Python numpy 使用示例

最新推荐文章于 2023-03-27 19:15:11 发布
最新推荐文章于 2023-03-27 19:15:11 发布
阅读量823 收藏 4
点赞数 2
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/forward_huan/article/details/109589467
版权

numpy 属性

import numpy as np

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

  • 维度

    print(array.ndim)

>> 2

  • 形状

    print(array.shape)
>> (3, 3)

  • 大小

    print(array.size)
>> 9

  • 元素类型

    print(array.dtype)
>> int64

numpy 创建数组

  • 创建一维数组

    a = np.array([1, 2, 3], dtype=np.int32)
print(a)
>> [1 2 3]

  • 创建二维数组

    b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
>> [[1 2 3]
>>  [4 5 6]]

  • 创建2行3列全为0的数组

    zero = np.zeros((2, 3))
print(zero)
>> [[0. 0. 0.]
>>  [0. 0. 0.]]

  • 生成三行四列全为1的矩阵

    one = np.ones((3, 4))
print(one)
>> [[1. 1. 1. 1.]
>>  [1. 1. 1. 1.]
>>  [1. 1. 1. 1.]]

  • 生成3行2列全都接近于0但不是0的数

    empty = np.empty((3, 2))
print(empty)
>> [[0. 0.]
>>  [0. 0.]
>>  [0. 0.]]

  • 生成从0到10不包含10的一维数组

    e = np.arange(10)
print(e)
>> [0 1 2 3 4 5 6 7 8 9]

  • 生成从4到10不包含10的一维数组

    f = np.arange(4, 10)
print(f)
>> [4 5 6 7 8 9]

  • 生成从1到20不包含20,间隔为3的一维数组

    g = np.arange(1, 20, 3)
print(g)
>> [ 1  4  7 10 13 16 19]

  • 重新定义矩阵形状

    h = np.arange(8).reshape(2, 4)
print(h)
>> [[0 1 2 3]
>>  [4 5 6 7]]

numpy 随机数

  • 生成3行2列从0到1的随机数

    sample = np.random.random((3, 2))
print(sample)
>> [[0.94800964 0.91867228]
>>  [0.3680591  0.14434706]
>>  [0.33398542 0.50719141]]

  • 生成3行2列符合标准正态分布的随机数

    sample2 = np.random.normal(size=(3, 2))
print(sample2)
>> [[ 0.22708609 -0.79131841]
>>  [ 0.66393757 -0.18234665]
>>  [ 0.98113021  0.93463262]]

  • 生成3行2列从0到10的随机整数

    sample3 = np.random.randint(0, 10, size=(3, 2))
print(sample3)
>> [[4 7]
>>  [5 9]
>>  [6 2]]

numpy 运算

基本运算
import numpy as np

arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1)
>> [[1 2 3]
>>  [4 5 6]]

arr2 = np.array([[1, 1, 2], [2, 3, 3]])
print(arr2)
>> [[1 1 2]
>>  [2 3 3]]

  • 矩阵加法，按位加

    print(arr1 + arr2)
>> [[2 3 5]
>>  [6 8 9]]

  • 减法， 按位减

    print(arr1 - arr2)
>> [[0 1 1]
>>  [2 2 3]]

  • 矩阵乘法， 按位乘

    print(arr1 * arr2)
>> [[ 1  2  6]
>>  [ 8 15 18]]

  • 幂运算， 按位

    print(arr1 ** arr2)
>> [[  1   2   9]
>>  [ 16 125 216]]

  • 除法， 按位相除

    print(arr1 / arr2)
>> [[1.         2.         1.5       ]
>>  [2.         1.66666667 2.        ]]

  • 取余，按位

    print(arr1 % arr2)
>> [[0 0 1]
>>  [0 2 0]]

  • 取整，按位

    print(arr1 // arr2)
>> [[1 2 1]
>>  [2 1 2]]

  • 矩阵每一个元素加2

    print(arr1 + 2)
>> [[3 4 5]
>>  [6 7 8]]

  • 矩阵每一个元素乘10

    print(arr1 * 10)
>> [[10 20 30]
>>  [40 50 60]]

  • 判读矩阵中每个元素是否大于3

    print(arr1 > 3)
>> [[False False False]
>>  [ True  True  True]]
其他运算

  • 矩阵的乘法

    sample = np.array([[4, 7], [5, 9], [6, 2]])
sample2 = np.ones((2, 3))
print(sample2)
>> [[1. 1. 1.]
>>  [1. 1. 1.]]
print(np.dot(sample, sample2))
>> [[11. 11. 11.]
>>  [14. 14. 14.]
>>  [ 8.  8.  8.]]

print(sample.dot(sample2))
>> [[11. 11. 11.]
>>  [14. 14. 14.]
>>  [ 8.  8.  8.]]

  • 矩阵的转置

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(sample.T)
>> [[4 5 6]
>>  [7 9 2]]
print(np.transpose(sample))
>> [[4 5 6]
>>  [7 9 2]]

  • 求和

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.sum(sample))
>> 33

  • 列求和

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.sum(sample, axis=0))
>> [15 18]

  • 行求和

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.sum(sample, axis=1))
>> [11 14  8]

  • 最小值

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.min(sample))
>> 2

  • 最大值

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.max(sample))
>> 9

  • 最小值的索引

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.argmin(sample))
>> 5
print(sample.argmin())
>> 5

  • 最大值的索引

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.argmax(sample))
>> 3
print(sample.argmax())
>> 3

  • 所有元素的平均值

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.mean(sample))
>> 5.5
print(sample.mean())
>> 5.5

  • 所有元素的中位数

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.median(sample))
>> 5.5

  • 所有元素开方

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.sqrt(sample))
>> [[2.         2.64575131]
>>  [2.23606798 3.        ]
>>  [2.44948974 1.41421356]]

  • 排序(行)

    sample = np.array([[4, 7], [5, 9], [6, 2]])
print(np.sort(sample))
>> [[4 7]
>>  [5 9]
>>  [2 6]]

  • 小于2的变成2，大于7的变成7， 控制数字范围

    sample = np.random.randint(0, 10, size=(1, 10))
print(sample)
>> [[7 4 1 1 7 6 3 3 7 2]]
print(np.clip(sample4, 2, 7))
>> [[7 4 2 2 7 6 3 3 7 2]]

numpy 索引

import numpy as np

arr1 = np.arange(2, 14)
print(arr1)
>> [ 2  3  4  5  6  7  8  9 10 11 12 13]
arr2 = arr1.reshape(3, 4)
print(arr2)
>> [[ 2  3  4  5]
>>  [ 6  7  8  9]
>>  [10 11 12 13]]

  • 第二个位置的数据

    print(arr1[2])
>> 4

  • 第一到第四个位置的数据

    print(arr1[1:4])
>> [3 4 5]

  • 从第二个位置到倒数第一个位置的数据

    print(arr1[2:-1])
>> [ 4  5  6  7  8  9 10 11 12]

  • 前5个数据

    print(arr1[:5])
>> [2 3 4 5 6]

  • 后两个数据

    print(arr1[-2:])
>> [12 13]

  • 第二个位置的数据

    arr2 = arr1.reshape(3, 4)
print(arr2)

  • 第二行第二列元素

    print(arr2[1][1])
>> 7
print(arr2[1, 1])
>> 7

  • 所有行的第二列

    print(arr2[:, 2])
>> [ 4  8 12]

  • 迭代行

    for i in arr2:
    print(i)
>> [2 3 4 5]
>> [6 7 8 9]
>> [10 11 12 13]

  • 迭代列

    for i in arr2.T:
    print(i)
>> [ 2  6 10]
>> [ 3  7 11]
>> [ 4  8 12]
>> [ 5  9 13]

  • 一个一个元素迭代

    for i in arr2.flat:
    print(i)
>> 2
>> 3
>> 4
>> 5
>> 6
>> 7
>> 8
>> 9
>> 10
>> 11
>> 12
>> 13

numpy 数组合幷

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

  • 垂直合并

    arr3 = np.vstack((arr1, arr2))
print(arr3)
>> [[1 2 3]
>>  [4 5 6]]

  • 水平合并

    arr4 = np.hstack((arr1, arr2))
print(arr4)
print(arr4.shape)
>> [1 2 3 4 5 6]
>> (6,)

  • 垂直合并, 合并array的维度要相同，形状要匹配

    arr = np.concatenate((arr1, arr1), axis=0)
print(arr)
>> [1 2 3 1 2 3]

  • 纵向合并，合并array的维度要相同，形状要匹配, 不能是一维数据

    arr = np.concatenate((arr3, arr3), axis=1)
print(arr)
>> [[1 2 3 1 2 3]
>>  [4 5 6 4 5 6]]

  • 在前面增加維度

    arr1_1 = arr1[np.newaxis, :]
print(arr1_1)
>> [[1 2 3]]

  • 在后面增加維度

    arr1_2 = arr1[:, np.newaxis]
print(arr1_2)
>> [[1]
>>  [2]
>>  [3]]

  • 将数据转换成二维数据

    arr1_3 = np.atleast_2d(arr1)
print(arr1_3)
>> [[1 2 3]]

numpy 数组拆分

import numpy as np

arr1 = np.arange(12).reshape((3, 4))
print(arr1)
>> [[ 0  1  2  3]
>>  [ 4  5  6  7]
>>  [ 8  9 10 11]]

  • 水平方向分成两份，等分

    arr2, arr3 = np.split(arr1, 2, axis=1)
print(arr2)
>> [[0 1]
>>  [4 5]
>>  [8 9]]
print(arr3)
>> [[ 2  3]
>>  [ 6  7]
>>  [10 11]]

  • 垂直方向分割, 等分

    arr4, arr5, arr6 = np.split(arr1, 3, axis=0)
print(arr4)
>> [[0 1 2 3]]
print(arr5)
>> [[4 5 6 7]]
print(arr6)
>> [[ 8  9 10 11]]

  • 水平方向分成三份, 不等分

    arr7, arr8, arr9 = np.array_split(arr1, 3, axis=1)
print(arr7)
>> [[0 1]
>>  [4 5]
>>  [8 9]]
print(arr8)
>> [[ 2]
>>  [ 6]
>>  [10]]
print(arr9)
>> [[ 3]
>>  [ 7]
>>  [11]]

  • 垂直方向分成两份， 不等分

    arr1, arr2 = np.array_split(arr1, 2, axis=0)
print(arr1)
>> [[0 1 2 3]
>>  [4 5 6 7]]
print(arr2)
>> [[ 8  9 10 11]]

numpy 浅拷贝和深拷贝

  • 浅拷贝

    arr1 = np.array([1, 2, 3])
arr2 = arr1
arr2[0] = 5
print(arr1)
>> [5 2 3]
print(arr2)
>> [5 2 3]

  • 深拷贝

    arr1 = np.array([1, 2, 3])
arr2 = arr1.copy()
arr2[0] = 6
print(arr1)
>> [5 2 3]
print(arr2)
>> [6 2 3]
forward_huan
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python——Numpy数值计算基础
qq_56009126的博客
07-10 542
导入Numpy包 import numpy as np //np是用来指代numpy的 可以用别的 也可以不输入 as np 数组的创建 numpy.array(object,dtype=None,copy=True,order='K',subok=False,ndmin=0) //object 接受array_like。表示想要创建的数组。无默认。 //dtype 接受data-type。表示数组所需数据类型，如果未给定，则选择保存对象所需的最小类型。默认为None。 //ndmin 接受int。指
Python创建二维数组的正确姿势
极客猴的博客
10-23 2976
本文原创发布于微信公众号「极客猴」，欢迎关注第一时间获取更多原创分享 List （列表）是 Python 中最基本的数据结构。在用法上，它有点类似数组，因为每个列表都有一个下标，下标从 0 开始。因此，我们可以使用 list[1] 来获取下标对应的值。如果我们深入下列表的底层原理，会发现列表是基于 PyListObject 实现的。PyListObject 是一个变长对象，所以列表的长度是随着...
Python基础学习之“数组的存储和处理”
saxn2022的博客
10-20 3302
基于NUMPy模块的数组存储和处理一：创建数组 ❝ NumPy模块可以构建多维数据的容器，将各种的数据快速的整合在一块，完成多维数据的计算及大型矩阵的存储和处理。 ❞ 使用array()函数创建数组，其演示代码如下： import numpy as np # 导入NumPy模块，并简写为npa = np.array ([1,2,3,4]) # 使用array()函数基于列表创造一维数组b =&n
深度学习中的Numpy知识
最新发布
m0_73599738的博客
03-27 168
Numpy中比较基本的，在深度学习中可能用到的知识，可能不够全面，谅解~
Python学习笔记6-循环的使用
qq_49107127的博客
10-22 450
打印输出九九乘法表
Python矩阵运算——numpy用法（一）
qq_42773308的博客
11-01 5014
Python矩阵运算——numpy用法总结 一、如何安装numpy 原生的Python安装：在cmd里面输入pip install numpy 可以用pip list 查看是否安装成功 安装后导入这个库：import numpy as np import numpy as np 二、ndarray的创建 numpy中的核心对象是ndarray；ndarray可以看成数组，类似于R语言的向量或者矩阵。nmpy里面所有的函数都是围绕ndarry展开的。ndarray对维数没有限制从[ ]内到外分别是第0轴
python numpy 反转 reverse示例
12-23
python 的向量反转有一个很简单的办法 # 创建向量 impot numpy as np a = np.array([1,2,3,4,5,6]) b=a[::-1] print(b) ...以上这篇python numpy 反转 reverse示例就是小编分享给大家的全部内容了，希
使用python Numpy
11-11
使用 Python Numpy Python Numpy 库是 Python 语言中一个非常重要的科学计算库，提供了大量的数学函数和数据结构，用于数据分析、科学计算和机器学习等领域。本文将详细介绍 Python Numpy 库的使用方法和相关知识点...
python numpy实现rolling滚动案例
09-16
### Python NumPy 实现 Rolling 滚动案例详解 #### 一、背景介绍 在数据分析领域，特别是处理时间序列数据时，经常会遇到需要基于固定长度的窗口进行滚动计算的需求，例如计算移动平均值（Moving Average）。尽管 ...
python numpy数组复制使用实例解析
09-18
在Python的科学计算库NumPy中，数组操作是核心功能之一。数组复制是常见的操作，但如果不理解其背后的机制，可能会导致意外的结果。本篇文章将深入解析Python NumPy中的数组复制，包括“不是复制”、“查看或浅复制...
原生js:使用map处理getElementsByTagName返回值,并且操作dom时使“感叹号important“生效
qq_35306736的博客
09-27 1074
为什么document.getElementsByTagName返回的值无法使用数组方法map，因为 getElementsByTagName返回的是一个类数组对象NodeList 类js数组无法直接使用数组的方法map，需要通过Array.from转换成js数组。 【不知出于何种原因】无法直接Array.from(document.getElementsByTagName('img')); 需要拆分下拉写。 例子： let a = document.getElementsByT...
【Python】生成全0矩阵的方法
热门推荐
张欣的博客
11-25 5万+
1. 使用numpy生成0矩阵 (1). np.zeros((行数，列数)) import numpy as np ### 生成一个两行，三列的矩阵 np.zeros((2,3)) Out[2]: array([[0., 0., 0.], [0., 0., 0.]]) (2). np.full((行数，列数), 填充的数值)。这种方法相对于第一种方法更加的通用，可以指定填...
python学习笔记（13）——numpy创建数组的几种方式
Ama_tor的博客
02-06 2115
练习代码： import numpy as np b=np.array([1,2,3,4]) print(b)#列表的展现形式 print(type(b))#b的类型为数组 print(b[1])#数组索引 print(b[0:2])#数组的切片 a=b*2#数组的数学运算 print(a) c=np.array([[1,2],[3,4],[5,6]])#方式一创建二维数组 print(c) e=np.arange(5)#方式二创建一维数组 f=np.arange(5,10) g=np.arange(5
利用python进行数据分析学习笔记1(NumPy)
jianwulongquan的博客
06-24 1336
常用模块的命名惯例import numpy as npimport matplotlib.pyplot as pltimport pandas as pdimport seaborn as snsimport statsmodels as smnumpy基础NumPy的ndarray是一种多维数组对象，创建一个ndarray实例import numpy as np data = np.random...
numpy学习
liluogeng666的博客
06-30 924
numpy的属性 创建 基础运算 索引 合并 分割
python Numpy学习笔记
weixin_43960044的博客
04-20 1401
numpty numpty.array 基础 # numpy引入 import numpy # 查看版本 numpy.__version__ '1.18.5' python List特点 1,比较灵活同时效率也会低：不对类型做限制，list中可以是数字、字符串、Boolean类型 L = [i for i in range(10)] L [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] L[5] = "字符串" L[6] = bool(False) L[7] = bool(True)
python-NumPy基础
墨竹
02-15 610
# -*-coding:utf-8-*-# ---------------- # Numpy：科学计算，主要是矩阵运算 # ----------------# THE BASICSimport numpy as np''' Numpy的数组称为ndarry，也可以使用array来表示 函数说明： ndarray.ndim:矩阵的维数 ndarray.shape:矩阵的行
Numpy学习笔记（一）基本操作&array的创建
qq_40680007的博客
01-26 540
文章目录前言一、基本操作1.引入库2.array创建数组3.获取array相关信息（维数，形状，元素数）二、array的创建1.引入库2.dtype设置数组的数据类型3.zeros创建全零数组4.ones创建全1数组5.empty创建全空数组6.arange创建连续数组7.reshape改变数组形状8.linespace创建连续数组 前言 　　这同样是我根据b站大佬莫烦的numpy库学习视频而整理的笔记，有时间可以前去观看 https://www.bilibili.com/video/BV1Ex41..
python第二周
走出那座山
10-26 511
** Python第二周课内作业 ** 一. 简答题（共3题，100分） (简答题) 输入10个学生的成绩，并完成以下统计计算： （1） 求最小值 （2） 求最大值 （3） 求平均分 (简答题)构造一个3*4的矩阵，实现该矩阵的转置 (简答题)有一组商品价格列表，利用列表生成式生成一个打95折的价格列表。 (简答题) 输入10个学生的成绩，并完成以下统计计算： （1） 求最小值 （2） 求最大值 （3） 求平均分 # -*- coding:utf-8 -*- # @Tim
Python Numpy库入门教程：向量与矩阵运算示例
Numpy是Python编程中一个极其重要的科学计算库，它为高效地进行向量和矩阵操作提供了强大的工具。对于初学者而言，理解和掌握Numpy是提升数据分析和数值计算能力的关键。Numpy的设计初衷是为了弥补Python标准库在...
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