Python科学计算基础模块Numpy及其应用

最新推荐文章于 2022-12-05 13:54:25 发布
置顶 最新推荐文章于 2022-12-05 13:54:25 发布
阅读量919 收藏 3
点赞数
分类专栏： Python 编程
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/leemboy/article/details/83859761
版权

  • Numpy（Numeric Python）是应用Python进行科学计算时的基础模块。它是一个提供多维数组对象的Python库，除此之外，还包含了多种衍生的对象（比如掩码式数组(masked arrays)或矩阵）以及一系列的为快速计算数组而生的例程，包括数学运算，逻辑运算，形状操作，排序，选择，I/O，离散傅里叶变换，基本线性代数，基本统计运算，随机模拟等等。

  • Numpy库中最核心的部分是ndarray 对象。它封装了同构数据类型的n维数组，它的功能将通过演示代码的形式呈现。 NumPy数组和标准Python序列之间有几个重要区别：

（1）Numpy数组在创建时就会有一个固定的尺寸，这一点和Python中的list数据类型（可以动态生长）是不同的。当Numpy数组的尺寸发生改变时其实会删除之前的而创建一个新的数组。

（2）在一个Numpy数组中的所有元素数组类型要一致，并在内存中占有相同的大小。这里有一点例外：可以在Python的数组中包含Numpy的对象，这样的话就可以实现不同类型的元素。

（3）在数据量巨大时，使用Numpy进行高级数据运算和其他类型的操作是更为方便的。 通常情况下，这样的操作比使用Python的内置序列更有效，执行代码更少。

（4）越来越多的用于数学和科学计算Python库使用了Numpy，虽然这些第三方库也留了Python内置序列的输入接口，但是实际上在处理这些输入前还是要转成Numpy数组，平切这些库的输出一般是Numpy数组。换句话说，为了更好的使用当今大多数（甚至是绝大多数）用于数学/科学的Python库，仅仅知道Python本身是远远不够的。

在科学计算中序列的大小和速度是尤其重要的点。举个简单的例子：如果要将一个一维的序列a中的每一个数与另一个序列b（长度与a相同）。数据存放在python的list结构中，通过遍历列表可以得到：

NumPy 是 MatLab 的替代之一：

NumPy - Ndarray 对象

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。

ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。

从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。

Ndarray

Ndarray

ndarray类的实例可以通过本教程后面描述的不同的数组创建例程来构造。 基本的ndarray是使用 NumPy 中的数组函数创建的，如下所示：

numpy.array

它从任何暴露数组接口的对象，或从返回数组的任何方法创建一个ndarray。

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

上面的构造器接受以下参数：

序号 参数及描述
1. object 任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。
2. dtype 数组的所需数据类型，可选。
3. copy 可选，默认为true，对象是否被复制。
4. order C（按行）、F（按列）或A（任意，默认）。
5. subok 默认情况下，返回的数组被强制为基类数组。 如果为true，则返回子类。
6. ndimin 指定返回数组的最小维数。

看看下面的例子来更好地理解。

示例 1

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

输出如下：

[1, 2, 3]

示例 2

# 多于一个维度  
import numpy as np 
a = np.array([[1,  2],  [3,  4]])  
print a

输出如下：

[[1, 2] 
 [3, 4]]

示例 3

# 最小维度  
import numpy as np 
a = np.array([1,  2,  3,4,5], ndmin =  2)  
print a

输出如下：

[[1, 2, 3, 4, 5]]

示例 4

# dtype 参数  
import numpy as np 
a = np.array([1,  2,  3], dtype = complex)  
print a

输出如下：

[ 1.+0.j,  2.+0.j,  3.+0.j]

**ndarray ** 对象由计算机内存中的一维连续区域组成，带有将每个元素映射到内存块中某个位置的索引方案。 内存块以按行（C 风格）或按列（FORTRAN 或 MatLab 风格）的方式保存元素。

NumPy - 数据类型

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

序号 数据类型及描述
1. bool_ 存储为一个字节的布尔值（真或假）
2. int_ 默认整数，相当于 C 的long，通常为int32或int64
3. intc 相当于 C 的int，通常为int32或int64
4. intp 用于索引的整数，相当于 C 的size_t，通常为int32或int64
5. int8 字节（-128 ~ 127）
6. int16 16 位整数（-32768 ~ 32767）
7. int32 32 位整数（-2147483648 ~ 2147483647）
8. int64 64 位整数（-9223372036854775808 ~ 9223372036854775807）
9. uint8 8 位无符号整数（0 ~ 255）
10. uint16 16 位无符号整数（0 ~ 65535）
11. uint32 32 位无符号整数（0 ~ 4294967295）
12. uint64 64 位无符号整数（0 ~ 18446744073709551615）
13. float_ float64的简写
14. float16 半精度浮点：符号位，5 位指数，10 位尾数
15. float32 单精度浮点：符号位，8 位指数，23 位尾数
16. float64 双精度浮点：符号位，11 位指数，52 位尾数
17. complex_ complex128的简写
18. complex64 复数，由两个 32 位浮点表示（实部和虚部）
19. complex128 复数，由两个 64 位浮点表示（实部和虚部）

NumPy 数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。

数据类型对象 (dtype)

数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：

  • 数据类型（整数、浮点或者 Python 对象）

  • 数据大小

  • 字节序（小端或大端）

  • 在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。

  • 如果数据类型是子序列，它的形状和数据类型。

字节顺序取决于数据类型的前缀<或>。 <意味着编码是小端（最小有效字节存储在最小地址中）。 >意味着编码是大端（最大有效字节存储在最小地址中）。

dtype可由一下语法构造：

numpy.dtype(object, align, copy)

参数为：

  • Object：被转换为数据类型的对象。

  • Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。

  • Copy ? 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。

示例 1

# 使用数组标量类型  
import numpy as np 
dt = np.dtype(np.int32)  
print dt

输出如下：

int32

示例 2

#int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，以及其他。  
import numpy as np 

dt = np.dtype('i4')  
print dt

输出如下：

int32

示例 3

# 使用端记号  
import numpy as np 
dt = np.dtype('>i4')  
print dt

输出如下：

>i4

下面的例子展示了结构化数据类型的使用。 这里声明了字段名称和相应的标量数据类型。

示例 4

# 首先创建结构化数据类型。  
import numpy as np 
dt = np.dtype([('age',np.int8)])  
print dt

输出如下：

[('age', 'i1')]

示例 5

# 现在将其应用于 ndarray 对象  
import numpy as np 

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print a

输出如下：

[(10,) (20,) (30,)]

示例 6

# 文件名称可用于访问 age 列的内容  
import numpy as np 

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print a['age']

输出如下：

[10 20 30]

示例 7

以下示例定义名为 student 的结构化数据类型，其中包含字符串字段name，整数字段age和浮点字段marks。 此dtype应用于ndarray对象。

import numpy as np 
student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')])  
print student

输出如下：

[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])

示例 8

import numpy as np 

student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')]) 
a = np.array([('abc',  21,  50),('xyz',  18,  75)], dtype = student)  
print a

输出如下：

[('abc', 21, 50.0), ('xyz', 18, 75.0)]

每个内建类型都有一个唯一定义它的字符代码：

  • 'b'：布尔值

  • 'i'：符号整数

  • 'u'：无符号整数

  • 'f'：浮点

  • 'c'：复数浮点

  • 'm'：时间间隔

  • 'M'：日期时间

  • 'O'：Python 对象

  • 'S', 'a'：字节串

  • 'U'：Unicode

  • 'V'：原始数据（void）

NumPy - 数组属性

这一章中，我们会讨论 NumPy 的多种数组属性。

ndarray.shape

这一数组属性返回一个包含数组维度的元组，它也可以用于调整数组大小。

示例 1

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

输出如下：

(2, 3)

示例 2

# 这会调整数组大小  
import numpy as np 

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

输出如下：

[[1, 2] 
 [3, 4] 
 [5, 6]]

示例 3

NumPy 也提供了reshape函数来调整数组大小。

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

输出如下：

[[1, 2] 
 [3, 4] 
 [5, 6]]

ndarray.ndim

这一数组属性返回数组的维数。

示例 1

# 等间隔数字的数组  
import numpy as np 
a = np.arange(24)  print a

输出如下：

[0 1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16 17 18 19 20 21 22 23]

示例 2

# 一维数组  
import numpy as np 
a = np.arange(24) a.ndim 
# 现在调整其大小
b = a.reshape(2,4,3)  
print b 
# b 现在拥有三个维度

输出如下：

[[[ 0,  1,  2] 
  [ 3,  4,  5] 
  [ 6,  7,  8] 
  [ 9, 10, 11]]  
  [[12, 13, 14] 
   [15, 16, 17]
   [18, 19, 20] 
   [21, 22, 23]]]

numpy.itemsize

这一数组属性返回数组中每个元素的字节单位长度。

示例 1

# 数组的 dtype 为 int8（一个字节）  
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.int8)  
print x.itemsize

输出如下：

1

示例 2

# 数组的 dtype 现在为 float32（四个字节）  
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.float32)  
print x.itemsize

输出如下：

4

numpy.flags

ndarray对象拥有以下属性。这个函数返回了它们的当前值。

序号 属性及描述
1. C_CONTIGUOUS (C) 数组位于单一的、C 风格的连续区段内
2. F_CONTIGUOUS (F) 数组位于单一的、Fortran 风格的连续区段内
3. OWNDATA (O) 数组的内存从其它对象处借用
4. WRITEABLE (W) 数据区域可写入。 将它设置为flase会锁定数据，使其只读
5. ALIGNED (A) 数据和任何元素会为硬件适当对齐
6. UPDATEIFCOPY (U) 这个数组是另一数组的副本。当这个数组释放时，源数组会由这个数组中的元素更新

示例

下面的例子展示当前的标志。

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

输出如下：

C_CONTIGUOUS : True 
F_CONTIGUOUS : True 
OWNDATA : True 
WRITEABLE : True 
ALIGNED : True 
UPDATEIFCOPY : False

NumPy - 数组创建例程

新的ndarray对象可以通过任何下列数组创建例程或使用低级ndarray构造函数构造。

numpy.empty

它创建指定形状和dtype的未初始化数组。 它使用以下构造函数：

numpy.empty(shape, dtype = float, order = 'C')

构造器接受下列参数：

序号 参数及描述
1. Shape 空数组的形状，整数或整数元组
2. Dtype 所需的输出数组类型，可选
3. Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

示例

下面的代码展示空数组的例子：

import numpy as np 
x = np.empty([3,2], dtype =  int)  
print x

输出如下：

[[22649312    1701344351] 
 [1818321759  1885959276] 
 [16779776    156368896]]

注意：数组元素为随机值，因为它们未初始化。

numpy.zeros

返回特定大小，以 0 填充的新数组。

numpy.zeros(shape, dtype = float, order = 'C')

构造器接受下列参数：

序号 参数及描述
1. Shape 空数组的形状，整数或整数元组
2. Dtype 所需的输出数组类型，可选
3. Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

示例 1

# 含有 5 个 0 的数组，默认类型为 float  
import numpy as np 
x = np.zeros(5)  
print x

输出如下：

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

示例 2

import numpy as np 
x = np.zeros((5,), dtype = np.int)  
print x

输出如下：

[0  0  0  0  0]

示例 3

# 自定义类型 
import numpy as np 
x = np.zeros((2,2), dtype =  [('x',  'i4'),  ('y',  'i4')])  
print x

输出如下：

[[(0,0)(0,0)]
 [(0,0)(0,0)]]

numpy.ones

返回特定大小，以 1 填充的新数组。

numpy.ones(shape, dtype = None, order = 'C')

构造器接受下列参数：

序号 参数及描述
1. Shape 空数组的形状，整数或整数元组
2. Dtype 所需的输出数组类型，可选
3. Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

示例 1

# 含有 5 个 1 的数组，默认类型为 float  
import numpy as np 
x = np.ones(5)  print x

输出如下：

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

示例 2

import numpy as np 
x = np.ones([2,2], dtype =  int)  
print x

输出如下：

[[1  1] 
 [1  1]]

NumPy - 来自现有数据的数组

这一章中，我们会讨论如何从现有数据创建数组。

numpy.asarray

此函数类似于numpy.array，除了它有较少的参数。 这个例程对于将 Python 序列转换为ndarray非常有用。

numpy.asarray(a, dtype = None, order = None)

构造器接受下列参数：

序号 参数及描述
1. a 任意形式的输入参数，比如列表、列表的元组、元组、元组的元组、元组的列表
2. dtype 通常，输入数据的类型会应用到返回的ndarray
3. order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组

下面的例子展示了如何使用asarray函数：

示例 1

# 将列表转换为 ndarray 
import numpy as np 

x =  [1,2,3] 
a = np.asarray(x)  
print a

输出如下：

[1  2  3]

示例 2

# 设置了 dtype  
import numpy as np 

x =  [1,2,3] 
a = np.asarray(x, dtype =  float)  
print a

输出如下：

[ 1.  2.  3.]

示例 3

# 来自元组的 ndarray  
import numpy as np 

x =  (1,2,3) 
a = np.asarray(x)  
print a

输出如下：

[1  2  3]

示例 4

# 来自元组列表的 ndarray
import numpy as np 

x =  [(1,2,3),(4,5)] 
a = np.asarray(x)  
print a

输出如下：

[(1, 2, 3) (4, 5)]

numpy.frombuffer

此函数将缓冲区解释为一维数组。 暴露缓冲区接口的任何对象都用作参数来返回ndarray。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

构造器接受下列参数：

序号 参数及描述
1. buffer 任何暴露缓冲区借口的对象
2. dtype 返回数组的数据类型，默认为float
3. count 需要读取的数据数量，默认为-1，读取所有数据
4. offset 需要读取的起始位置，默认为0

示例

下面的例子展示了frombuffer函数的用法。

import numpy as np 
s =  'Hello World' 
a = np.frombuffer(s, dtype =  'S1')  
print a

输出如下：

['H'  'e'  'l'  'l'  'o'  ' '  'W'  'o'  'r'  'l'  'd']

numpy.fromiter

此函数从任何可迭代对象构建一个ndarray对象，返回一个新的一维数组。

numpy.fromiter(iterable, dtype, count = -1)

构造器接受下列参数：

序号 参数及描述
1. iterable 任何可迭代对象
2. dtype 返回数组的数据类型
3. count 需要读取的数据数量，默认为-1，读取所有数据

以下示例展示了如何使用内置的range()函数返回列表对象。 此列表的迭代器用于形成ndarray对象。

示例 1

# 使用 range 函数创建列表对象  
import numpy as np 
list = range(5)  
print list

输出如下：

[0,  1,  2,  3,  4]

示例 2

# 从列表中获得迭代器  
import numpy as np 
list = range(5) 
it = iter(list)  
# 使用迭代器创建 ndarray 
x = np.fromiter(it, dtype =  float)  
print x

输出如下：

[0.   1.   2.   3.   4.]

NumPy - 来自数值范围的数组

这一章中，我们会学到如何从数值范围创建数组。

numpy.arange

这个函数返回ndarray对象，包含给定范围内的等间隔值。

numpy.arange(start, stop, step, dtype)

构造器接受下列参数：

序号 参数及描述
1. start 范围的起始值，默认为0
2. stop 范围的终止值（不包含）
3. step 两个值的间隔，默认为1
4. dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

下面的例子展示了如何使用该函数：

示例 1

import numpy as np
x = np.arange(5)  
print x

输出如下：

[0  1  2  3  4]

示例 2

import numpy as np
# 设置了 dtype
x = np.arange(5, dtype =  float)  
print x

输出如下：

[0.  1.  2.  3.  4.]

示例 3

# 设置了起始值和终止值参数  
import numpy as np
x = np.arange(10,20,2)  
print x

输出如下：

[10  12  14  16  18]

numpy.linspace

此函数类似于arange()函数。 在此函数中，指定了范围之间的均匀间隔数量，而不是步长。 此函数的用法如下。

numpy.linspace(start, stop, num, endpoint, retstep, dtype)

构造器接受下列参数：

序号 参数及描述
1. start 序列的起始值
2. stop 序列的终止值，如果endpoint为true，该值包含于序列中
3. num 要生成的等间隔样例数量，默认为50
4. endpoint 序列中是否包含stop值，默认为ture
5. retstep 如果为true，返回样例，以及连续数字之间的步长
6. dtype 输出ndarray的数据类型

下面的例子展示了linspace函数的用法。

示例 1

import numpy as np
x = np.linspace(10,20,5)  
print x

输出如下：

[10.   12.5   15.   17.5  20.]

示例 2

# 将 endpoint 设为 false
import numpy as np
x = np.linspace(10,20,  5, endpoint =  False)  
print x

输出如下：

[10.   12.   14.   16.   18.]

示例 3

# 输出 retstep 值  
import numpy as np

x = np.linspace(1,2,5, retstep =  True)  
print x
# 这里的 retstep 为 0.25

输出如下：

(array([ 1.  ,  1.25,  1.5 ,  1.75,  2.  ]), 0.25)

numpy.logspace

此函数返回一个ndarray对象，其中包含在对数刻度上均匀分布的数字。 刻度的开始和结束端点是某个底数的幂，通常为 10。

numpy.logscale(start, stop, num, endpoint, base, dtype)

logspace函数的输出由以下参数决定：

序号 参数及描述
1. start 起始值是base ** start
2. stop 终止值是base ** stop
3. num 范围内的数值数量，默认为50
4. endpoint 如果为true，终止值包含在输出数组当中
5. base 对数空间的底数，默认为10
6. dtype 输出数组的数据类型，如果没有提供，则取决于其它参数

下面的例子展示了logsp

最低0.47元/天 解锁文章
Leemboy
关注
专栏目录
python3数据分析（1）numpy模块的简单介绍
wiz_333的博客
05-02 410
一、numpy是什么？numpy是python用于进行科学计算的基础包，专门用于进行严格的数字处理！二、ndarray是什么？ndarray是一个多维的数组对象，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点！ndarray的一个特点是同构：即其中所有元素类型必须相同！三、ndarray的的创建（1）array()函数使用numpy自带的array()函数直接将python...
python科学计算模块之numpy
dianpixian3426的博客
10-16 114
一、网站：http://www.numpy.org/ 二、常用方法 　　1.创建一个多维数组 　　　　例子：a=np.arange(15).reshape(3, 5) #创建一个3行5列，包含15个元素的二维数组 　　　　打印结果：[[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14]] 　　2.reshape(3,-1...
Python中的numpy模块简述
qq_45652092的博客
01-23 568
简要说明了Python语言的numpy模块的基本用法，概括了一些矩阵的操作，元素操作和利用索引值操作最后介绍了矩阵的合并和分割。
Python 科学计算库：Numpy的应用
平原的博客
06-28 436
1、统计分析应用 文件见附件：data.csv 链接：https://pan.baidu.com/s/191kp22ylN7zimfiy-6UQ9w 密码：z1x4 import numpy as np # 加载收盘价和成交量 close, amount = np.loadtxt('data/data.csv', delimiter=',', usecols=(6, 7), unpack=...
python模块numpy-Python中的numpy模块解析
weixin_39716105的博客
11-11 120
numpy1. 创建对象维度（dimensions）：轴轴的个数：秩（rank）Numpy最重要的一个特点就是其N维数组对象(即ndarray)创建数组最简单的函数就是用array函数：Import numpydata = [[1,2,3],[2,3,4],[4,5,6]]ndarray_object = numpy.array(data)ndarray_object = numpy.ones(...
大数据Python科学计算库-Numpy实战:numpy代码
最新发布
05-02
大数据Python科学计算库-Numpy实战:numpy代码 练习题.ipynb 9-读写.ipynb 8-随机模块.ipynb 7-运算.ipynb 6-数组 生成.ipynb 5-数组形状.ipynb 4-排序.ipynb 3-数值计算. ipynb 2-array结构.ipynb 1-Numpy概述....
NumPy攻略 Python科学计算与数据分析 [（印尼）IvanIdris著；张崇明译]
05-03
这本书面向的是对Python科学计算和数据分析感兴趣的读者，旨在帮助他们深入理解和应用NumPy库。NumPy是Python中的一个核心库，主要用于处理大型多维数组和矩阵，它为Python提供了强大的数值计算能力。 1. **NumPy...
NumPy 数组创建
imxlw00的专栏
03-27 298
从其他Python结构（例如，列表，元组）转换 numpy原生数组的创建（例如，arange、ones、zeros等） array x= np.array(list/tuple) x= np.array(list/tuple, dtype=np.float32) 当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型 empty numpy.empty 方...
科学计算模块numpy
GoldWings
03-31 756
1.numpy是数据科学计算的基础模块，可用来存储和处理大型矩阵 1.1.numpy创建多维数组、通用函数的方法 1.2.数组的索引与变换 1.3.numpy矩阵的创建、通用函数的方法 1.4.numpy读写文件 2.numpy基本操作 2.1.数组 2.1.1.创建一维数组 arr1=np.array([1,2,3,4]) #[1 2 3 4] print(type(arr1)) #&...
NumPy模块使用介绍
wt334502157的博客
12-05 1328
​ NumPy（Numerical Python）是Python的⼀种开源的数值计算扩展。提供多维数组对象，各种派⽣对象（如掩码数组和矩阵），这种⼯具可⽤来存储和处理⼤型矩阵，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，包括数学、逻辑、形状操作、排序、选择、输⼊输出、离散傅⽴叶变换、基本线性代数，基本统计运算和随机模拟等等⼏乎所有从事
数据分析
rikka
09-08 473
数据分析 把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律 数据分析实现流程 提出问题 准备数据 分析数据 获得结论 成果可视化 numpy模块 NumPy(Numerical Python) 是 Python 语言中做科学计算的基础库。重在于数值计算，也是大部分Python科学计算库的基础，多用于在大型、多维数组上执行的数值运算。 创建numpy 使用np.array()创建 # 创建一个一维数组 import numpy as np arr = np.array([1,2
**NumPy -- 用途简单介绍**
weixin_42384374的博客
10-12 5863
标题NumPy – 用途简单介绍 NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。 Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到...
python中numpy模块的作用_Python中Numpy模块的使用
weixin_39820226的博客
01-29 3791
目录NumPyNumPy(Numerical Python) 是 Python 的一个扩展程序库，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。Nupmy可用来存储和处理大型矩阵，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))。据说NumPy将Python相当于变成一种免费的更强大的Mat...
NumPy模块使用
weixin_45639174的博客
11-09 306
NumPy是用Python进行科学计算的基本软件包。它包含以下内容： 一个强大的N维数组对象 复杂的（广播）功能 用于集成C / C ++和Fortran代码的工具 有用的线性代数，傅里叶变换和随机数能力 除了明显的科学用途外，NumPy还可以用作通用数据的高效多维容器。任意的数据类型可以被定义。这使得NumPy能够与各种各样的数据库无缝，快速地整合。 Numpy官网 ： http://www...
科学计算库—NumPy
qq_54423921的博客
08-28 1409
NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。NumPy包的核心是 ndarray 对象。它封装了python原生的同数据类型的 n 维数组，为了保证其性能优良，其中有许多操作都是代码在本地进行编译后执行的。...
numpy模块的一些功能。
WoHongG的博客
09-12 1626
1.np.expand_dims,改变形状 x = np.array([[[1,2,3],[4,5,6]]])这里或者直接写成(1,2,3) w = x.shape （1,2,3） 创建一个三维数组，由1个，2行，3列的二维数组,组成. 几个[] 就是几维。 b = np.expand_dims(a, axis=0) 扩展数组形状：维度 变换为（1,1,2,3） 含义为在1...
Python科学计算入门： NumPy, SciPy, matplotlib 实战指南
"Python科学计算.pdf" ...总而言之，这本《Python科学计算》是Python科学编程领域的重要参考资料，无论是初学者还是经验丰富的开发者，都可以从中获益匪浅，提升在数值计算、数据可视化和科学应用开发方面的能力。
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