Numpy从入门到入墓

最新推荐文章于 2023-09-13 14:04:29 发布
最新推荐文章于 2023-09-13 14:04:29 发布
阅读量193 收藏
点赞数
文章标签： python bumpy
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/changlugen/article/details/86503044
版权

参考文章：https://jizhi.im/blog/post/live-aipy-part8

import pandas as pd
import numpy as np

一、shape（形状）

1、np.shape

arr = np.array([[ 1,  2,  3,  4],
             [12, 13, 14,  5],
             [11, 16, 15,  6],
             [10,  9,  8,  7]])
print('arr.shape: ', arr.shape)
print('type(arr.shape): ', type(arr.shape))	# shape返回元组
print('row_number:', arr.shape[0])			# 数组的行数
print('column_number:', arr.shape[1])		# 数组的列数

# 输出：
============================================================
arr.shape:  (4, 4)
type(arr.shape):  <class 'tuple'>
row_number: 4
column_number: 4
============================================================

2、np.reshape

重塑数组的行数和列数

print('=' * 60)
print(arr.reshape(2,8))
print('=' * 60)
arr.reshape(-1) 
print('=' * 60)
arr.reshape(-1, 1) 
print('=' * 60)

# 输出：
============================================================
[[ 1  2  3  4 12 13 14  5]
 [11 16 15  6 10  9  8  7]]
============================================================
array([ 1,  2,  3,  4, 12, 13, 14,  5, 11, 16, 15,  6, 10,  9,  8,  7])
============================================================
array([[ 1],
       [ 2],
       [ 3],
       [ 4],
       [12],
       [13],
       [14],
       [ 5],
       [11],
       [16],
       [15],
       [ 6],
       [10],
       [ 9],
       [ 8],
       [ 7]])
============================================================

二、基本运算

print('=' * 60)
print(arr - 1)		# 加法同理
print('=' * 60)
print(arr * 2)		# 除法同理
print('=' * 60)
print(arr > 9)		# 逻辑判断
print('=' * 60)
print(arr[arr > 9])	# 布尔取值
print('=' * 60)

# 输出：
============================================================
[[ 0  1  2  3]
 [11 12 13  4]
 [10 15 14  5]
 [ 9  8  7  6]]
============================================================
[[ 2  4  6  8]
 [24 26 28 10]
 [22 32 30 12]
 [20 18 16 14]]
============================================================
[[False False False False]
 [ True  True  True False]
 [ True  True  True False]
 [ True False False False]]
============================================================
[12 13 14 11 16 15 10]
============================================================

三、数据类型

str_lst = [[0, "zero"], [1, "one"], [2, "two"], [3, "three"]]
str_arr = np.array(str_lst)
print('=' * 60)
print(str_arr)
print('=' * 60)
print(str_arr.dtype)	# 数组中出现字符类型，数组的数据类型也会变
print('=' * 60)
print(arr.dtype)
print('=' * 60)

# 输出：
============================================================
[['0' 'zero']
 ['1' 'one']
 ['2' 'two']
 ['3' 'three']]
============================================================
<U11
============================================================
int32
============================================================

四、数组操作

1、.tolist()和.ravel()

arr = np.array([[0, 1, 2],
                [3, 4, 5],
                [6, 7, 8]])
arr_lst1 = arr.tolist()
print('=' * 60)
print(arr_lst1)
print('=' * 60)
arr.ravel()
print('=' * 60)
arr.ravel()[1]=100
print('=' * 60)
arr.flatten()[1]=200	#返回的是copy
print('=' * 60)


# 输出：
============================================================
[[0, 1, 2], [3, 4, 5], [6, 7, 8]]
============================================================
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
============================================================
array([[  0, 100,   2],
       [  3,   4,   5],
       [  6,   7,   8]])
============================================================
array([[  0, 100,   2],
       [  3,   4,   5],
       [  6,   7,   8]])
============================================================

2、missing values

arr = np.array([[ 1.,  2.,  3.,  4.],
                [ 3.,  4.,  5.,  6.],
                [ 5.,  6.,  7.,  8.]])
print('=' * 60)
arr[2,2] = np.nan
arr[2,3] = np.inf
print(arr)
print('=' * 60)
missing = np.isnan(arr) | np.isinf(arr)
arr[missing] = 0
print(arr)
print('=' * 60)

# 输出：
============================================================
[[ 1.  2.  3.  4.]
 [ 3.  4.  5.  6.]
 [ 5.  6. nan inf]]
============================================================
[[1. 2. 3. 4.]
 [3. 4. 5. 6.]
 [5. 6. 0. 0.]]
============================================================

五、statistics

arr = np.array([[ 1.,  2.,  3.,  4.],
                [ 3.,  4.,  5.,  6.],
                [ 5.,  6.,  7.,  8.]])
print('=' * 60)
print(arr.mean())				# 平均值
print(arr.max())				# 最大值
print(arr.min())				# 最小值
print(np.amax(arr, axis=0))		# 最大值（列）
print(np.amax(arr, axis=1))		# 最大值（行）
print('=' * 60)

# 输出
============================================================
4.5
8.0
1.0
[5. 6. 7. 8.]
[4. 6. 8.]
============================================================

六、np.copy()

arr2 = np.copy(arr)
print('=' * 60)
print(arr)
print('=' * 60)
print(arr2)
print('=' * 60)
arr3 = arr - arr2
print(arr3)
print('=' * 60)

# 输出：
============================================================
[[1. 2. 3. 4.]
 [3. 4. 5. 6.]
 [5. 6. 7. 8.]]
============================================================
[[1. 2. 3. 4.]
 [3. 4. 5. 6.]
 [5. 6. 7. 8.]]
============================================================
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

七、range()和arange()

range是快速生成数字序列的方法，返回List，而arange返回的数据类型是数组
常见参数：start，end，step（步长）
如range(1,10,1),arange(1,10,1)

lst1 = [x for x in range(10)]
print('=' * 60)
print(lst1)
print(type(lst1))
print(lst1[0])
lst2 = np.arange(10)
print(lst2)
print(type(lst2))
print(lst2[0])
print('=' * 60)

# 输出：
============================================================
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
<class 'list'>
0
[0 1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>
0
============================================================

八、linspace()/logspace()

类似range，快速生成数字序列，但是比range更方便。

print('=' * 60)
print(np.linspace(1, 10, num = 10))	# num是返回个数
print(np.linspace(1, 10, num = 11))
print(np.logspace(1, 10, num = 10))
print('=' * 60)

# 输出：
============================================================
[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]
[ 1.   1.9  2.8  3.7  4.6  5.5  6.4  7.3  8.2  9.1 10. ]
[1.e+01 1.e+02 1.e+03 1.e+04 1.e+05 1.e+06 1.e+07 1.e+08 1.e+09 1.e+10]
============================================================

九、Numpy线性代数

1、向量加减法

u = [1,1,2,3,5,8]
v = [1,1,4,5,1,4]
print('=' * 60)
# without numpy
u_add_v = [ui + vi for ui, vi in zip(u,v)]
print(u_add_v)
u_add_v2 = u + v
print('=' * 60)
print(u_add_v2)
print('=' * 60)
u_arr = np.array(u)
v_arr = np.array(v)
u_add_v3 = u_arr + v_arr
print(u_add_v3)
print('=' * 60)

# 输出：
============================================================
[2, 2, 6, 8, 6, 12]
============================================================
[1, 1, 2, 3, 5, 8, 1, 1, 4, 5, 1, 4]
============================================================
[ 2  2  6  8  6 12]
============================================================

2、向量点乘

print('=' * 60)
# without numpy
u_dot_v = [ui * vi for ui, vi in zip(u,v)]
print(u_dot_v)
print(type(u_dot_v))		# 返回的是List
print('=' * 60)
u_arr = np.array(u)
v_arr = np.array(v)
u_dot_v_np = u_arr * v_arr
print(u_dot_v_np)
print(type(u_dot_v_np))		# 返回的是array
print('=' * 60)

# 输出：
============================================================
[1, 1, 8, 15, 5, 32]
<class 'list'>
============================================================
[ 1  1  8 15  5 32]
<class 'numpy.ndarray'>
============================================================

3、矩阵

print('=' * 60)
A = np.matrix([[3,5,3], 
               [7,7,5], 
               [0,7,6]])
print(A)
print('=' * 60)
I = np.eye(6)				# 对角线为1的矩阵
print(I)
print('=' * 60)
D = np.diag([0,1,2,3,4])	# 对角线为指定List的矩阵
print(D)
print('=' * 60)

# 输出：
============================================================
[[3 5 3]
 [7 7 5]
 [0 7 6]]
============================================================
[[1. 0. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0.]
 [0. 0. 0. 1. 0. 0.]
 [0. 0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 0. 1.]]
============================================================
[[0 0 0 0 0]
 [0 1 0 0 0]
 [0 0 2 0 0]
 [0 0 0 3 0]
 [0 0 0 0 4]]
============================================================

4、矩阵计算

A = np.matrix([[1,1,4],
               [5,1,4],
               [8,1,0]])
print('=' * 60)
print(A.T)		# 矩阵转置
print('=' * 60)
print(A.I)		# 矩阵求逆

print('=' * 60)

# 输出：
============================================================
[[1 5 8]
 [1 1 1]
 [4 4 0]]
============================================================
[[-0.25    0.25    0.    ]
 [ 2.     -2.      1.    ]
 [-0.1875  0.4375 -0.25  ]]
============================================================

十、Numpy统计概率

1、方差(variance)

x = np.array([56,42,72,36,63,47,55,49,38,42,68,60])
y = np.array([147,125,160,118,149,128,150,145,115,140,152,155])
print('=' * 60)
varx = ((x - x.mean())**2).mean()
vary = ((y - y.mean())**2).mean()
print(varx)
print(vary)
print('=' * 60)

# 输出：
============================================================
129.22222222222223
208.3888888888889
============================================================

2、协方差(covariance)

print('=' * 60)
covxy = ((x - x.mean()) * (y - y.mean())).mean()
print(covxy)
print('=' * 60)

# 输出：
============================================================
147.05555555555557
============================================================
changlugen
关注
python宽度学习训练后模型的持久化存储和快速调用
weixin_52135595的博客
04-21 4327
在模型训练完成后，我们需要对我们训练出来的模型进行持久性储存，这样既能将我们调参后得到的最佳模型进行存储，还可以方便后期同团队的人进行调用预测。、 1.原理 此处用到的是sklearn库中的joblib包进行存储和加载 因为宽度学习的类属于自定义类，所以在调用时需要在调用的py文件中加入bls代码中的类（在bls代码中分别是node_generator, scaler, broadNet） 如果不加入这些类，由于宽度学习是未知自定义的模型的结构，joblib包将无法解析模型，出现报错：Attribu
python numpy实例_Python numpy.ravel() 使用实例
weixin_35401836的博客
03-01 1643
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-- numpy--变换多维数组为一维数组（reshape、flatten、ravel）
qq_40837795的博客
12-18 7604
如果使用reshape(1, -1)这个时候在转化为list时候，结果是两个，如果此时需要访问一维度，则需要啊。
【翻译：OpenCV-Python教程】特征匹配加单应性找出物体
【涘涘回来啦】
04-16 559
⚠️这篇是按4.1.0翻译的，你懂得。 ⚠️除了版本之外，其他还是照旧，Feature Matching + Homography to find Objects，附原文。 目标 在这一章 我们将融合特征匹配的知识，通过 calib3d 模块找出单应性来在一个复杂的图像中找出已知的物体对象。 基础 在上一期里我们做了什么？我们使用一个搜索图像，找到了一些它里面的特征点，然后我们取...
使用numpy的ndarray存储str类型的问题
qq_37402392的博客
09-13 923
使用numpy来存储str类型的数据时，numpy会把这个数据转化为numpy.str_类型的对象。此时，我想要在对应位置上再添加字符的话，会出现字符赋值不成功的情况。
numpy.ravel()的区别numpy.flatten()
junchengberry的博客
05-13 797
import numpy as np numpy.ravel()的区别numpy.flatten() (1)两者所要实现的功能是一致的（将多维数组降位一维）； (2)numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵； (3)numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（r...
手工实现k-means算法
weixin_43811239的博客
07-21 2376
k-means算法实现
清晰易懂的Numpy入门教程_numpy_numpy入门_python教程_
09-30
Numpy是python语言中最基础和最强大的科学计算和数据处理的工具包，如数据分析工具pandas也是基于numpy构建的，机器学习包scikit-learn也大量使用了numpy方法。本文介绍了Numpy的n维数组在数据处理和分析的所有核心...
NumPy快速入门.pdf
最新发布
09-19
NumPy快速入门
AI基础：Numpy简易入门.pdf
09-02
《AI基础：Numpy简易入门》是一份针对Python编程中Numpy库的入门教程，旨在帮助初学者理解和掌握Numpy的基础知识。Numpy是Python科学计算的核心库，它提供了强大的多维数组对象以及用于处理这些数组的工具。下面将...
numpy快速入门
08-14
numpy是Python中进行科学计算的核心库，它使用C语言编写，以便为Python提供高效的数组对象操作，尤其是矩阵运算。numpy的数组对象（array）是一个多维的同构数据类型容器，底层通常基于C语言的数据结构，使得在进行...
Numpy 官方入门教程
11-29
Numpy官方入门教程作为一本学习NumPy的指南，内容涵盖了从基础到高级的各种知识点。其中包括设置环境、快速入门教程、NumPy基础、各种杂项信息、Matlab用户指南以及如何从源代码构建和使用NumPy的C API。 在快速...
numpy的array和python中自带的list之间相互转化
热门推荐
baiyu9821179的专栏
11-27 12万+
a=([3.234,34,3.777,6.33]) a为python的list类型 将a转化为numpy的array:   np.array(a) array([  3.234,  34.   ,   3.777,   6.33 ]) 将a转化为python的list a.tolist()
Python数据分析之numpy学习（一）
lsxxx2011的专栏
08-07 336
Python是一门不错的动态语言，其应用的领域非常广泛，如web开发、Linux运维、数据挖掘、机器学习、爬虫、推荐系统等。在学完《廖雪峰Python2.7教程》感觉受益...
Numpy中 tolist() 的用法
我是张跑跑
02-22 3万+
1. 概述 Numpy 中 tolist()用于将数组或矩阵转为列表。 2. tolist() 2.1 语法 numpy.ndarray.tolist() 将数组作为（可能是嵌套的）列表返回。 将数组数据的副本作为（嵌套）Python列表返回。 数据项将转换为最接近的兼容Python类型。 特别注意：我们经常会看到一个一维矩阵，matrix.tolist()[0], 这是因为一维矩阵.tolist...
数据分析学习——numpy、pandas
一粒飞鸿丶的博客
01-30 336
1.numpy numpy主要是用array将数据转换为数组，提高C语言底层函数的计算效率。可直接进行加减乘除运算，而列表不可以。 import numpy as np print(np.array([1, 2, 3])) C:\Users\Administrator\venv\Scripts\python.exe D:/描述性统计作图/zft.py [1 2 3] Proc...
python numpy基础（一）基本用法
u011311291的博客
10-27 1414
（一）查看numpy版本 # 查看numpy版本 import numpy as np print np.version.version # 1.11.3 （二）numpy多维数组为numpy.ndarray # numpy多维数组为numpy.ndarray import numpy as np # 参数可以为list或tuple print np.array([1,2,3,4])...
python存储numpy数据为文件_python – 将numpy数组存储和加载为文件
weixin_30878111的博客
02-10 412
在我的程序中,我正在使用不同大小的各种numpy数组.我需要将它们存储到XML文件中以供以后使用.我没有将它们写入二进制文件,因此我将所有数据放在一个地方(XML文件)而不是分散在200个文件中.所以我尝试使用numpy的array_str()方法将数组转换为String.生成的XML如下所示：-5[7.7642140551985428e-06, 7.7639131137987232e-06]50...
遗传算法 python 简书_遗传算法
weixin_39536427的博客
12-10 320
优化的算法有很多种，从最基本的梯度下降法到现在的一些启发式算法，如遗传算法(GA)，差分演化算法(DE)，粒子群算法(PSO)和人工蜂群算法(ABC)。举一个例子，遗传算法和梯度下降：梯度下降和遗传算法都是优化算法，而梯度下降只是其中最基础的那一个，它依靠梯度与方向导数的关系计算出最优值。遗传算法则是优化算法中的启发式算法中的一种，启发式算法的意思就是先需要提供至少一个初始可行解，然后在预定义的搜...
Python NumPy实战指南：从入门到精通
3. **广播机制**：当不同形状的数组进行运算时，numpy的广播规则使得小数组可以“扩展”到大数组的形状。书中会解释广播的工作原理并提供相关练习。 4. **线性代数**：numpy包含线性代数模块（linalg），可以进行...
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