numpy中的ndarray方法和属性

[2, 8, 5],
[3, 7, 4]])
>>> print x.flags  #返回数组内部的信息
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
>>> x.flat[2:6]   #将数组变为1维数组,并获取其中的一部分数据
array([3, 9, 8, 7])
>>> x.flat = 4; x   #将值赋给1维数组,再转化成有原有数组的大小形式
array([[4, 4, 4],
[4, 4, 4],
[4, 4, 4]])
>>> x
array([[4, 4, 4],
[4, 4, 4],
[4, 4, 4]])

ndarray.imag # 为复变函数中含有虚部的数组,如下:

>>> x = np.sqrt([2+3j, 5+0j])   # 创建一个复数
>>> x
array([ 1.67414923+0.89597748j,  2.23606798+0.j        ])
>>> x.imag  #获得复数的虚部
array([ 0.89597748,  0.        ])
>>> x.real   #获得复数的实部
array([ 1.67414923,  2.23606798])
>>> x=np.arange(10)  #随机生成一个数组,并重新命名一个空间的数组
>>> x.reshape(2,5)
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> x.size   #获得数组中元素的个数
10
>>> x.ndim  #获得数组的维数
>>> x.shape  #获得数组的(行数,列数)
(10,)
>>> y=x.reshape(5,2)
>>> y
array([[0, 1],
[2, 3],
[4, 5],
[6, 7],
[8, 9]])
>>> y.base   #获得该数组基于另外一个对象数组而来,如下,y是根据x而来
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Ndarray对象的方法


ndarray.ptp(axis=None, out=None) : 返回数组的最大值—最小值或者某轴的最大值—最小值
ndarray.clip(a_min, a_max, out=None) : 小于最小值的元素赋值为最小值,大于最大值的元素变为最大值。
ndarray.all():如果所有元素都为真,那么返回真;否则返回假
ndarray.any():只要有一个元素为真则返回真
ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素,如下
>>> z.swapaxes(0,1)
array([[2, 4, 6, 8],
[3, 5, 7, 9]])
  •  下面为改变数组维度和大小的方法:
ndarray.reshape(shape[, order]) :返回重命名数组大小后的数组,不改变元素个数.
ndarray.resize(new_shape[, refcheck]) :改变数组的大小(可以改变数组中元素个数).
ndarray.transpose(*axes) :返回矩阵的转置矩阵
ndarray.swapaxes(axis1, axis2) : 交换两个轴的元素后的矩阵.
ndarray.flatten([order]) : 复制一个一维的array出来.
ndarray.ravel([order]) :返回为展平后的一维数组.
ndarray.squeeze([axis]) :移除长度为1的轴。
ndarray.tolist():将数组转化为列表
ndarray.take(indices, axis=None, out=None, mode=’raise’):获得数组的指定索引的数据,如:
>>> a=np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
>>> a.take([1,3],axis=1) #提取1,3列的数据
array([[ 1,  3],
[ 5,  7],
[ 9, 11]])

numpy.put(a, ind, v, mode=’raise’):用v的值替换数组a中的ind(索引)的值。Mode可以为raise/wrap/clip。Clip:如果给定的ind超过了数组的大小,那么替换最后一个元素。

numpy.repeat(a, repeats, axis=None):重复数组的元素,如:

>>> x = np.array([[1,2],[3,4]])
>>> np.repeat(x, 2)
array([1, 1, 2, 2, 3, 3, 4, 4])
>>> np.repeat(x, 3, axis=1)
array([[1, 1, 1, 2, 2, 2],
[3, 3, 3, 4, 4, 4]])
>>> np.repeat(x, [1, 2], axis=0)
array([[1, 2],
[3, 4],
[3, 4]])
numpy.tile(A, reps):根据给定的reps重复数组A,和repeat不同,repeat是重复元素,该方法是重复数组。
ndarray.var(axis=None, dtype=None, out=None, ddof=0):返回数组的方差,沿指定的轴。
ndarray.std(axis=None, dtype=None, out=None, ddof=0):沿给定的轴返回数则的标准差
ndarray.prod(axis=None, dtype=None, out=None):返回指定轴的所有元素乘机
ndarray.cumprod(axis=None, dtype=None, out=None):返回指定轴的累积,如下:
>>> a
array([[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
>>> a.cumprod(axis=1)  #得到竖轴的累积
array([[   0,    0,    0,    0],
[   4,   20,  120,  840],
[   8,   72,  720, 7920]])
ndarray.mean(axis=None, dtype=None, out=None):返回指定轴的数组元素均值
ndarray.cumsum(axis=None, dtype=None, out=None):返回指定轴的元素累计和。如:
>>> a
array([[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
>>> a.cumsum(axis=1)
array([[ 0,  1,  3,  6],
[ 4,  9, 15, 22],
[ 8, 17, 27, 38]])
ndarray.sum(axis=None, dtype=None, out=None):返回指定轴所有元素的和
ndarray.trace(offset=0, axis1=0, axis2=1, dtype=None, out=None):返回沿对角线的数组元素之和
ndarray.round(decimals=0, out=None):将数组中的元素按指定的精度进行四舍五入,如下:
>>> np.around([0.37, 1.64])
array([ 0., 2.])
>>> np.around([0.37, 1.64], decimals=1)
array([ 0.4, 1.6])
>>> np.around([.5, 1.5, 2.5, 3.5, 4.5]) # rounds to nearest even value
array([ 0., 2., 2., 4., 4.])
>>> np.around([1,2,3,11], decimals=1) # ndarray of ints is returned
array([ 1, 2, 3, 11])
>>> np.around([1,2,3,11], decimals=-1)
array([ 0, 0, 0, 10])

ndarray.conj():返回所有复数元素的共轭复数,如:

>>> b=np.array([[1+2j,3+0j],[3+4j,7+5j]])
>>> b
array([[ 1.+2.j,  3.+0.j],
[ 3.+4.j,  7.+5.j]])
>>> b.conj()
array([[ 1.-2.j,  3.-0.j],
[ 3.-4.j,  7.-5.j]])
ndarray.argmin(axis=None, out=None):返回指定轴最小元素的索引。
ndarray.min(axis=None, out=None):返回指定轴的最小值
ndarray.argmax(axis=None, out=None):返回指定轴的最大元素索引值
ndarray.diagonal(offset=0, axis1=0, axis2=1):返回对角线的所有元素。
ndarray.compress(condition, axis=None, out=None):返回指定轴上条件下的切片。
ndarray.nonzero():返回非零元素的索引
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NumPy最基本的数据类型是`ndarray`,即N维数组,它除了可以存储多维数组外,还提供了丰富的属性方法,方便对数组进行各种操作。下面列举了`ndarray`的常用属性方法: **属性:** 1. `ndarray.shape`:表示数组的形状(即每个维度的大小),返回一个元组。 2. `ndarray.ndim`:表示数组的维度数。 3. `ndarray.size`:表示数组元素的总个数。 4. `ndarray.dtype`:表示数组元素的数据类型。 5. `ndarray.itemsize`:表示数组每个元素的字节大小。 6. `ndarray.data`:包含实际数组元素的缓冲区。 **方法:** 1. 数组创建 - `np.array()`:从列表、元组等序列对象创建数组。 - `np.zeros()`:创建全零数组。 - `np.ones()`:创建全一数组。 - `np.empty()`:创建空数组。 - `np.arange()`:创建一维数组,类似于Python的range函数。 - `np.linspace()`:创建指定范围内的等间隔一维数组。 - `np.eye()`:创建单位矩阵或者说对角线上元素为1的矩阵。 2. 数组操作 - 索引和切片:与Python的列表类似,可以使用索引和切片来访问数组元素。 - 数组形状变换:`reshape()`、`resize()`、`transpose()`、`flatten()`等方法可以改变数组的形状。 - 数组连接:`concatenate()`、`stack()`、`hstack()`、`vstack()`等方法可以实现数组的连接操作。 - 数组拆分:`split()`、`hsplit()`、`vsplit()`等方法可以实现数组的拆分操作。 3. 数组计算 - 数组运算:支持加、减、乘、除、幂运算等基本算术运算。 - 通用函数:支持绝对值、三角函数、指数和对数函数等各种通用函数。 - 统计函数:支持计算数组的平均值、标准差、方差、最大值、最小值等统计函数。 4. 数组排序 - `sort()`、`argsort()`、`lexsort()`、`partition()`等方法可以实现数组的排序操作。 5. 数组文件读写 - `save()`、`savez()`、`load()`等函数可以实现NumPy数组的文件读写操作。 以上是`ndarray`的常用属性方法,掌握这些属性方法可以方便地对数组进行各种操作,实现各种数学和科学计算任务。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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