学习笔记-数据分析numpy的使用(精简)


Numpy的简介

NumPy,是科学计算基础的一个库,提供了大量关于科学计算的相关功能.
例如,线性变换,数据统计,随机数生成等。
其提供的最核心的类型为多维数组类型(ndarray).

导入Numpy包

import numpy as np

ndarray数组的创建

# 使用 np.array来创建数组
np.array([1, 2, 3])
np.array([[1, 2, 3], [4, 5, 6]])
# 使用arange来创建 ndarray(步长可以指定浮点类型,其余的和range差不多)
np.arange(10)
np.arange(5, 10)
np.arange(1, 9, 2)
# 创建值全为1的数组,参数shape指定数组的形状。
np.ones(shape=(2, 3))

# 创建值全为1的数组,参数(数组)来指定数组的形状。
# 【创建一个与参数数组形状相同的数组。】
t = np.array([[1, 2], [3, 4]])
np.ones_like(t)
# 创建一个值全为0的数组。
np.zeros(shape=(5, 5))

# 创建一个值全为0的数组。数组的形状与参数数组的形状相同。
t = np.array([[1, 2], [3, 4]])
np.zeros_like(t)
# 创建一个数组,数组的元素是未经初始化的。【值依然是程序上一次运行所遗留的值。】
np.empty((5, 5))

# 创建一个数组,数组的元素是未经初始化的。通过参数(另外一个数组)指定创建数组的形状。
t = np.array([[1, 2], [3, 4]])
np.empty_like(t)
# 创建数组,第1个参数指定数组的形状,第2个参数指定填充值。
np.full((2, 3), 10)

# 创建数组,第1个参数(数组类型)指定数组的形状,第2个参数指定填充值。
np.full_like(t, 100)
# 创建单位矩阵,参数指定长度。
np.eye(5)
np.identity(5)
# 创建一个数组,数组的元素是等差数列。
# 第1个参数:起始点。
# 第2个参数:终止点。
# num: 指定的元素的个数,默认为50。
# endpoint: 是否包含终止点,默认为True。
np.linspace(1, 40, num=30, endpoint=False)
# 创建数组,数组元素在对数级别上等差,实际数值等比的数列。
# 第1个参数,起始点。base^start
# 第2个参数, 终止点: base^stop
# num:数组元素的个数。
# endpoint:是否包含终止点,默认为True。
# base:指定底数
np.logspace(1, 10, 10, base=2)
创建小结:
arange与linspace方法。
arange侧重的是固定的增量,设置起始值和终止值,固定的增量,生成固定区间、固定步长的
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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