delete()

       

     

     

     

 

 

 

 

Lkevin7
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Numpy基础教程—其它相关函数
留不住斜阳的博客
12-19 440
本教程适合于numpy基础入门，更多详尽内容请阅读官网http://www.numpy.org/，此篇为numpy基础学习教程系列之其它相关函数篇，倾向于实践用法，后续还会推出一系列numpy其它方面的教程，欢迎广大圈友一起交流学习，并指出其中的错误。   注意：以下np为import numpy as np中的np标识符     傅里叶变换       np.fft.fft(arr...
Numpy常用函数用法大全
z21198061a的博客
05-30 291
abcdefghijklmnopqrstuvwxyz 函数名 描述 array 创建一个np数组 arange dot exp max log reshape sum
Python——NumPy数据存取与函数
qq_42600434的博客
07-30 660
1、数据csv文件存贮 1.1 CSV文件写入 CSV (Comma‐Separated Value, 逗号分隔值) CSV是一种常见的文件格式，用来存储批量数据 np.savetxt(frame, array, fmt='%.18e', delimiter=None) • frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件 • array : 存入文件的数组 • ...
Python中numpy相关函数总结
destiny_0的博客
09-18 1081
前些天在看《机器学习实战》，有很多numpy中的函数，小白初学者以后看到一个总结一个。   1.     strip()和strip（str） （1）     strip()参数为空时，默认删除字符串开头和结尾的空白符（包括“\n”，“\t”，“\r”，“”）； （2）     s.strip（str）删除字符串s开头和结尾含有str中的字符的字符，只要有在str序列内的字符，就删掉；
Numpy数学函数abs，sqrt()，square()，exp()，log()，sign()， 四舍五入函数，modf()，isnan()，isfinite()、isinf()，三角函数，二元函数等
微笑一号的博客
08-02 1万+
Numpy数学函数abs，sqrt()，square()，exp()，log()，sign()， 四舍五入函数，modf()，isnan()，isfinite()、isinf()，三角函数，二元函数等
Python中numpy模块常见用法demo实例小结
01-20
本文实例总结了Python中numpy模块常见用法。分享给大家供大家参考，具体如下： import numpy as np arr = np.array([[1,2,3], [2,3,4]]) print(arr) print(type(arr)) print('number of dim:', arr.ndim) print('...
Python Numpy库常见用法入门教程
09-18
Python Numpy库是进行数值计算和科学计算的强大工具，它提供了高效的多维数组对象——ndarray，以及大量的数学函数来处理这些数组。本教程将深入介绍Numpy库的基础知识和常用操作。 首先，Numpy的核心是ndarray对象...
Numpy一维线性插值函数的用法
09-17
在上面的例子中，我们看到了如何使用`numpy.interp`进行正弦函数的插值。通过在0到2π的范围内均匀取10个点，然后在相同的范围内取50个更密的点，使用`numpy.interp`进行插值，最后绘制出原始正弦曲线和插值后的曲线...
numpy abs()报错
此名想三天的博客
05-25 3223
我在用numpy的abs()给数组取绝对值的时候出现了这个问题，很明显是dtype的问题'<U32'是unsigned 32的含义，那么这个格式本来就没有符号，我还非要取绝对值那肯定会报错的呀！回过头去看了看果然是append进数组的时候忘了把格式强转成float了OK！转换！解决！ufunc 'absolute' did not contain a loop with signature ...
Python numpy.abs和abs函数别再傻傻分不清了
m0_49028841的博客
10-21 2万+
Python numpy.abs和abs别再傻傻分不清了说在最前先看示例程序-abs()函数再看示例程序-numpy.abs()函数观察两个程序的结果分析解释拓展总结最后 说在最前 终于在今天深深明白了真不能随便使用numpy.abs和abs… 别看这两个函数都能对整数求绝对值，但他们俩的返回值类型完全不一样，如果傻傻地混为一谈，将会使你的程序运行时间被大大拖累！ 先看示例程序-abs()函数 注意观察变量row和语句temp=row-1 import time row=-1000 row=abs(row
python的numpy np.abs()例子
longjiaxin1314的博客
03-21 4665
numpy.abs()的用法
python abs的功能_Python中的abs()
weixin_36481760的博客
03-01 4531
python中的abs()函数表示数字输入的绝对值。绝对值与数字的值或大小有关，而不是与数字所附的符号有关。对于数量级计算涉及许多步骤的复数，它甚至更有用。该函数的语法是-abs(num)其中num可以是整数，浮点数或复数。示例在下面的示例中，我们采用上述所有类型的数字并计算其大小。n=-112print('Absolutevalueofainteger',abs(n))f=-3...
pythonabs_Python numpy.abs() 使用实例
weixin_39702480的博客
11-25 1733
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数据分析——numpy库的常用函数及用法
weixin_55207753的博客
03-04 1万+
一、numpy库的介绍 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持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。 NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含： 一个强大的N维数组对象 ndarray 广播功能函数 整合 C/C++/Fortran 代码的工具 线性代数、傅里叶变换、随机数生成等功能 二、numpy库的应用 NumPy 通常与 SciPy（Scientific Python）和 Mat
Numpy中的shape函数的用法详解
雨落狮山山亦奇的个人博客
01-17 3万+
shape函数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,相当于行数。它的输入参数可以是一个整数表示维度，也可以是一个矩阵。shape函数返回的是一个元组，表示数组（矩阵）的维度，例子如下： 1. 数组（矩阵）只有一个维度时，shape只有shape[0]，返回的是该一维数组（矩阵）中元素的个数，通俗点说就是返回列数，因为一维数组只有一行，一维情况中array创建的可
numpy 相关函数
u012474716的博客
12-01 1271
1.numpy.ndim a,b的ndim是指数组的行数,或者说是数组第一维是多少。就是数组的维数，对于二维可以用array[x][y],三维可以用array[x][y][z].你可以想成二维的是一个灰度图像，三维的是rgb这种多通道图像 >>> d array([[[1, 1, 1, 1], [1, 1, 1, 1],
Numpy库函数大全
create115721的博客
07-28 4万+
1.NumPy 　　NumPy是高性能科学计算和数据分析的基础包。部分功能如下： ndarray, 具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。 用于对整组数据进行快速运算的标准数学函数（无需编写循环）。 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。 线性代数、随机数生成以及傅里叶变换功能。 用于集成C、C++、Fortran等语言编写的代码的工具。...
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numpy函数用法： 1. 创建数组 numpy中可以通过numpy.array()函数创建数组，函数接受一个可迭代对象作为参数，例如： ```python import numpy as np # 创建一维数组 a = np.array([1, 2, 3]) print(a) # 输出：[1 2 3] # 创建二维数组 b = np.array([[1, 2], [3, 4]]) print(b) # 输出：[[1 2] # [3 4]] ``` 2. 索引和切片 numpy中的数组索引和切片与Python中的列表相似，可以使用整数索引和切片语法。例如： ```python # 一维数组的索引和切片 a = np.array([1, 2, 3, 4, 5]) print(a[2]) # 输出：3 print(a[:3]) # 输出：[1 2 3] # 多维数组的索引和切片 b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(b[1, 2]) # 输出：6 print(b[:2, 1:]) # 输出：[[2 3] # [5 6]] ``` 3. 数学函数 numpy中包含了许多常用的数学函数，例如： ```python # 平方函数 a = np.array([1, 2, 3]) print(np.square(a)) # 输出：[1 4 9] # 开方函数 b = np.array([1, 4, 9]) print(np.sqrt(b)) # 输出：[1. 2. 3.] # 取绝对值函数 c = np.array([-1, -2, 3]) print(np.absolute(c)) # 输出：[1 2 3] # 求和函数 d = np.array([1, 2, 3]) print(np.sum(d)) # 输出：6 # 求平均值函数 e = np.array([1, 2, 3]) print(np.mean(e)) # 输出：2.0 # 求标准差函数 f = np.array([1, 2, 3]) print(np.std(f)) # 输出：0.816496580927726 ``` 4. 线性代数函数 numpy中包含了许多常用的线性代数函数，例如： ```python # 点积函数 a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) print(np.dot(a, b)) # 输出：[[19 22] # [43 50]] # 矩阵求逆函数 c = np.array([[1, 2], [3, 4]]) print(np.linalg.inv(c)) # 输出：[[-2. 1. ] # [ 1.5 -0.5]] # 特征值与特征向量函数 d = np.array([[1, 2], [2, 1]]) eig_values, eig_vectors = np.linalg.eig(d) print(eig_values) # 输出：[ 3. -1.] print(eig_vectors) # 输出：[[ 0.70710678 -0.70710678] # [ 0.70710678 0.70710678]] ``` 5. 随机数函数 numpy还包含了许多常用的随机数函数，例如： ```python # 随机整数函数 a = np.random.randint(1, 10, (3, 4)) print(a) # 输出：[[5 8 7 4] # [4 4 4 4] # [9 9 9 2]] # 随机浮点数函数 b = np.random.rand(2, 3) print(b) # 输出：[[0.81317738 0.24850358 0.98823489] # [0.35087941 0.98767991 0.17130925]] ``` 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