Python学习笔记--Numpy-数组属性方法总结

最新推荐文章于 2022-11-04 13:34:40 发布

学习路上的孟仔仔

最新推荐文章于 2022-11-04 13:34:40 发布

阅读量789

点赞数

分类专栏： Python--Numpy

Python--Numpy 专栏收录该内容

10 篇文章 1 订阅

订阅专栏

数组属性方法总结

	作用
1	基本属性
`a.dtype`	数组元素类型 `float32,uint8,...`
`a.shape`	数组形状 `(m,n,o,...)`
`a.size`	数组元素数
`a.itemsize`	每个元素占字节数
`a.nbytes`	所有元素占的字节
`a.ndim`	数组维度
2	形状相关
`a.flat`	所有元素的迭代器
`a.flatten()`	返回一个1维数组的复制
`a.ravel()`	返回一个1维数组，高效
`a.resize(new_size)`	改变形状
`a.swapaxes(axis1, axis2)`	交换两个维度的位置
`a.transpose(*axex)`	交换所有维度的位置
`a.T`	转置，`a.transpose()`
`a.squeeze()`	去除所有长度为1的维度
3	填充复制
`a.copy()`	返回数组的一个复制
`a.fill(value)`	将数组的元组设置为特定值
4	转化
`a.tolist()`	将数组转化为列表
`a.tostring()`	转换为字符串
`a.astype(dtype)`	转化为指定类型
`a.byteswap(False)`	转换大小字节序
`a.view(type_or_dtype)`	生成一个使用相同内存，但使用不同的表示方法的数组
5	复数
`a.imag`	虚部
`a.real`	实部
`a.conjugate()`	复共轭
`a.conj()`	复共轭（缩写）
6	保存
`a.dump(file)`	将二进制数据存在file中
`a.dump()`	将二进制数据表示成字符串
`a.tofile(fid, sep="",format="%s")`	格式化ASCⅡ码写入文件
7	查找排序
`a.nonzero()`	返回所有非零元素的索引
`a.sort(axis=-1)`	沿某个轴排序
`a.argsort(axis=-1)`	沿某个轴，返回按排序的索引
`a.searchsorted(b)`	返回将b中元素插入a后能保持有序的索引值
8	元素数学操作
`a.clip(low, high)`	将数值限制在一定范围内
`a.round(decimals=0)`	近似到指定精度
`a.cumsum(axis=None)`	累加和
`a.cumprod(axis=None)`	累乘积
9	约简操作
`a.sum(axis=None)`	求和
`a.prod(axis=None)`	求积
`a.min(axis=None)`	最小值
`a.max(axis=None)`	最大值
`a.argmin(axis=None)`	最小值索引
`a.argmax(axis=None)`	最大值索引
`a.ptp(axis=None)`	最大值减最小值
`a.mean(axis=None)`	平均值
`a.std(axis=None)`	标准差
`a.var(axis=None)`	方差
`a.any(axis=None)`	只要有一个不为0，返回真，逻辑或
`a.all(axis=None)`	所有都不为0，返回真，逻辑与

    In [1]: 
  

from numpy import *

基本属性

    In [2]: 
  

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

      Out[2]: 
    

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

[4, 5, 6, 7]])

数组元素属性：

    In [3]: 
  

a.dtype

      Out[3]: 
    

dtype('int32')

形状：

    In [4]: 
  

a.shape

      Out[4]: 
    

(2L, 4L)

元素数目：

    In [5]: 
  

a.size

      Out[5]: 
    

元素占字节大小：

    In [6]: 
  

a.itemsize

      Out[6]: 
    

所有元素所占字节：

    In [7]: 
  

a.nbytes

      Out[7]: 
    

数据维度：

    In [8]: 
  

a.ndim

      Out[8]: 
    

形状相关

    In [9]: 
  

for row in a :

print row

[0 1 2 3]

[4 5 6 7]

所有元素的迭代器：

    In [10]: 
  

for elt in a . flat :

print elt

所有元素组成的一维数组，按照行排列：

    In [11]: 
  

a.flatten()

      Out[11]: 
    

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

    In [12]: 
  

a.ravel()

      Out[12]: 
    

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

重新改变形状：

    In [13]: 
  

a . resize (( 4 , 2 ))

      Out[13]: 
    

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

交换这两个轴的顺序：

    In [14]: 
  

a.swapaxes(0,1)

      Out[14]: 
    

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

    In [15]: 
  

a.transpose()

      Out[15]: 
    

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

    In [16]: 
  

a.T

      Out[16]: 
    

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

    In [17]: 
  

a2 = array ([ 1 , 2 , 3 ])

a2 . shape

      Out[17]: 
    

(3L,)

    In [18]: 
  

a2 . resize (( 1 , 3 , 1 ))

a2 . shape

      Out[18]: 
    

(1L, 3L, 1L)

去除长度为1的维度：

    In [19]: 
  

a2 = a2 . squeeze ()

a2 . shape

      Out[19]: 
    

(3L,)

填充复制

复制：

    In [20]: 
  

b = a . copy ()

      Out[20]: 
    

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

复制不影响原来的数组：

    In [21]: 
  

b [ 0 ][ 0 ] = - 1

b # First value changed

      Out[21]: 
    

array([[-1, 1],

[ 2, 3],

[ 6, 7]])

[ 4, 5],

    In [22]: 
  

a # original not changed because b is a copy

      Out[22]: 
    

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

填充：

    In [23]: 
  

b . fill ( 4 )

      Out[23]: 
    

array([[4, 4],

[4, 4],

[4, 4]])

[4, 4],

转化

转化为列表：

    In [24]: 
  

a.tolist()

      Out[24]: 
    

[[0, 1], [2, 3], [4, 5], [6, 7]]

转化为字符串：

    In [25]: 
  

a.tostring()

      Out[25]: 
    

'\x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00'

改变数组元素类型：

    In [26]: 
  

a.astype(float)

      Out[26]: 
    

array([[ 0., 1.],

[ 2., 3.],

[ 6., 7.]])

[ 4., 5.],

    In [27]: 
  

b = a . copy ()

b . byteswap ( False )

      Out[27]: 
    

array([[ 0, 16777216],

[ 33554432, 50331648],

[100663296, 117440512]])

[ 67108864, 83886080],

将它看成16位整数：

    In [28]: 
  

a.view(dtype=int16)

      Out[28]: 
    

array([[0, 0, 1, 0],

[2, 0, 3, 0],

[6, 0, 7, 0]], dtype=int16)

[4, 0, 5, 0],

复数

实部：

    In [29]: 
  

b = array ([ 1 + 2j , 3 + 4j , 5 + 6j ])

b . real

      Out[29]: 
    

array([ 1.,  3.,  5.])

虚部：

    In [30]: 
  

b.imag

      Out[30]: 
    

array([ 2.,  4.,  6.])

共轭：

    In [31]: 
  

b.conj()

      Out[31]: 
    

array([ 1.-2.j,  3.-4.j,  5.-6.j])

    In [32]: 
  

b.conjugate()

      Out[32]: 
    

array([ 1.-2.j,  3.-4.j,  5.-6.j])

保存

保存成文本：

    In [33]: 
  

a.dump("file.txt")

字符串：

    In [34]: 
  

a.dumps()

      Out[34]: 
    

'\x80\x02cnumpy.core.multiarray\n_reconstruct\nq\x01cnumpy\nndarray\nq\x02K\x00\x85U\x01b\x87Rq\x03(K\x01\x8a\x01\x04\x8a\x01\x02\x86cnumpy\ndtype\nq\x04U\x02i4K\x00K\x01\x87Rq\x05(K\x03U\x01<NNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tb\x89U \x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00tb.'

写入文件：

    In [35]: 
  

a.tofile('foo.csv', sep=',', format="%s")

查找排序

非零元素的索引：

    In [36]: 
  

a.nonzero()

      Out[36]: 
    

(array([0, 1, 1, 2, 2, 3, 3], dtype=int64),

array([1, 0, 1, 0, 1, 0, 1], dtype=int64))

排序：

    In [37]: 
  

b = array ([ 3 , 2 , 7 , 4 , 1 ])

b . sort ()

      Out[37]: 
    

array([1, 2, 3, 4, 7])

排序的索引位置：

    In [38]: 
  

b = array ([ 2 , 3 , 1 ])

b . argsort ( axis =- 1 )

      Out[38]: 
    

array([2, 0, 1], dtype=int64)

将 b 插入 a 中的索引，使得 a 保持有序：

    In [39]: 
  

a = array ([ 1 , 3 , 4 , 6 ])

b = array ([ 0 , 2 , 5 ])

a . searchsorted ( b )

      Out[39]: 
    

array([0, 1, 3], dtype=int64)

元素数学操作

限制在一定范围：

    In [40]: 
  

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . clip ( 0 , 2 )

      Out[40]: 
    

array([[2, 1, 2],

[2, 1, 2]])

近似：

    In [41]: 
  

a = array ([ 1.344 , 2.449 , 2.558 ])

a . round ( decimals = 2 )

      Out[41]: 
    

array([ 1.34,  2.45,  2.56])

累加和：

    In [42]: 
  

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . cumsum ( axis = None )

      Out[42]: 
    

array([ 4,  5,  8, 10, 11, 16])

累乘积：

    In [43]: 
  

a.cumprod(axis=None)

      Out[43]: 
    

array([  4,   4,  12,  24,  24, 120])

约简操作

求和：

    In [44]: 
  

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . sum ( axis = None )

      Out[44]: 
    

求积：

    In [45]: 
  

a.prod(axis=None)

      Out[45]: 
    

最小值：

    In [46]: 
  

a.min(axis=None)

      Out[46]: 
    

最大值：

    In [47]: 
  

a.max(axis=None)

      Out[47]: 
    

最小值索引：

    In [48]: 
  

a.argmin(axis=None)

      Out[48]: 
    

最大值索引：

    In [49]: 
  

a.argmax(axis=None)

      Out[49]: 
    

最大间隔：

    In [50]: 
  

a.ptp(axis=None)

      Out[50]: 
    

均值：

    In [51]: 
  

a.mean(axis=None)

      Out[51]: 
    

2.6666666666666665

标准差：

    In [52]: 
  

a.std(axis=None)

      Out[52]: 
    

1.49071198499986

方差：

    In [53]: 
  

a.var(axis=None)

      Out[53]: 
    

2.2222222222222228

是否有非零元素：

    In [54]: 
  

a.any(axis=None)

      Out[54]: 
    

True

是否全部非零：

    In [55]: 
  

a.all()

      Out[55]: 
    

True

删除生成的文件：

    In [56]: 
  

import os

os . remove ( 'foo.csv' )

os . remove ( 'file.txt' )

数组属性方法总结

	作用
1	基本属性
`a.dtype`	数组元素类型 `float32,uint8,...`
`a.shape`	数组形状 `(m,n,o,...)`
`a.size`	数组元素数
`a.itemsize`	每个元素占字节数
`a.nbytes`	所有元素占的字节
`a.ndim`	数组维度
2	形状相关
`a.flat`	所有元素的迭代器
`a.flatten()`	返回一个1维数组的复制
`a.ravel()`	返回一个1维数组，高效
`a.resize(new_size)`	改变形状
`a.swapaxes(axis1, axis2)`	交换两个维度的位置
`a.transpose(*axex)`	交换所有维度的位置
`a.T`	转置，`a.transpose()`
`a.squeeze()`	去除所有长度为1的维度
3	填充复制
`a.copy()`	返回数组的一个复制
`a.fill(value)`	将数组的元组设置为特定值
4	转化
`a.tolist()`	将数组转化为列表
`a.tostring()`	转换为字符串
`a.astype(dtype)`	转化为指定类型
`a.byteswap(False)`	转换大小字节序
`a.view(type_or_dtype)`	生成一个使用相同内存，但使用不同的表示方法的数组
5	复数
`a.imag`	虚部
`a.real`	实部
`a.conjugate()`	复共轭
`a.conj()`	复共轭（缩写）
6	保存
`a.dump(file)`	将二进制数据存在file中
`a.dump()`	将二进制数据表示成字符串
`a.tofile(fid, sep="",format="%s")`	格式化ASCⅡ码写入文件
7	查找排序
`a.nonzero()`	返回所有非零元素的索引
`a.sort(axis=-1)`	沿某个轴排序
`a.argsort(axis=-1)`	沿某个轴，返回按排序的索引
`a.searchsorted(b)`	返回将b中元素插入a后能保持有序的索引值
8	元素数学操作
`a.clip(low, high)`	将数值限制在一定范围内
`a.round(decimals=0)`	近似到指定精度
`a.cumsum(axis=None)`	累加和
`a.cumprod(axis=None)`	累乘积
9	约简操作
`a.sum(axis=None)`	求和
`a.prod(axis=None)`	求积
`a.min(axis=None)`	最小值
`a.max(axis=None)`	最大值
`a.argmin(axis=None)`	最小值索引
`a.argmax(axis=None)`	最大值索引
`a.ptp(axis=None)`	最大值减最小值
`a.mean(axis=None)`	平均值
`a.std(axis=None)`	标准差
`a.var(axis=None)`	方差
`a.any(axis=None)`	只要有一个不为0，返回真，逻辑或
`a.all(axis=None)`	所有都不为0，返回真，逻辑与

     In [1]: 
   

from numpy import *

基本属性

     In [2]: 
   

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

       Out[2]: 
     

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

[4, 5, 6, 7]])

数组元素属性：

     In [3]: 
   

a.dtype

       Out[3]: 
     

dtype('int32')

形状：

     In [4]: 
   

a.shape

       Out[4]: 
     

(2L, 4L)

元素数目：

     In [5]: 
   

a.size

       Out[5]: 
     

元素占字节大小：

     In [6]: 
   

a.itemsize

       Out[6]: 
     

所有元素所占字节：

     In [7]: 
   

a.nbytes

       Out[7]: 
     

数据维度：

     In [8]: 
   

a.ndim

       Out[8]: 
     

形状相关

     In [9]: 
   

for row in a :

print row

[0 1 2 3]

[4 5 6 7]

所有元素的迭代器：

     In [10]: 
   

for elt in a . flat :

print elt

所有元素组成的一维数组，按照行排列：

     In [11]: 
   

a.flatten()

       Out[11]: 
     

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

     In [12]: 
   

a.ravel()

       Out[12]: 
     

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

重新改变形状：

     In [13]: 
   

a . resize (( 4 , 2 ))

       Out[13]: 
     

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

交换这两个轴的顺序：

     In [14]: 
   

a.swapaxes(0,1)

       Out[14]: 
     

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

     In [15]: 
   

a.transpose()

       Out[15]: 
     

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

     In [16]: 
   

a.T

       Out[16]: 
     

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

     In [17]: 
   

a2 = array ([ 1 , 2 , 3 ])

a2 . shape

       Out[17]: 
     

(3L,)

     In [18]: 
   

a2 . resize (( 1 , 3 , 1 ))

a2 . shape

       Out[18]: 
     

(1L, 3L, 1L)

去除长度为1的维度：

     In [19]: 
   

a2 = a2 . squeeze ()

a2 . shape

       Out[19]: 
     

(3L,)

填充复制

复制：

     In [20]: 
   

b = a . copy ()

       Out[20]: 
     

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

复制不影响原来的数组：

     In [21]: 
   

b [ 0 ][ 0 ] = - 1

b # First value changed

       Out[21]: 
     

array([[-1, 1],

[ 2, 3],

[ 6, 7]])

[ 4, 5],

     In [22]: 
   

a # original not changed because b is a copy

       Out[22]: 
     

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

填充：

     In [23]: 
   

b . fill ( 4 )

       Out[23]: 
     

array([[4, 4],

[4, 4],

[4, 4]])

[4, 4],

转化

转化为列表：

     In [24]: 
   

a.tolist()

       Out[24]: 
     

[[0, 1], [2, 3], [4, 5], [6, 7]]

转化为字符串：

     In [25]: 
   

a.tostring()

       Out[25]: 
     

'\x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00'

改变数组元素类型：

     In [26]: 
   

a.astype(float)

       Out[26]: 
     

array([[ 0., 1.],

[ 2., 3.],

[ 6., 7.]])

[ 4., 5.],

     In [27]: 
   

b = a . copy ()

b . byteswap ( False )

       Out[27]: 
     

array([[ 0, 16777216],

[ 33554432, 50331648],

[100663296, 117440512]])

[ 67108864, 83886080],

将它看成16位整数：

     In [28]: 
   

a.view(dtype=int16)

       Out[28]: 
     

array([[0, 0, 1, 0],

[2, 0, 3, 0],

[6, 0, 7, 0]], dtype=int16)

[4, 0, 5, 0],

复数

实部：

     In [29]: 
   

b = array ([ 1 + 2j , 3 + 4j , 5 + 6j ])

b . real

       Out[29]: 
     

array([ 1.,  3.,  5.])

虚部：

     In [30]: 
   

b.imag

       Out[30]: 
     

array([ 2.,  4.,  6.])

共轭：

     In [31]: 
   

b.conj()

       Out[31]: 
     

array([ 1.-2.j,  3.-4.j,  5.-6.j])

     In [32]: 
   

b.conjugate()

       Out[32]: 
     

array([ 1.-2.j,  3.-4.j,  5.-6.j])

保存

保存成文本：

     In [33]: 
   

a.dump("file.txt")

字符串：

     In [34]: 
   

a.dumps()

       Out[34]: 
     

'\x80\x02cnumpy.core.multiarray\n_reconstruct\nq\x01cnumpy\nndarray\nq\x02K\x00\x85U\x01b\x87Rq\x03(K\x01\x8a\x01\x04\x8a\x01\x02\x86cnumpy\ndtype\nq\x04U\x02i4K\x00K\x01\x87Rq\x05(K\x03U\x01<NNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tb\x89U \x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00tb.'

写入文件：

     In [35]: 
   

a.tofile('foo.csv', sep=',', format="%s")

查找排序

非零元素的索引：

     In [36]: 
   

a.nonzero()

       Out[36]: 
     

(array([0, 1, 1, 2, 2, 3, 3], dtype=int64),

array([1, 0, 1, 0, 1, 0, 1], dtype=int64))

排序：

     In [37]: 
   

b = array ([ 3 , 2 , 7 , 4 , 1 ])

b . sort ()

       Out[37]: 
     

array([1, 2, 3, 4, 7])

排序的索引位置：

     In [38]: 
   

b = array ([ 2 , 3 , 1 ])

b . argsort ( axis =- 1 )

       Out[38]: 
     

array([2, 0, 1], dtype=int64)

将 b 插入 a 中的索引，使得 a 保持有序：

     In [39]: 
   

a = array ([ 1 , 3 , 4 , 6 ])

b = array ([ 0 , 2 , 5 ])

a . searchsorted ( b )

       Out[39]: 
     

array([0, 1, 3], dtype=int64)

元素数学操作

限制在一定范围：

     In [40]: 
   

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . clip ( 0 , 2 )

       Out[40]: 
     

array([[2, 1, 2],

[2, 1, 2]])

近似：

     In [41]: 
   

a = array ([ 1.344 , 2.449 , 2.558 ])

a . round ( decimals = 2 )

       Out[41]: 
     

array([ 1.34,  2.45,  2.56])

累加和：

     In [42]: 
   

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . cumsum ( axis = None )

       Out[42]: 
     

array([ 4,  5,  8, 10, 11, 16])

累乘积：

     In [43]: 
   

a.cumprod(axis=None)

       Out[43]: 
     

array([  4,   4,  12,  24,  24, 120])

约简操作

求和：

     In [44]: 
   

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . sum ( axis = None )

       Out[44]: 
     

求积：

     In [45]: 
   

a.prod(axis=None)

       Out[45]: 
     

最小值：

     In [46]: 
   

a.min(axis=None)

       Out[46]: 
     

最大值：

     In [47]: 
   

a.max(axis=None)

       Out[47]: 
     

最小值索引：

     In [48]: 
   

a.argmin(axis=None)

       Out[48]: 
     

最大值索引：

     In [49]: 
   

a.argmax(axis=None)

       Out[49]: 
     

最大间隔：

     In [50]: 
   

a.ptp(axis=None)

       Out[50]: 
     

均值：

     In [51]: 
   

a.mean(axis=None)

       Out[51]: 
     

2.6666666666666665

标准差：

     In [52]: 
   

a.std(axis=None)

       Out[52]: 
     

1.49071198499986

方差：

     In [53]: 
   

a.var(axis=None)

       Out[53]: 
     

2.2222222222222228

是否有非零元素：

     In [54]: 
   

a.any(axis=None)

       Out[54]: 
     

True

是否全部非零：

     In [55]: 
   

a.all()

       Out[55]: 
     

True

删除生成的文件：

     In [56]: 
   

import os

os . remove ( 'foo.csv' )

os . remove ( 'file.txt' )

学习路上的孟仔仔

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
Python学习笔记--Numpy-数组属性方法总结

数组属性方法总结作用1基本属性a.dtype数组元素类型 float32,uint8,...a.shape数组形状 (m,n,o,...)a.size数组元素数a.itemsize每个元素占字节数a.nbytes所有元素占的字节a.ndim数组维度2形状相关a.flat所有元素的迭代器a.flatten()返回一个1维数组的复制a.ravel()返回一个1维数组，高效a.resize(new_s...
复制链接

扫一扫