文章目录
前言
numpy,pandas,matplotlib是python进行数据分析的三大利器,本文主要介绍关于numpy基础部分内容,后续文章会介绍pandas,matplotlib的内容。提示:以下是本篇文章正文内容,下面案例可供参考
一、numpy是什么?
Numpy(www.numpy.org)是Numerical Python的简写,广泛用于python的数值计算,提供多种数据结构,算法以及大部分设计python数值计算所需要的接口。它可以通过建立多维数组nadarray对象帮助我们高效地进行科学计算如线性代数,傅立叶变换等。
二、数组与向量化计算
1.创建数组
1.利用numpy.array()包装
import numpy as np
>>> a = [3.5, 5, 2, 8, 4.2]
>>> np.array(a)
array([3.5, 5. , 2. , 8. , 4.2])
>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
>>> a = [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]
>>> np.array(a)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
2.利用numpy.arange()
#numpy.arrange()是python内置函数range()的数组版
>>> np.arange(1,10)
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(1,10,2)#类比range(),‘2’代表步长
array([1, 3, 5, 7, 9])
3.利用numpy.linsapce()
>>> np.linspace(0, 10, num=5)#类比np.arange()
array([ 0. , 2.5, 5. , 7.5, 10. ])
4.特殊类型
>>> np.eye(2)#创建方阵
array([[1., 0.],
[0., 1.]])
>>> np.ones(4)#创建全‘1’数组
array([1., 1., 1., 1.])
>>> np.zeros(4)#创建全‘0’数组
array([0., 0., 0., 0.])
5.数组属性
#以此数组为例
>>> np.arange(1,7).reshape(2,3