numpy库数组基础详解（创建方法、数组转换、索引、切片、变形、拼接、分裂等）

最新推荐文章于 2024-05-14 15:30:28 发布

reb0rn初代

最新推荐文章于 2024-05-14 15:30:28 发布

阅读量1.3k

点赞数 2

分类专栏：数据分析与数据挖掘

本文链接：https://blog.csdn.net/qq_34195441/article/details/99442250

版权

本文详细介绍了NumPy库中的核心对象ndarray，包括其属性、创建方法、数组的索引和切片、转置、变形、拼接与分裂等操作。通过实例解析了如何从Python列表创建数组、使用NumPy函数创建数组、进行布尔型索引以及数组的矩阵运算。此外，还讨论了非副本视图的子数组以及数组与标量之间的运算，是学习NumPy的基础教程。

摘要由CSDN通过智能技术生成

前记~

IPython的%run命令

常用命令	说明
%magic	显示所有魔术命令
%hist	IPython命令的输入历史
%pdb	异常发生后自动进入调试器
%reset	删除当前命令空间中的全部变量或名称
%who	显示IPython当前命令空间中已经定义的变量
%time statement	给出代码的执行时间，statement表示一段代码
%timeit statement	多次执行代码，计算综合平均执行时间

开始了！

理解一维、二维、多维、高维数据

在这里重点说下高维数据，其余维度与常见的概念一致

高维数据：高维数据仅利用最基本的二元关系展示数据间的复杂结构

如下面的键值对

数据维度的Python表示

一维数据：列表和集合类型

二维数据：列表类型

多维数据：列表类型

高维数据：字典类型或数据表示格式（JSON、XML、YAML格式等）

NumPy

NumPy是一个开源的Python科学计算基础库，一个强大的N维数组对象ndarray
广播功能函数
整合C/C++/Fortran代码的工具
线性代数、傅里叶变换、随机数生成等功能

1、NumPy的引用

import numpy as np

2、N维数组对象：ndarray

数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。
设置专门的数组对象，经过优化，可以提升这类用用的运算速度。
ndarray是一个多维数组对象，由两部分构成：①实际数据 ②描述这些数据的元数据（数据维度、数据类型等）
ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。

例如，计算 $A^{2}+B^{3}$ ，其中，A和B是一维数组

def pySum():                                    import numpy as np
    a = [0,1,2,3,4]                             def npSum():
    b = [9,8,7,6,5]                                 a = np.array([0,1,2,3,4])
    c = []                                          b = np.array([9,8,7,6,5])
    for i in range(len(a)):                         c = a**2 + b**3
        c.append(a[i]**2 + b[i]**3)                 return c
    return c                                    print(npSum())
print(pySum())

运行结果：[729, 513, 347, 225, 141]

（1）轴（axis）：保存数据的维度

秩（rank）：轴的数量，即有多少个维度

（2）ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

import numpy as np
np.random.seed(0)    #设置随机数种子，以确保每次程序执行时都可以生成同样的随机数组
x1 = np.random.randint(10,size=6)        #一维数组
x2 = np.random.randint(10,size=(3,4))    #二维数组
x3 = np.random.randint(30,size=(3,4,5))  #三维数组

print("x3 ndim:",x3.ndim)    #每个数组有ndim(数组的维度)、shape(数组每个维度的大小)和size(数组的总大小)属性：
x3 ndim: 3
print("x3 shape:",x3.shape)
x3 shape: (3, 4, 5)
print("x3 size:",x3.size)
x3 size: 60

其他属性包括每个数组元素字节大小的itemsize，以及表示数组总字节大小的属性nbytes，数组的数据类型dtype.一般认为，nbytes跟itemsize和size的乘积大小相等。