python中关于numpy库

这次一定瘦.

已于 2023-12-07 10:06:44 修改

阅读量1.6k

点赞数 25

文章标签： numpy python

于 2023-12-07 00:42:01 首次发布

本文链接：https://blog.csdn.net/l3308487908/article/details/134809541

版权

3.使用random模块的rand（）函数转成矩阵：

概述NumPy

NumPy（Numerical Python的缩写）是 Python 语言的一个第三方库。是一个开源的Python科学计算库和数值计算扩展。NumPy可用来存储和处理大型矩阵，也可以很自然地使用数组和矩阵，比Python自身的嵌套列表（nested list structure）结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能。这个库的前身是1995年就开始开发的一个用于数组运算的库。经过了长时间的发展，基本上成了绝大部分 Python 科学计算的基础包，当然也包括所有提供 Python 接口的深度学习框架。

一.安装NumPy

1.官网安装：http://www.numpy.org/

2.pip 安装（cmd命令提示符内运行）：pip install numpy

3.LFD安装：针对windows用户http://www.lfd.uci.edu/~gohlke/pythonlibs/

4.Anaconda安装（推荐）：Anaconda里面集成了很多关于python科学计算的第三方库，主要是安装方便。下载地址：Free Download | Anaconda

5.PyCharm安装：（1）运行PyCharm,选择File>Settings命令>打开Settings对话框，选择Project Interoreter选项>单击添加模块。

（2）在搜索栏中输入需要添加的模块名称为NumPy，然后选择需要安装的模块，单击Install Package按钮即可安装Numpy。

6.安装验证：输入代码验证

from numpy import*#导入numpy库
print(eye(4))#生成对角矩阵

运行代码，输出结果如下：

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

二.创建数组

numpy是一个用于科学计算的Python库，它提供了一个强大的多维数组对象以及对这些数组进行操作的函数。我们可以使用numpy的array函数来创建数组。

1.使用array函数从Python列表创建一维数组：

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)

2.使用array函数从嵌套的Python列表创建多维数组：

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)

3.使用zeros函数创建指定大小的全零数组：

import numpy as np
arr = np.zeros(5)  # 创建包含5个元素的一维数组
print(arr)
arr = np.zeros((2, 3))  # 创建2行3列的全零二维数组
print(arr)

4.使用ones函数创建指定大小的全一数组：

import numpy as np
arr = np.ones(5)  # 创建包含5个元素的一维数组
print(arr)
arr = np.ones((2, 3))  # 创建2行3列的全一二维数组
print(arr)

5.使用arange函数创建一个具有指定范围和步长的数组：

import numpy as np
arr = np.arange(1, 10, 2)  # 创建从1到9，步长为2的一维数组
print(arr)

6.使用linspace函数创建一个具有指定起始值、结束值和元素数量的数组：

import numpy as np
arr = np.linspace(0,1,5)  # 创建一个在0到1之间分成5个等间距的元素的一维数组
print(arr)

三.数组基本操作

numpy的数据类型比python数据类型增加了更多种类的数值类型。

1.numpy数据类型表：

bool_   布尔型数据类型（存储一个字节的布尔值（True 或者 False））
int_   默认的整数类型（类似于 C 语言中的 long，int32）
intc   与 C 的 int 类型一样，一般是 int32
intp   用于索引的整数类型（类似C的size_t，通常为int32）
int8   字节（-128~127）
int16   16位整数（-32768~32767）
int32   32位整数（-2147483648~2147483647）
int64   64位整数（-9223372036854775808~9223372036854775807）
uint8   8位无符号整数（0~255）
uint16   16位无符号整数（0~65535）
uint32   32位无符号整数（0~4294967295）
uint64   64位无符号整数（0~18446744073709551615）
float_   float64 的简写
float16   半精度浮点数：1个符号位，5个指数位，10个尾数位
float32   单精度浮点数：1个符号位，8个指数位，23个尾数位
float64   双精度浮点数：1个符号位，11个指数位，52个尾数位
complex_   complex128 类型的简写
complex64   复数，表示双 32 位浮点数（实部和虚部）
complex128   复数，表示双 64 位浮点数（实部和虚部）

为了区别python数据类型，像bool、int、float、complex、str等数据类型的名称末尾都加了短下划线“_”。

2.实操演示：

（1）

np.int8(3.141)

结果为：3

（2）

np.float64(8)

结果为：8.0

（3）

np.float(True)

结果为：1.0

（4）

bool(1)

结果为：True

（5）

import numpy as np
a=np.arange(8,dtype=float)
print(a)

结果为：[0.1.2.3.4.5.6.7]

3.注意：

复数不能转换成为整数类型或者浮点数，否则代码报错。

四.NumPy矩阵的基本操作

NumPy库中存在两种不同的数据类型（矩阵matrix和数组array），都可以用于处理行列表示的数字元素，虽然他们看起来很相似，但是在这两个数据类型上执行相同的数学运算可能得到不同的结果，其中Numpy函数库中的matrix与MATLAB中matrices等价。

1.使用mat（）函数创建矩阵：

import numpy as np
a=np.mat('56,78')
b=np.mat([[1,2],[3,4]])
print(a)
print(b)
print(type(a))
print(type(b))
n1=np.array([[1,2],[3,4]])
print(n1)
print(type(n1))

2.创建一个3*3的0（零）矩阵：

import numpy as np
data1=np.mat(np.zeros((3,3)))
print(data1)

3.使用random模块的rand（）函数创建3*3为0~1随机产生的二维数组，将其转成矩阵：

import numpy as np
data1=np.mat(np.random.rand(3,3))
print(data1)

4.说明：

mat（）函数只适用于二维矩阵，维数超过2以后，mat（）函数就不适用了，从这一点来看array（）函数更具通用性。

五.NumPy常用统计分析函数

1.数学运算函数表：

add（）、subtract（）、multiply（）、divide（）简单的数组加、减、乘、除运算

abs（）取数组中各元素的绝对值

sqrt（）计算数组中各元素的平方根

square（）计算数组中各元素的平方

sog（）、log10（）、log2（）计算数组中各元素的自然对数和分别以10、2为底的对数

reciproca（）计算数组中各元素的倒数

power（）第一个数组中的元素作为底数，计算它与第二个数组中相应元素的幂

mod（）计算数组之间相应元素相除后的余数

around（）计算数组中各元素指定小数位数的四舍五入值

ceil（）、floor（）计算数组中各元素向上取整和向下取整

sin（）、cos（）、tan（）三角函数。计算数组中角度的正弦值、余弦值和正切值

modf（）将数组各元素的小数和整数部分分割为两个独立的数组

exp（）计算数组中各元素的指数值

sign（）计算数组中各元素的符号值1(+)，0，-1(-)

maximum（）、fmax（）计算数组元素的最大值

minimum（）、fmin（）计算数组元素的最小值

copysign（a，b）将数组b中各元素的符号赋值给数组a对应的元素

2.实操演示：

（1）求最大最小值：

import numpy as np
arr = np.array([[0,3,1,5],[2,4,6,1],[2,8,9,2]])
#求arr数组的最大值
max1 = np.amax(arr)
#求arr数组垂直方向的最大值
max2 = np.amax(arr,axis=0)
#求arr数组水平方向的最大值
max3 = np.amax(arr,axis=1)
max4 = np.max(arr,axis=1)
print(max1,max2,max3,max4)
#amin函数与nanmin函数的区别
arr = np.arange(5, dtype=float)
print(arr)                         # [0. 1. 2. 3. 4.]
arr[3] = np.nan
a = np.amin(arr)
print(a)                           # 用amin函数输出NaN
b = np.nanmin(arr)
print(b)                           #用nanmin函数输出0.0

（2）相加、相减、相乘、相除：

import numpy as np
n1=np.array([[1,2,3],[4,5,6],[7,8,9]])
n2=np.array([10,10,10])
print('两个数组相加：')
print(np.add(n1,n2))
print('两个数组相减：')
print(np.subtract(n1,n2))
print('两个数组相乘：')
print(np.multiply(n1,n2))
print('两个数组相除：')
print(np.divide(n1,n2))

（3）倒数：

import numpy as np
a=np.array([0.25,1.75,2,100])
print(np.reciprocal(a))

（4）求幂：

import numpy as np
n1=np.array([10,100,1000])
print(np.power(n1,3))
n2=np.array([1,2,3])
print(np.power(n1,n2))

（5）求余：

import numpy as np
n1=np.array([10,20,30])
n2=np.array([4,5,-8])
print(np.mod(n1,n2))

3.知识扩展：

下面重点介绍NumPy负数取余的算法，公式如下： $r=a-n*[a//n]$
其中r为余数，a是被除数，n是除数，“/1”为这运算取商时保留整数的下界，即偏向于较小的整数。根据负数取余的3种情况，举例如下:
r=30-(-8)*(30//(-8))=30-(-8)*(-4)=30-32=-2

r=-30-(-8)*(-30//(-8))=-30-(-8)*(3)=-30-24=-6

r=-30-(8)*(-30//(8))=-30-(8)*(-4)=-30+32=2

六.总结

学习numpy真的会在日常工作中提高工作效率，NumPy 也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，NumPy 就成了程序员必不可少的工具之一。

文章链接：https://blog.csdn.net/l3308487908/article/details/134809541https://blog.csdn.net/l3308487908/article/details/134809541

这次一定瘦.

关注

25
点赞
踩
31

收藏

觉得还不错? 一键收藏
3
评论
python中关于numpy库

学习numpy真的会在日常工作中提高工作效率，NumPy 也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，NumPy 就成了程序员必不可少的工具之一。
复制链接

扫一扫