NumPy入门知识点

先看一个numpy的例子

import numpy as np
def npsum():
    a = np.array([0,1,2,3,4])
    b = np.array([9,8,7,6,5])
    
    c= a**2+b**3
    return c
print(npsum())

[729 513 347 225 141]

由于是在jupyter notebook中写好的笔记然后再上传到本博客上，所以代码都是按照输入与输出的顺序来的，都是可以运行出来的，如果又不懂的地方，欢迎提问

N维数组对象nadarray

nadarray 是一个多维数组对象，由实际的数据和描述这些数据的元数据（数据维度，数据类型）组成，一般要求所有的数据元素的类型是相同的，数组下标从0开始

a = np.array([[0,1,2,3,4],[5,6,7,8,9]])

a

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

np.array()输出成[]的形式，元素由空格分割，
轴（axis）是保存数据的维度，秩（rank）是轴的数量

nadarray 对象的属性

.ndim 秩，
.shape ndarray对象的尺度，对于矩阵而言，n行m列
.size ndarray对象元素的个数
.dtype dnarray对象中的元素的个数
.itemsize dnarrray中对象的每个元素的大小，以字节为单位

a.ndim,a.shape,a.size,a.dtype,a.itemsize#输出

(2, (2, 5), 10, dtype('int32'), 4)

ndarray 数组的创建方法

1. 可以从列表，元组，或者列表和元组混合类型创建

x = np.array([0,1,2,3])#使用列表创建
x

array([0, 1, 2, 3])

x = np.array((1,2,3))#用元组创建
x

array([1, 2, 3])

x = np.array([ [1,2],[6,5],(0.4,5)])
x

array([[1. , 2. ],
       [6. , 5. ],
       [0.4, 5. ]])

2.使用NumPy中的函数创建ndarray数组，如：arange,ones,zeros,等

• np.arange(n) 类似range（）函数，返回ndarray类型
  np.ones(shape) 根据shape生成一个全是1的数组，shape是元组类型
  np.zeros(shape) 生成全是0的数组，
  np.full(shape,val) 根据shape生成一个数组，每个元素值是val
  np.eye(n) 创建一个正方的n*n的单位矩阵，对角线为1，其余为0
  np.ones_like(a) 根据数组a的形状生成一个全1数组
  np.zeros_like(a) 根据数组a的形状生成一个全0数组
  np.full_like(a,val) 根据数组a的形状生成一个数组，元素的值都是val
  np.linspace() 根据起止数据等间距的填充数据，形成数组
  np.concatenate() 将两个或多个数组合并成一个新的数组

np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.ones((2,3))#生成的元素为浮点类型

array([[1., 1., 1.],
       [1., 1., 1.]])

np.ones((2,3),dtype = np.int32)

array([[1, 1, 1],
       [1, 1, 1]])

a = np.linspace(1,10,4)
b = np.linspace (1,10,4,endpoint=False)#参数endpoint表示是否包括最后一个元素
a,b

(array([ 1.,  4.,  7., 10.]), array([1.  , 3.25, 5.5 , 7.75]))

c = np.concatenate((a,b))
c

array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

ndarray 数组的维度变换

.reshape() 不改变数组的元素，返回一个shape形状的数组，原数组不变
.resize() 与.shape()功能一致，但是修改原数组
.swapaxes(ax1,ax2) 将数组n个维度中的两个维度进行调换
.flatten() 将数组进行降维，返回折叠后的一维数组，原数组不变

a = np.ones((2,3,4),dtype = np.int32)
a.reshape((3,8))

array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

a

array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

a.flatten()

array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1])

ndarray 数组的类型变换

.satype(new_type)

a = np.ones((2,3,4),dtype=np.int)
a

array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

b = a.astype(np.float)
b

array([[[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]],

       [[1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.]]])

ndarray 数组变换成列表

.tolist()

b.tolist()

[[[1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0]],
 [[1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0]]]

ndarray 数组的操作

1. 数组的索引和切片，与python类似

a = np.array([9,8,7,6,5])#一维数组的索引和切片
a[2]

7

a[1:4:2]

array([8, 6])

a = np.arange(24).reshape(2,3,4)
a

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

a[1,2,3]

23

a[:,1,-3]

array([ 5, 17])

a[:,0:2,0:2]

array([[[ 0,  1],
        [ 4,  5]],

       [[12, 13],
        [16, 17]]])

b = np.arange(24).reshape(3,8)
b

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

b[:,0:2]

array([[ 0,  1],
       [ 8,  9],
       [16, 17]])

b[0:2]

array([[ 0,  1,  2,  3,  4,  5,  6,  7],
       [ 8,  9, 10, 11, 12, 13, 14, 15]])

ndarray 数组的运算

• 数组与标量的运算作用与数组的每一个元素

• np.abs(x)/np.fabds(x) 计算数组个元素的绝对值
• np.sqrts(x) 计算数组的个元素平方根
• np.square(x) 计算数组的各元素的平方
• np.log(x),np.log10(x),np.log2(s) 计算数组的自然数，10为底，2为底的对数
• np.ceil(x),np.floor(x) 计算数组各元素的ceiling值或floor值
• np.rint(x) 计算数组各元素的四舍五入值
• np.nodf(x) 数组各元素的小数和整数部分以两个独立数组返回
• np.exp(x) 计算各元素的指数值

a = np.arange(24).reshape((2,3,4))
a

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

a.mean()#a中所有值得平均值

11.5

a = a/a.mean()
a

array([[[0.        , 0.08695652, 0.17391304, 0.26086957],
        [0.34782609, 0.43478261, 0.52173913, 0.60869565],
        [0.69565217, 0.7826087 , 0.86956522, 0.95652174]],

       [[1.04347826, 1.13043478, 1.2173913 , 1.30434783],
        [1.39130435, 1.47826087, 1.56521739, 1.65217391],
        [1.73913043, 1.82608696, 1.91304348, 2.        ]]])

b = np.arange(24).reshape((2,3,4))#使用函后数后是又产生了一个数组,原数组不变
np.square(b)

array([[[  0,   1,   4,   9],
        [ 16,  25,  36,  49],
        [ 64,  81, 100, 121]],

       [[144, 169, 196, 225],
        [256, 289, 324, 361],
        [400, 441, 484, 529]]], dtype=int32)

a = np.sqrt(a)
a

array([[[0.        , 0.29488391, 0.41702883, 0.51075392],
        [0.58976782, 0.65938047, 0.72231512, 0.7801895 ],
        [0.83405766, 0.88465174, 0.93250481, 0.97801929]],

       [[1.02150784, 1.06321907, 1.10335457, 1.14208048],
        [1.17953565, 1.21583752, 1.25108648, 1.28536917],
        [1.31876095, 1.35132785, 1.38312815, 1.41421356]]])

np.modf(a)

(array([[[0.        , 0.29488391, 0.41702883, 0.51075392],
         [0.58976782, 0.65938047, 0.72231512, 0.7801895 ],
         [0.83405766, 0.88465174, 0.93250481, 0.97801929]],
 
        [[0.02150784, 0.06321907, 0.10335457, 0.14208048],
         [0.17953565, 0.21583752, 0.25108648, 0.28536917],
         [0.31876095, 0.35132785, 0.38312815, 0.41421356]]]),
 array([[[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]],
 
        [[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]]]))