十分钟入门NumPy代码版整理

最新推荐文章于 2024-09-05 22:29:33 发布

郑建宇Jy

最新推荐文章于 2024-09-05 22:29:33 发布

阅读量480

点赞数 2

文章标签： python 开发语言后端

本文链接：https://blog.csdn.net/jyjy0608/article/details/121160299

版权

本文介绍了NumPy库的基本使用，包括创建数组、数组运算、数学函数应用以及广播机制。NumPy因其底层由C语言实现，提供向量化操作，从而显著提升Python的计算速度。文中通过实例展示了数组的加减乘除、矩阵乘法、统计函数如求和、平均值、中位数等，以及如何进行数据类型的转换。此外，还提及了不同尺寸数组间的运算和轴向聚合操作。

摘要由CSDN通过智能技术生成

来自B站up奇乐编程学院的视频，用作个人学习笔记，视频链接在文章最后

写在前面

NumPy可以表示一维数组，二维矩阵和更高维的数据，可以对数组中的数据进行非常高效的运算，可以用作数据统计、图像处理、线性代数、傅里叶变换等。Python很慢，NumPy快是因为底层是C语言实现的目标代码，对于要运算的数据，要预先表示成NumPy数组的形式，即向量化，
要想更快的话，可以用GPU对数据进行并行运算。

1.基本命令

>>>import numpy as np                     #导入numpy库，并起个别名为np

>>>np. array ([1,2,3,4,5])                #创建一个数组
array([1,2,3,4,5])
    
>>>np.zeros((3,2))                        #创建3行2列全为0的数组
array([[0.,0.],                
	   [0.,0.],
	   [0.,0.]])

>>>a.shape#获取数组的尺寸
(3,2)

>>>np.ones((2,4))                         #创建2行4列全为1的数组
array([[1.,1.,1.,1.],
	   [1.,1.,1.,1.]])
	   
>>>>>>np.arange(3, 7)	                  #创建递增递减的数组，3到6
array([3,4,5,6])

>>>np.linspace(0,1,5)	                  #0到1，等间距输出5个数的数组
array([0.,0.25,0.5,0.75,1.])

>>>np.random.rand(2,4)	                  #生成2行4列随机数组
array([[0.14057429，0.62834719，0.32584384，0.65987532],
	   [0.87983105，0.20645261，0.35017101，0.11197953]])

>>>a.dtype	                              #numpy中数组默认数据类型是64位浮点数
dtype('float64')    

>>>a = np.zeros((4,2), dtype=np.int32)    #可以在创建数组时指定数组里数据的类型
#np.int8/16/32/64		整型
#np.uint8/16/32/64		无符号整型
#np.float32/64			浮点数	
#bool					布尔值
#str					字符串      ......

>>>b = a.astype(int)	                  #将现有的数组转化为别的数据类型

2.数组基本运算

>>>a = np.array([1,2,3])   		
>>>b = np.array([4,5,6])
>>>a + b					
array([5,7,9])
>>>a / b
array([0.25,0.4,0.5])		                #同尺寸数组的四则运算，同位置进行加减乘除
>>>np.dot(a,b)				                #dot点乘运算，两个向量做内积
32    


>>>a = np.array([[1,2],[3,4]])
>>>b = np.array([[2,0],[0,2]])
>>>a @ b
array([[2,4],[6,8]])		           	#a @ b表示a与b做矩阵乘法，而不是简单的各位置元素相乘


>>>a = np.array([1,2,3])
>>>np.sqrt(a)
array([1.,1.41421356,1.73205081])	        #对数组中每个数据做平方根
>>>np.sin(a)
array([0.84147098,0.90929743,0.14112001])	#sin三角函数运算
>>>np.cos(a)
array([0.54030231,-0.41614684,-0.9899925])	#cos三角函数运算
>>>np.log(a)
array([0.,0.69314718,1.09861229])			#log对数运算
>>>np.power(a,2)
array([1,4,9],dtype=int32)					#指数运算
>>>a * 5
array([5,10,15])							#数乘矩阵运算
>>>a.min									
1											#最小值
>>>a.max										
3											#最大值
>>>a.argmin()
0											#最小值索引
>>>a.argmax()
2											#最大值索引
>>>a.sum()
6											#求和
>>>a.mean()
2.0											#计算平均值
>>>np.median(a)
2.0											#找出中位数
>>>a.var()									#方差
>>>a.std()    								#标准差



>>>a = np.array([[1],
				 [10],
				 [20]])
>>>b=np.array([0,1,2])
>>>a + b
array([1 , 2, 3],
	  [10,11,12],
	  [20,21,22]])							#不同尺寸的数组也可以做运算，广播



>>>a=np.array([[1,2,3，4,5],
			   [5,6,7,8,9]])
>>> a.sum(axis=0)
array([6,8,10,12,14]) 						#参数axis=0时，表示行向量相加
>>>a.sum(axis=1)
array([15,35])								#参数axis=1时，表示列向量相加，以此类推，可推广至n维

>>>a[0,1]	                                #返回第1行第2列的元素的值
>>>a[a<3]	                                #返回一个数组，里面是所有a<3的元素
>>>a[(a>3)&(a%2 == 0)]	
#表示返回一个数组，里面包含所有a>3并且是偶数的数，此处使用逻辑运算符，与（&），或（|）
>>>a[0,0:2]                                	#返回第1行，1到2列的数组
>>>a[0,:]	                                #返回第1行，所有列的数组，下面的写法也可以
>>>a[0]
>>>a[0:9:2]	                                #2表示stride跨度，可以去负值，