Python数据分析必备库-NumPy(03) : ndarray的基本操作

于 2024-04-21 07:00:00 发布
阅读量310 收藏 10
点赞数 4
文章标签： numpy python 数据分析
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/qkh1234567/article/details/137917464
版权

强大的多维度数组与矩阵计算库

图片

ndarray的基本操作

1. 索引
一维与列表完全一致, 多维度同理
# 列表
l = [1,2,3,4,5,6]
l[3]
# 输出
#  4

# numpy数组(ndarray类型)
n = np.array(l)
n[3]
# 输出
#  4

# 二维数组
n = np.random.randint(0,10, size=(4,5))
n
# array([[1, 2, 5, 1, 5],
#       [5, 5, 6, 9, 8],
#       [3, 4, 2, 2, 0],
#       [4, 4, 8, 4, 3]])

# 找到3
n[3][4]
n[-1][-1]
# 简写
n[3,4]
n[-1,-1]

# 三维数组
n = np.random.randint(0, 100, size=(4,5,6))

# 3个维度
n[2,2,3]
n[-2,-3,3]
根据索引修改数据
# 定位到指定元素,直接修改
n[2,2,3] = 6666

# 修改一个数组
n[0,0] = [1, 2, 3]


n = np.zeros((6,6), dtype=int)
n
# 输出
# array([[0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0]])

# 修改1行
n[0] = 1
n
# 输出
# array([[1, 1, 1, 1, 1, 1],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0]])

# 修改多行
n[[0,3,-1]] = 2
n
# 输出
# array([[2, 2, 2, 2, 2, 2],
#       [0, 0, 0, 0, 0, 0],
#       [0, 0, 0, 0, 0, 0],
#       [2, 2, 2, 2, 2, 2],
#       [0, 0, 0, 0, 0, 0],
#       [2, 2, 2, 2, 2, 2]])
2. 切片
一维与列表完全一致 多维度同理
# 列表切片
l = [1,2,3,4,5,6]
l[::-1]
# 输出
# [6, 5, 4, 3, 2, 1]

# 一维数组
n = np.arange(10)
n
# 输出
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

n[::2]
# 输出
# array([0, 2, 4, 6, 8])

n[::-1]
# 输出
# array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

# 多维数组
n = np.random.randint(0,100, size=(5,6))
n
# 输出
# array([[94, 45, 60, 71, 70, 88],
#       [43, 16, 39, 70, 14,  4],
#       [59, 12, 84, 38, 96, 88],
#       [80,  9, 72, 95, 69, 91],
#       [44, 84,  5, 47, 92, 31]])

#  行 翻转
n[::-1]

# 列 翻转 (第二个维度)
n[:, ::-1]
实例: 把猫图片翻转
# cat.jpg
cat = plt.imread('cat.jpg')
#[[[231 186 131]
#  [232 187 132]
#  [233 188 133]
#  ...
#  [100  54  54]
#  [ 92  48  47]
#  [ 85  43  44]]
#  ...
#  ]

cat.shape
# 图片: 3维
#  (456, 730, 3)

# 显示图片
plt.imshow(cat)

图片

# 上下翻转
plt.imshow(cat[::-1])  



# 左右翻转
plt.imshow(cat[:,::-1])  



# 第三个维度翻转,颜色翻转,模糊处理
plt.imshow(cat[::10,::10,::-1])
3. 变形
使用reshape函数, 注意参数是一个tuple
n = np.arange(1, 21)
n
# array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20])

n.shape
# (20,)

# 变成2维
n2 = np.reshape(n, (4,5))
n2
# array([[ 1,  2,  3,  4,  5],
#       [ 6,  7,  8,  9, 10],
#       [11, 12, 13, 14, 15],
#       [16, 17, 18, 19, 20]])

n2.shape
# (4, 5)

n2.reshape((20,))  # 变成一维
n2.reshape((-1,))  # 变成一维

# 改变cat的形状
cat.shape
# (456, 730, 3)

#  -1 表示行会自动分配,列数是6
cat2 = cat.reshape((-1, 6))
cat2.shape
# (166440, 6)

#  -1 表示列会自动分配,行数是6
cat2 = cat.reshape((6,-1))
cat2.shape
# (6, 166440)
4. 级联
concatenate
n1 = np.random.randint(0,100, size=(4,5))
n2 = np.random.randint(0,100, size=(4,5))
display(n1, n2)
# array([[48, 89, 82, 88, 55],
#       [63, 80, 77, 27, 51],
#       [11, 77, 90, 23, 71],
#       [ 4, 11, 19, 84, 57]])
# 
#array([[86, 26, 71, 62, 46],
#       [75, 43, 84, 87, 99],
#       [34, 33, 58, 56, 29],
#       [56, 32, 53, 43,  5]])

# 级联,合并
# 上下合并:垂直级联
np.concatenate((n1, n2))
np.concatenate((n1, n2), axis=0)  # axis=0表示行，第一个维度
# array([[48, 89, 82, 88, 55],
#       [63, 80, 77, 27, 51],
#       [11, 77, 90, 23, 71],
#       [ 4, 11, 19, 84, 57],
#       [86, 26, 71, 62, 46],
#       [75, 43, 84, 87, 99],
#       [34, 33, 58, 56, 29],
#       [56, 32, 53, 43,  5]])

# 左右合并:水平级联
np.concatenate((n1, n2), axis=1)  # axis=1表示列，第二个维度
# array([[48, 89, 82, 88, 55, 86, 26, 71, 62, 46],
#       [63, 80, 77, 27, 51, 75, 43, 84, 87, 99],
#       [11, 77, 90, 23, 71, 34, 33, 58, 56, 29],
#       [ 4, 11, 19, 84, 57, 56, 32, 53, 43,  5]])
np.hstack与np.vstack
# 左右合并:水平级联
np.hstack((n1, n2)) 
# array([[48, 89, 82, 88, 55, 86, 26, 71, 62, 46],
#       [63, 80, 77, 27, 51, 75, 43, 84, 87, 99],
#       [11, 77, 90, 23, 71, 34, 33, 58, 56, 29],
#       [ 4, 11, 19, 84, 57, 56, 32, 53, 43,  5]])

# 上下合并:垂直级联
np.vstack((n1, n2)) 
# array([[48, 89, 82, 88, 55],
#       [63, 80, 77, 27, 51],
#       [11, 77, 90, 23, 71],
#       [ 4, 11, 19, 84, 57],
#       [86, 26, 71, 62, 46],
#       [75, 43, 84, 87, 99],
#       [34, 33, 58, 56, 29],
#       [56, 32, 53, 43,  5]])
5. 拆分
np.split / np.vsplit / np.hsplit
n = np.random.randint(0, 100, size=(6,4))
n
# array([[ 3, 90, 62, 89],
#       [75,  7, 10, 76],
#       [77, 94, 88, 59],
#       [78, 66, 81, 83],
#       [18, 88, 40, 81],
#       [ 2, 38, 26, 21]])

# 垂直方向，平均切成3份
np.vsplit(n, 3)
# [array([[ 3, 90, 62, 89],
#        [75,  7, 10, 76]]),
# array([[77, 94, 88, 59],
#        [78, 66, 81, 83]]),
# array([[18, 88, 40, 81],
#        [ 2, 38, 26, 21]])]

# 如果是数组
np.vsplit(n, (1,2,4))
# [array([[ 3, 90, 62, 89]]),
#  array([[75,  7, 10, 76]]),
#  array([[77, 94, 88, 59],
#        [78, 66, 81, 83]]),
#  array([[18, 88, 40, 81],
#        [ 2, 38, 26, 21]])]

# 水平方向
np.hsplit(n, 2)
# [array([[97, 86],
#        [16, 70],
#        [26, 95],
#        [ 6, 83],
#        [97, 43],
#        [96, 57]]),
# array([[88, 69],
#        [60,  7],
#        [32, 82],
#        [24, 86],
#        [62, 23],
#        [43, 19]])]

# 通过axis来按照指定维度拆分
np.split(n, 2, axis=1)
# [array([[97, 86],
#        [16, 70],
#        [26, 95],
#        [ 6, 83],
#        [97, 43],
#        [96, 57]]),
# array([[88, 69],
#        [60,  7],
#        [32, 82],
#        [24, 86],
#        [62, 23],
#        [43, 19]])]
示例: 把猫拆分
cat.shape
# (456, 730, 3)

# 拆分
cat2 = np.split(cat, 2, axis=0)
cat2[0]
plt.imshow(cat2[0])

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

# 拆分成5分
cat2 = np.split(cat, 5, axis=1)
plt.imshow(cat2[2])

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

6. 拷贝/复制/副本
copy
# 赋值: 不使用copy
n1 = np.arange(10)
n2 = n1
n1[0] = 100
display(n1, n2)
# array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9])
# array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9])

# 拷贝: copy
n1 = np.arange(10)
n2 = n1.copy()
n1[0] = 100
display(n1, n2)
# array([100,   1,   2,   3,   4,   5,   6,   7,   8,   9])
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
7. 转置
# 转置
n = np.random.randint(0, 10, size=(3, 4)) 
n.T  

# transpose改变数组维度
n = np.random.randint(0, 10, size=(3, 4, 5)) # shape(3, 4, 5)
np.transpose(n, axes=(2,0,1))

关于Python学习指南

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python！

👉Python所有方向的学习路线👈

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（全套教程文末领取）

在这里插入图片描述

👉Python学习视频600合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

在这里插入图片描述

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉Python70个实战练手案例&源码👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

👉Python大厂面试资料👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

在这里插入图片描述

在这里插入图片描述

👉Python副业兼职路线&方法👈

学好 Python 不论是就业还是做副业赚钱都不错，但要学会兼职接单还是要有一个学习规划。

在这里插入图片描述

👉 这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取【保证100%免费】

网安打工仔
关注
  • 4
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
AIGC：大语言模型开放平台OpenLLM简介（提供简易的模型部署体验）
GIS摆渡人
07-05 2300
该项目旨在为各种大语言模型（LLM）在生产环境中的部署和可观测性提供一个标准的解决方案，用最简单直接的方式把大语言模型（LLM）部署到云端或本地，并且可以放心地用于生产环境中，此外还提供了进一步的能力来让用户更加方便地基于大语言模型（LLM）构建更强大的 AI 应用。OpenLLM是一个用于在生产环境中操作大型语言模型（LLM）的开放平台，它可以轻松地微调、服务、部署和监控任何LLM。
通过字典-python实现用户信息查询
weixin_34216107的博客
07-14 658
转载于:https://blog.51cto.com/3971212/1674124
Python数据分析必备库-NumPy(05) : ndarray的矩阵操作
qkh1234567的博客
04-20 808
Python数据分析必备库-NumPy(05) : ndarray的矩阵操作
python 临时文件操作
mchscofield的专栏
03-22 1138
<br />文件操作：<br />>>> import tempfile<br />>>> f = tempfile.NamedTemporaryFile(delete=False)<br />>>> f.name<br />'/tmp/tmphvu9Hk'<br />>>> f.write("Hello World!")<br />>>> f.close()<br />>>> import os<br />>>> os.path.exists(f.name)<br />True<br />>>> os.u
Python批量识别发票信息并自动填写到网上
henanlion的博客
05-21 2122
平时工作中会接触到很多发票，报销前需要把发票的各种信息包括：发票号码、发票代码、校验码、金额等信息录入到报账系统中。如果手机一个个复制粘贴，非常麻烦，而且容易出错，如果采用Python的话则很容易把信息提取到Excel表中，这样再分别录入到网上就快捷多了。我借鉴网上的代码，同时把源代码进行了修改，增加了批量写入Excel文件中的功能，不仅识别率高，而且运行速度快。下面是之前做好一个源码，如果简单修改一下就可以实现读取Excel中的发票信息，然后批量录入到网上，而且还不会出错。
Python入门教程(保姆级)，从零基础入门到精通
Python栈
05-26 2434
对于刚开始接触Python的小伙伴来说，没有思路方法，不知道从何开始学习，把软件环境安装好后就不知所措了！接下来我给大家分享下多位大牛倾力打造的python系统学习流程，一个月才设计完的！
大数据Python科学计算库-Numpy实战:numpy代码
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....
opencv-ndarray-conversion:NumPy ndarray⇋OpenCV Mat转换，就可以了
05-10
NumPy ndarray⇋OpenCV Mat转换，就可以了。 原料药 class NDArrayConverter ：转换器类 NDArrayConverter::NDArrayConverter() ：构造函数 cv::Mat NDArrayConverter::toMat(const PyObject* o) ：将NumPy ndarray...
北理-Python数据分析与展示-Numpy、Matplotlib、Pandas作业 1+1
08-14
北理-Python数据分析与展示-Numpy、Matplotlib、Pandas作业 numpy作业+Matplotlib作业
numpy-beginner-guide:《 python数据分析基础教程-numpy学习指南》
03-23
numpy-初学者指南python数据分析基础教程-numpy学习指南
Python数据分析与建模库-02科学计算库Numpy-4.矩阵操作
最新发布
06-07
同时，视频还演示了如何对数据进行加减乘除操作，这些操作会应用到数据的每一个元素上。视频还提到了对于矩阵的操作，包括矩阵相乘和求内积的操作。这些操作都是通过对应位置的元素相乘或者相加来实现的。最后，视频...
Python-自动生成通讯发票截图的小程序
08-12
PS一个发票模板 指定首尾发票号码 根据图片修改库修改模板中的发票号码 循环生成并保存到文件夹下
适合ipad的python编程软件-这15个应用,程序员用iPad照样可以编程!
weixin_37988176的博客
11-01 7509
【IT168 评论】1、Dash API文档Dash是一个API文档浏览器，使用户可以使用离线功能即时搜索无数API。程序员使用Dash可访问iOS，MacOS，WatchOS，tvOS，Swift，.NET Framework，ActionScript，Akka，AngularJS，Angular.dart，Ansible，Apache，Appcelerator Titanium，AppleSc...
python办公自动化：让PyAutoGUI来帮你干活---实践版
weixin_67991858的博客
03-03 640
在具体应用里用pyautogui来进行自动化操作，包括键盘，鼠标等移动，点击，自动抓图等。库在各种操作系统上自由控制鼠标和键盘行为。1. 安装PyAutoGUI2. 获取鼠标光标的当前位置和显示器的大小3. 移动并单击鼠标4. 鼠标相对移动和双击5. 拖动鼠标6. 输入字符7. 截取屏幕截图8. 用图像定位鼠标1. 查找图像区域2. 获得图像区域的中心3. 点击9.关于异常处理· 首先，在命令提示符下继续从pip或conda安装。
ipad python编程软件_在iPad中运行Python
weixin_39604092的博客
11-23 704
从一个喜欢编程的人的角度看，任何移动设备其实都只是“可编程计算器”。iPad上也有一个Python的解释器的应用Python for iOS。不过，让人气愤的是，这个应用竟然是收钱的（拿解释器卖钱？！）也有免费的python解释器，但都有各自的问题：1.营智python这个应用太过花哨了。能够编辑并运行脚本，不过，执行只能返回一个结果窗，不能用raw_input()，对很多库的支持也不全。(连de...
ipad上能免费下载Python并运行吗?
程序员小麦的博客
02-18 593
一般也是可以，直接 在 Ipad App store 里搜索 python 即可，如下:不过小编并不觉得 ipad 适合 写 python，建议最好还是在电脑上如 mac 进行编程。如果你对Python感兴趣，想要学习python，这里给大家分享一份Python全套学习资料，都是我自己学习时整理的，希望可以帮到你，一起加油！😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓​。
python开发_tempfile
abxlep7702的博客
08-16 93
python中的tempfile模块，是为创建临时文件(夹)所提供的 　如果你的应用程序需要一个临时文件来存储数据，但不需要同其他程序共享，那么tempfile模块来创建临时文件(夹)是个不错的选择 其他的应用程序是无法找到活打开这个文件(夹),因为tempfile在创建的过程中没有引用文件系统表，用tempfile创建的临时文件(夹)，关闭 后会自动删除。 下面是我做的demo...
Python--ndarray 常用属性详解
m0_69073685的博客
07-12 3739
1. 描述维度的属性--shape 1.1 改变原始数组的维度 1.2 视图变维 1.3 复制变维 2. 数组的索引操作--index 2.1 一维数组的索引切片 2.2 多维数组的切片 2.2.1 二维数组的切片 2.2.2 三维数组的切片 3. ndarray 掩码 3.1 布尔掩码 3.2 索引掩码 4. ndarray 的属性...
non-scalar numpy.ndarray
05-12
一个non-scalar numpy.ndarray是指一个多维的numpy数组，其中每个元素都是一个数组或者另一个多维数组。这样的数组可以使用numpy库来创建和操作。例如，一个二维的non-scalar numpy.ndarray可以看作是一个矩阵，其中每个元素是一个标量值。而一个三维的non-scalar numpy.ndarray可以看作是一个立方体，其中每个元素是一个二维的numpy数组。当我们需要处理多维数据时，non-scalar numpy.ndarray是非常有用的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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