numpy基础

于 2024-03-10 19:16:33 发布
阅读量799 收藏 23
点赞数 23
分类专栏： 人工智能 文章标签： numpy
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/qq_35349982/article/details/136606931
版权

什么是 NumPy?

NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。
NumPy包的核心是 ndarray 对象。它封装了python原生的同数据类型的 n 维数组，为了保证其性能优良，其中有许多操作都是代码在本地进行编译后执行的。

NumPy数组 和 原生Python Array（数组）之间有几个重要的区别：

  • NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原来的数组。
  • NumPy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。 例外情况：Python的原生数组里包含了NumPy的对象的时候，这种情况下就允许不同大小元素的数组。
  • NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。
  • 越来越多的基于Python的科学和数学软件包使用NumPy数组; 虽然这些工具通常都支持Python的原生数组作为参数，但它们在处理之前会还是会将输入的数组转换为NumPy的数组，而且也通常输出为NumPy数组。换句话说，为了高效地使用当今科学/数学基于Python的工具（大部分的科学计算工具），你只知道如何使用Python的原生数组类型是不够的 - 还需要知道如何使用 NumPy 数组。

安装最新的numpy

安装最新的稳定版本：pip install numpy
image.png

import numpy as np

print(np.__version__)
arr1 = np.array((1, 2, 3))
# arr1 = np.array(range(1, 4))
# arr1 = np.array([1, 2, 3])
print(arr1)
print(type(arr1))
print(isinstance(arr1, np.ndarray))
# print(isinstance(arr1, Iterable))

image.png

numpy的常用属性

# a = np.arange(15).reshape(3, 5)
a = np.array([
              [[1, 2, 3], [4, 5, 6]], 
              [[7, 8, 9], [10,11, 12.]]
              ], dtype=np.int32)
print ("数组的形状:",a.shape)
print ("数组轴的个数:",a.ndim)
print ("数组元素类型:",a.dtype)
print ("数组中每个元素的字节大小:",a.itemsize)
print ("数组元素的总个数:", a.size)
print ("类型查询:",type(a))

print ("------------")
#创建一个数组
b = np.array([6, 7, 8])
print ("数组b:",b)
print ("数组的形状:",b.shape)
print ("数组轴的个数:",b.ndim)
print ("数组b类型:",type(b))

image.png

ndarray的常用函数

ndarray 多维数组(N Dimension Array)
NumPy数组是一个多维的数组对象（矩阵），称为ndarray，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。注意：ndarray的下标从0开始，且数组里的所有元素必须是相同类型。

array()

import numpy as np
a = np.array([2, 3, 4])
print ("数组a元素类型:",a)
print ("数组a类型:",a.dtype)

b = np.array([1.2, 3.5, 5.1])
print ("数组b元素类型:",b.dtype)

image.png

zeros() /ones()/empty()

函数function创建一个全是0的数组，函数ones创建一个全1的数组，函数empty创建一个内容随机并且依赖于内存状态的数组。默认创建的数组类型(dtype)都是float64

zeros1=np.zeros( (3,4) )
print ("数组zeros1:",zeros1)
ones1=np.ones((2,3,4))
print ("数组ones1:",ones1)
empty1 = np.empty((2, 3))
print ("数组empty1:",empty1)

image.png

arange()

arange() 类似 python 的 range() ，创建一个一维 ndarray 数组。

np_arange = np.arange(10, 20, 5,dtype=int)
print ("arange创建np_arange:",np_arange)
print( "arange创建np_arange的元素类型:",np_arange.dtype)
print ("arange创建np_arange的类型:",type(np_arange))

image.png

matrix()

matrix 是 ndarray 的子类，只能生成 2 维的矩阵

x1=np.mat("1 2;3 4")
print( x1)
x2=np.matrix("1,2;3,4")
print( x2)
x3=np.matrix([[1,2,3,4],[5,6,7,8]])
print( x3)

image.png

创建随机数矩阵random.rand()

import numpy as np

# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），rand固定区间0.0 ~ 1.0
arr = np.random.rand(3, 4)
print(arr)
print(type(arr))

# 生成指定维度大小（3行4列）的随机多维整型数据（二维），randint()可以指定区间（-1, 5）
arr = np.random.randint(-1, 5, size = (3, 4)) 
print(arr)
print(type(arr))

# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），uniform()可以指定区间（-1, 5）产生-1到5之间均匀分布的样本值
arr = np.random.uniform(-1, 5, size = (3, 4)) # 
print(arr)
print(type(arr))

image.png

ndarray的数据类型

  1. dtype参数，指定数组的数据类型，类型名+位数，如float64, int32
  2. astype方法，转换数组的数据类型
# 初始化3行4列数组，数据类型为float64
zeros_float_arr = np.zeros((3, 4), dtype=np.float64)
print(zeros_float_arr)
print(zeros_float_arr.dtype) #float64

# astype转换数据类型，将已有的数组的数据类型转换为int32
zeros_int_arr = zeros_float_arr.astype(np.int32)
print(zeros_int_arr)
print(zeros_int_arr.dtype)  #int32

image.png

等比/等差数列

np.logspace等比数列

logspace中，开始点和结束点是10的幂
我们让开始点为0，结束点为0，元素个数为10，看看输出结果。

a = np.logspace(0,0,10)
a
# 输出结果
# array([ 1., 1., 1., 1., 1., 1.,  1., 1., 1., 1.])

● 我们看下面的例子，0代表10的0次方，9代表10的9次方。

a = np.logspace(0,9,10)
a
# 输出结果
# array([1.e+00, 1.e+01, 1.e+02, 1.e+03, 1.e+04, 1.e+05, 1.e+06, 1.e+07,
#       1.e+08, 1.e+09])

● 假如，我们想要改变基数，不让它以10为底数，我们可以改变base参数，将其设置为2试试。

a = np.logspace(0,9,10,base=2)
a
# 输出结果
# array([  1.,   2.,   4.,   8.,  16.,  32.,  64., 128., 256., 512.])

np.linspace等差数列

np.linspace是用于创建一个一维数组，并且是等差数列构成的一维数组，它最常用的有三个参数。
● 第一个例子，用到三个参数，第一个参数表示起始点，第二个参数表示终止点，第三个参数表示数列的个数。

a = np.linspace(1,10,10)
a
# 输出结果
# array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

● linspace创建的数组元素是浮点型。

a.dtype
# 输出结果
# dtype('float64')

● 可以使用参数endpoint来决定是否包含终止值，默认值为True。

a = np.linspace(1,10,10,endpoint=False)
a
# 输出结果

# array([ 1. , 1.9, 2.8, 3.7, 4.6, 5.5, 6.4, 7.3, 8.2, 9.1])

NumPy内置函数

基本函数

  • np.ceil(): 向上最接近的整数，参数是 number 或 array
  • np.floor(): 向下最接近的整数，参数是 number 或 array
  • np.rint(): 四舍五入，参数是 number 或 array
  • np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
  • np.multiply(): 元素相乘，参数是 number 或 array
  • np.divide(): 元素相除，参数是 number 或 array
  • np.abs()：元素的绝对值，参数是 number 或 array
  • np.where(condition, x, y): 三元运算符，x if condition else y
# randn() 返回具有标准正态分布的序列。
arr = np.random.randn(2,3)
print(arr)
print(np.ceil(arr))
print(np.floor(arr))
print(np.rint(arr))
print(np.isnan(arr))
print(np.multiply(arr, arr))
print(np.divide(arr, arr))
print(np.where(arr > 0, 1, -1))

统计函数

  • np.mean(), np.sum()：所有元素的平均值，所有元素的和，参数是 number 或 array
  • np.max(), np.min()：所有元素的最大值，所有元素的最小值，参数是 number 或 array
  • np.std(), np.var()：所有元素的标准差，所有元素的方差，参数是 number 或 array
  • np.argmax(), np.argmin()：最大值的下标索引值，最小值的下标索引值，参数是 number 或 array
  • np.cumsum(), np.cumprod()：返回一个一维数组，每个元素都是之前所有元素的 累加和 和 累乘积，参数是 number 或 array
    多维数组默认统计全部维度，axis参数可以按指定轴心统计，值为0则按列统计，值为1则按行统计。
arr = np.arange(12).reshape(3,4)
print(arr)
print(np.cumsum(arr)) # 返回一个一维数组，每个元素都是之前所有元素的 累加和
print(np.sum(arr)) # 所有元素的和
print(np.sum(arr, axis=0)) # 数组的按列统计和
print(np.sum(arr, axis=1)) # 数组的按行统计和

image.png

比较函数

假如我们想要知道矩阵a和矩阵b中所有对应元素是否相等，我们需要使用all方法，假如我们想要知道矩阵a和矩阵b中对应元素是否有一个相等，我们需要使用any方法。

  • np.any(): 至少有一个元素满足指定条件，返回True
  • np.all(): 所有的元素满足指定条件，返回True
arr = np.random.randn(2,3)
print(arr)
print(np.any(arr > 0))
print(np.all(arr > 0))

去重函数

np.unique():找到唯一值并返回排序结果，类似于Python的set集合

arr = np.array([[1, 2, 1], [2, 3, 4]])
print(arr)
print(np.unique(arr))

排序函数

对数组元素进行排序

arr = np.array([1, 2, 34, 5])
print ("原数组arr:",arr)

#np.sort()函数排序，返回排序后的副本
sortarr1= np.sort(arr)
print ("numpy.sort()函数排序后的数组:",sortarr1)

# ndarray直接调用sort，在原数据上进行修改
arr.sort()
print ("数组.sort()方法排序：",arr)

NumPy运算

基本运算

数组的算数运算是按照元素的。新的数组被创建并且被结果填充。

import numpy as np
a = np.array([20,30,40,50])
b = np.arange(4)
c = a-b
print("数组a:",a)
print("数组b:",b)
print("数组运算a-b:",c)

矩阵乘法

import numpy as np

x=np.array([[1,2,3],[4,5,6]])
y=np.array([[6,23],[-1,7],[8,9]])

print(x)
print(y)

print(x.dot(y))
print(np.dot(x,y))

a = np.array([[1,2,3], [4,5,6]])
b = np.array([[2,2,2],[3,3,3]])
print(a*b)

索引和切片

数组的索引和切片与 Python 中序列的索引和切片操作基本类似，不同点在于： 数组切片不会复制内部数组数据，只会生成原始数据的新视图数组支持多维数组的多维索引和切片
image.png

下标切片

slice对象

# slice 是一个实现切片的对象，主要用在切片操作函数里的参数传递。
# class slice(start, stop[, step])
# start 为切片起始位置，stop 为切片终止位置（不包括以 stop 索引的元素），step 为步长。
x = np.arange(10)
# 冒号 : 的解释：如果只放置一个参数，
# 如 [2]，将返回与该索引相对应的单个元素。
# 如果为 [2:]，表示从该索引开始以后的所有项都将被提取。
# 如果使用了两个参数，如 [2:8]，那么则提取两个索引(不包括停止索引)之间的项。
arr_cut = slice(2,8,3)
print(x[arr_cut])

索引切片

import numpy as np
lis = [[1, 2], [3, 4], [5, 6]]
arr = np.array(lis)
print(arr) 
print ("数组的形状:",arr.shape)
print ("数组轴的个数:",arr.ndim)
print ("数组元素类型:",arr.dtype)
print ("数组中每个元素的字节大小:",arr.itemsize)
print ("数组元素的总个数:", arr.size)
print ("类型查询:",type(arr))
print ("------------------")
print(arr[1, 0]) 
print ("------------------")
print(arr[1][1])
print ("------------------")
print(arr[:2, 1:2])
print ("------------------")
print(arr[:2][1:2])

# arr[:2, 1:2]是对多维数组进行同时切片操作，而arr[:2][1:2]是对切片结果进行连续切片操作，两者的结果会有所不同。
# print(arr[:2, 1:2]): 这种语法是对多维数组进行切片操作。
# 在这种情况下，arr[:2, 1:2]表示获取二维数组中行索引在0到1（不包括2）之间，列索引在1到2（不包括2）之间的子数组。换句话说，这个操作将获取二维数组的前两行中第二列的元素组成的子数组。
# print(arr[:2][1:2]):  lis[:2]将会获取列表的前两个元素，即[[1, 2], [3, 4]]，然后[1:2]将会获取该切片中的第二个元素，即[3, 4]。因此，print(result)的输出结果将会是[3, 4]。

[:2, 1:2])与[:2][1:2]的区别

arr[:2, 1:2]是对多维数组进行同时切片操作，
arr[:2][1:2]是对切片结果进行连续切片操作，两者的结果会有所不同。

布尔索引及切片

布尔型索引指的是一个布尔型ndarray数组（一般为一维）对应另一个ndarray数组的每行，布尔型数组的个数要必须与另一个多维数组的行数一致。若布尔型数组内的某个元素为True，则选取另一个多维数组的行，反之不选取。

# 布尔型索引及切片
# 布尔型索引指的是一个布尔型ndarray数组（一般为一维）对应另一个ndarray数组的每行，布尔型数组的个数要必须与另一个多维数组的行数一致。若布尔型数组内的某个元素为True，则选取另一个多维数组的行，反之不选取。
import numpy as np

zarten = np.random.randn(5,4)
print(zarten)
print('*' * 50)
## 选取第一行和最后一行 
zarten_bool = np.array([True, False, False, False, True])
print(zarten[zarten_bool])

image.png

zarten = np.random.randn(5,4)
print(zarten)
print('*' * 50)

zarten_1 = np.array(['A', 'B', 'C', 'D', 'A'])
print(zarten[zarten_1 == 'A'])
print('*' * 50)
print(zarten[zarten_1 == 'A', 1:3]) #切片

image.png

花式索引及切片

花式索引跟布尔型索引类似，花式索引是可以使用整数数组进行索引，可以选取任意的行，跟布尔型索引的[True, False , False]类似，可以任意选取。花式索引更方便些。
注意：花式索引是传入整数数组。若为负数，将从末尾开始选取

import numpy as np

zarten = np.random.randn(5,4)
print(zarten)
print('*' * 50)

#选取第一行和第二行
#布尔型索引做法
zarten_bool = np.array([True, True, False, False, False])
print(zarten[zarten_bool])
print('*' * 50)

#花式索引做法
print(zarten[[0, 1]])
print('*' * 50)
#花式索引切片做法
print(zarten[[0, 1], 1:3])

image.png

axis参数

在numpy中，axis参数用于指定沿着哪个轴进行操作，例如对于一个二维数组，轴0表示沿着行的方向，轴1表示沿着列的方向。对于多维数组，每一个轴都对应一个维度。在numpy中许多函数都支持axis参数，常见的函数包括sum(),mean(),max(),min(),argmax()和argmin()等。
例如，对于以下二维数组：

arr = np.array([[1, 2, 3], [4, 5, 6]])

我们可以统计每列的和：

np.sum(arr, axis=0) # 返回数组 [5, 7, 9]

也可以统计每行的平均值：

np.mean(arr, axis=1) # 返回数组 [2., 5.]

需要注意的是，axis参数不止可以取0和1这样的值，对于多维数组，还可以取2，3等。而且，不同的函数对于axis参数的实现方式也可能有所不同，因此具体使用时需要查看文档或者自行尝试以确保正确使用。
image.png

飞奔的屎壳郎
关注
  • 23
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Numpy基础
aerfaqi的博客
03-14 6404
Numpy基础 1、主要作用 ​ 进行科学计算（支持矩阵和ndarray数组对象），内存连续(访问效率高)， 支持并行运算，有两种存储风格（F风格—列优先存储， C风格—行优先存储） 2、数组基础 import numpy as np arr = np.array(....) # 创建简单的数组 arr.size # 4 数组中的元素个数 arr.itemsize # 数组中各个元素的占位大小 arr.dtype # 数组中元素的数据类型 arr.ndim # 数组的维度 arr.shape #
python学习笔记第二十天------------ndarray的元素处理
zenghongju的博客
02-14 415
文章目录一. 元素计算函数二. 元素统计函数三. 元素判断函数四. 元素去重排序函数 一. 元素计算函数 ceil(): 向上最接近的整数，参数是 number 或 array floor(): 向下最接近的整数，参数是 number 或 array rint(): 四舍五入，参数是 number 或 array isnan(): 判断元素是否为 NaN(Not a Number)，参数是 n...
基本对象Number,String,Array,Math,Date，函数的定义，全局变量
沧海芙蓉
03-17 1661
1.Number--属性----MAX_VALUE 用法：Number.MAX_VALUE；返回“最大值”。----MIN_VALUE 用法：Number.MIN_VALUE；返回“最小值”。----NaN 用法：Number.NaN 或 NaN；返回“NaN”。“NaN”（不是数值）。----NEGATIVE_INFINITY 用法：Number.NEGATIVE_INFINITY；返回：负无穷
Numpy基础知识
aabbnnhhh的博客
03-17 4134
NumPy（Numeric Python）是一个用python实现的科学计算的扩展程序库，提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词– Numerical和Python。NumPy提供了许多高级的数值计算工具，如：矩阵数据类型、矢量处理，以及精密的运算库，可以轻松地进行数值计算。
python-numpy基础知识
qq_47541315的博客
10-04 4770
numpy基础知识学习，自学笔记。
numpy基础代码
qq_43983010的博客
01-10 867
numpy简单代码总结前言一、导入函数和文件二、其他常用函数1.引入库总结 前言     NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 一、导入函数和文件 import numpy 对num
NumPy基础知识
feizuiku0116的博客
09-05 3371
NumPy的核心是多维数组类，矩阵类是多位数组类的派生类。以多位数组类为数据组织结构，Numpy提供了众多的数学、科学和工函数，此外，NumPy还提供了以下多个子模块子模块名功能随机抽样子模块线性代数子模块numpy.fft傅里叶变换子模块C-Types外部函数接口子模块具有自动域的数学函数子模块测试支持子模块矩阵库子模块numpy.dualScipy加速支持子模块打包模块。
Numpy基础入门知识点总结
Xx_Studying的博客
10-17 1826
NumPy的基础入门知识
NumPy基础及取值操作
orchid_sea的博客
09-25 4531
第一关
Numpy基础总结
01-06
numpy.random.random(size=None) numpy.random.randint() numpy.random.randn() ndarry对象 其他方式创建 numpy.ones创建指定形状数组，数组元素用1填充 empty创建 linspace函数创建一个一维数组，数组是一个等差...
numpy 基础数据结构
01-20
numpy 基础数据结构数组的基本属性array()arange()linspace()zeros()/zeros_like()/ones()/ones_like()eye() 数组的基本属性 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推 在NumPy中，每...
NumPy基础：多维数组
02-24
NumPy（NumericalPython的基础）是高性能科学计算和数据分析的基础包。其部分功能如下：1.ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。2.用于对数组数据进行快速运算的标准数学函数...
Numpy基础1
08-03
Numpy的基础知识包括数组的创建、数据类型、算术操作、索引和切片，以及转置和通用函数。 1. **数组创建**： - `np.array` 函数可以从各种序列类型（如列表、元组）或其他数组创建新的ndarray。数据类型会自动推断...
numpy 基础代码
08-24
这篇关于“numpy基础代码”的内容将深入探讨NumPy的基本使用、数据类型、数组操作、数学函数以及一些高级特性。 首先，让我们了解什么是NumPy。NumPy（Numeric Python）是一个开源库，它为Python提供了多维数组对象...
四台服务器分别部署组件内容.md
最新发布
07-24
四台服务器分别部署组件内容.md
GitHub Issue 模板：提升团队协作效率的秘籍
07-24
GitHub是一个面向开源及私有软件项目的托管平台，因为只支持Git作为唯一的版本库格式进行托管，故名GitHub。GitHub提供了分布式版本控制和源代码管理（SCM）功能，此外还有一些特色功能，例如允许用户对项目进行跟踪、协调工作、管理任务和代码审查。 ### GitHub的主要特点包括： 1. **版本控制**：GitHub基于Git，一个分布式版本控制系统，可以跟踪代码的每一次更改。 2. **协作**：GitHub提供了多种工具来支持多人协作，包括分支管理、合并请求（Pull Request）、代码审查等。 3. **社区**：GitHub拥有庞大的开发者社区，用户可以探索其他项目，贡献代码，或者获取灵感。 4. **文档**：通过README文件和Wiki页面，项目可以拥有详细的文档说明。 5. **问题跟踪**：GitHub提供了问题跟踪系统，方便项目成员报告问题、讨论解决方案。 6. **Gist**：一种简单分享代码片段的方式。 7. **GitHub Actions**：自动化工作流程，可以自动运行测试、部署代码等。 8. **GitHub Pag
Day2-数据类型、常量、变量及运算符代码案例
07-24
Day2-数据类型、常量、变量及运算符代码案例
uart_top.v
07-24
uart_top
Numpy基础教程：数组操作与矩阵运算
"numpy基础语法" 在Python中，NumPy是一个重要的科学计算库，它提供了高效的数据处理能力，尤其是对于大型多维数组和矩阵的操作。NumPy的基础语法是学习Python科学计算的关键。 首先，创建数组是NumPy的核心操作。...
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