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
- 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
- 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.]]]))