jupyter notebook_numpy_1

最新推荐文章于 2024-07-17 23:25:51 发布
最新推荐文章于 2024-07-17 23:25:51 发布
阅读量510 收藏
点赞数
分类专栏： 数据
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_39457834/article/details/100112138
版权

 

 

Numerical Python(数值化的python)

  • 1.numpy在内存运算上占有优势,核心数据类型叫做ndarray (n dimension array)
  • 2.使用数组管理内存
  • 3.numpy是一个并行计算的库(高密计算),不是直接由python进行封装的,是c语言封装的一个python库,它没有GIL锁.
  • 4.numpy是python人工智能的基础库.其它的库都依赖于numpy.

numpy中的数据类型

python中有自己的数据类型.

numpy中的数据类型相对于python来说,更加的细致

  • 1.bool:布尔 , 1 字节
  • 2.int :整数类型,代表的是int64. (bigint 8字节)
  • 3.intc: int32 (int 4个字节)
  • 4.intp:只用于索引,int64
  • 5.int8:(tinyint 1个字节)
  • 6.int16:(smallint 2字节)
  • 7.int32:(int 4个字节)
  • 8.int64:(bigint 8个字节)
  • 9.float:float64
  • 10.float16 : 半精度
  • 11.float32 : 单精度
  • 12.float64 : 双精度
  • 13.complex : complex128
  • 14.complex64:由两个32的浮点数组成的
  • 15.complex128:由两个64的浮点数组成的
  • 16.uint8 : 无符号的整数
  • 17.uint16 : 无符号的整数
  • 18.uint32 : 无符号的整数
  • 19.uint64 : 无符号的整数
  • 20.时间序列

In [2]:

 

#anaconda中自带numpy
#如果要自己安装的话,解决依赖关系
​
import numpy as np
import matplotlib.pyplot as plt

In [3]:

 

 
lj = plt.imread('onr.jpg')
#在jupyter中如果不使用输出函数,那么最后一个变量会默认调用display()
plt.imshow(lj)

Out[3]:

<matplotlib.image.AxesImage at 0x279508f14e0>

numpy中的名词(线代中的名称)

  • 1.一个整数 : 标量 纯量
  • 2.一维的数组 : 向量 矢量
  • 3.二维的数组 : 矩阵
  • 4.三维及其以上 : 张量

使用ndarray保存数据

数据库有瓶颈 MySQL IO操作的时候带来的

ndarray在速度上是一个整体存储的空间

In [30]:

 

#将其它的序列类型转变为ndarray类型
np.array('abc')

Out[30]:

array('abc', dtype='<U3')

In [25]:

 

np.array([1,2,3,4,5])[0]

Out[25]:

1

In [26]:

 

np.array((1,2,3,4,5))[0]

Out[26]:

1

In [28]:

 

#set类型是序列?不是
#无序的类型可以强制转换,但是不能使用
np.array({1,2,3,4,5})

Out[28]:

array({1, 2, 3, 4, 5}, dtype=object)

In [33]:

 

np.array({'a':1,'b':2})

Out[33]:

array({'a': 1, 'b': 2}, dtype=object)

In [34]:

 

#对于可迭代类型
np.array(range(10))

Out[34]:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

引用传地址

但是引用传地址在ndarray中不能正常的使用

In [40]:

 

li_ = [1,2,3,4,5]

In [41]:

 

nd1 = np.array(li_)

In [42]:

 

display(li_,nd1)
[1, 2, 3, 4, 5]
array([1, 2, 3, 4, 5])

In [43]:

 

li_[0] = 0

In [44]:

 

display(li_,nd1)
[0, 2, 3, 4, 5]
array([1, 2, 3, 4, 5])

In [45]:

 

#拷贝传值
a=1
b=a
a=2
display(a,b)
2
1

In [46]:

 

#引用传地址
l1=[1,2,3]
l2=l1
l1[0] = 10
display(l1,l2)
[10, 2, 3]
[10, 2, 3]

ndarray的数据保存

In [51]:

 

#   name   sex   age  idCard  
#当前的数据是 4x4的矩阵 = 方阵
sign = np.array(['name','sex','age','idCard'])
arr = np.array([
    ['tom','male',18,123456],
    ['jack','male',18,123456],
    ['liye','male',18,123456],
    ['lijing','male',18,123456],
])

In [52]:

 

sign

Out[52]:

array(['name', 'sex', 'age', 'idCard'], dtype='<U6')

In [48]:

 

arr

Out[48]:

array([['tom', 'male', '18', '123456'],
       ['jack', 'male', '18', '123456'],
       ['liye', 'male', '18', '123456'],
       ['lijing', 'male', '18', '123456']], dtype='<U6')

ndarray的随机值

 

low   范围的最小值
high  范围的最大值
size  数组的形状
dtype 数据类型

In [85]:

 

#2行3列  tinyint uint8  0-255
# np.random.randint(-1000,1000,size=(2,3),dtype='uint8').itemsize
np.random.randint(-1000,1000,size=(2,3),dtype=int).itemsize

Out[85]:

8

 

#随机小数
#size 形状

In [90]:

 

np.random.random((5,5))

Out[90]:

array([[0.9710657 , 0.59959458, 0.17277926, 0.7564499 , 0.8199467 ],
       [0.05728386, 0.43645809, 0.55643072, 0.24820215, 0.64320721],
       [0.83246593, 0.46085084, 0.59217745, 0.64244586, 0.46066542],
       [0.73132308, 0.17251823, 0.92862237, 0.13484279, 0.94449531],
       [0.38324227, 0.21124364, 0.10590877, 0.85026129, 0.63822026]])

 

#randn  是生成一个 标准的正态分布的数组 , 中间值是0  均值是0   标准差值为1
 
#什么是正态分布?高斯分布
​
d0, d1, ..., dn  代表的是多少维度

In [95]:

 

np.random.randn(5,3)

Out[95]:

array([[-0.62357575,  1.15439985, -1.65257655],
       [ 1.97774917, -0.05774362, -0.77469661],
       [-1.65905117, -1.24069957,  0.87832254],
       [ 0.07512725,  0.00605548,  0.02697345],
       [ 0.22584547,  1.48109243, -1.10517901]])

 

#rand 只是用来生成一个随机的浮点数的

In [100]:

 

np.random.rand(5,3)

Out[100]:

array([[0.32596556, 0.16245572, 0.39403561],
       [0.11270325, 0.83104786, 0.77568375],
       [0.58643552, 0.26710588, 0.4707389 ],
       [0.43680775, 0.37349157, 0.41696032],
       [0.39967651, 0.69804483, 0.82111621]])

 

#normal 生成一个自定义正太分布的数组
​
loc=0.0    location 定位   中值
scale=1.0  波动 
size=None  数组的形状
​
超过波动范围的值是异常值

In [101]:

 

np.random.normal(100,10,10)

Out[101]:

array([ 97.1131475 , 107.82816673,  99.37605262, 104.48124786,
       110.60289338,  95.01571761, 100.66840617, 103.5317543 ,
        85.9189614 ,  92.54307587])

ndarray的属性

  • ndarray.shape 数组的形状
  • ndarray.ndim 数组的维度
  • ndarray.size 数组中元素的数量
  • ndarray.dtype 数组的数据类型
  • ndarray.itemsize 一个数组占用的字节数
  • ndarray.T 转制矩阵
  • ndarray.real 读取实数部分
  • ndarray.imag 读取虚数部分
  • ndarray.nbytes 用来计算数组的元素占用字节的总和
  • ndarray.strides 逐步输出数组占用的字节数

In [102]:

 

A = np.array([[1,2,3],[7,8,9]])
A

Out[102]:

array([[1, 2, 3],
       [7, 8, 9]])

In [103]:

 

A.T

Out[103]:

array([[1, 7],
       [2, 8],
       [3, 9]])

In [107]:

 

np.dot(A.T,A)

Out[107]:

array([[50, 58, 66],
       [58, 68, 78],
       [66, 78, 90]])

 

# real imag

In [110]:

 

res = np.full(shape=(2,3),fill_value=0.123+0.345j)

In [114]:

 

res.real

Out[114]:

array([[0.123, 0.123, 0.123],
       [0.123, 0.123, 0.123]])

In [116]:

 

res.imag

Out[116]:

array([[0.345, 0.345, 0.345],
       [0.345, 0.345, 0.345]])

 

#nbytes

In [126]:

 

o = np.ones(shape=(3,5),dtype=np.int8)

In [127]:

 

o

Out[127]:

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]], dtype=int8)

In [128]:

 

o.shape

Out[128]:

(3, 5)

In [129]:

 

o.nbytes

Out[129]:

15

In [130]:

 

o.dtype

Out[130]:

dtype('int8')

In [133]:

 

#对原数据不产生影响
o = o.astype(np.float)

 

#strides

In [139]:

 

 
z = np.zeros(shape=(4,3))
z

Out[139]:

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

In [140]:

 

z.itemsize

Out[140]:

8

In [141]:

 

z.nbytes

Out[141]:

96

In [142]:

 

#8指的是每一个元素所占用的字节数
#32 指的是行向量所占用的字节数
z.strides

Out[142]:

(24, 8)

np中的函数

  • np.dot() 矩阵乘法
  • np.full() 使用某一个制定的值填满数组
  • np.ones() 生成一个元素全部为1的数组
  • np.astype() 改变数组的数据类型
  • np.zeros() 生成一个元素全部为0的数组,如果生成的维度是二维的,那么这是一个'零矩阵'(相当于代数中0)
  • np.diag() 对角矩阵,主对角线上是有值,其它地方没有值
  • np.eye() I 单位矩阵,(相当于线代中的 1),主对角线上的值为1,其它的地方为0

In [161]:

 

#N 是 阶
#k = 2 代表对角线向上偏移两格位置
#k = -1 代表对角线向下偏移一格位置
I = np.eye(3)
I

Out[161]:

array([[0., 0., 0.],
       [0., 0., 0.],
       [1., 0., 0.]])

In [146]:

 

A = np.random.randint(1,10,(3,3))
A

Out[146]:

array([[4, 9, 7],
       [4, 6, 5],
       [9, 6, 5]])

In [148]:

 

np.dot(I,A)

Out[148]:

array([[4., 9., 7.],
       [4., 6., 5.],
       [9., 6., 5.]])

In [156]:

 

#v 代表对角线上的值,这个值必须是一个向量
np.diag([1,0.5,0.3])

Out[156]:

array([[1. , 0. , 0. ],
       [0. , 0.5, 0. ],
       [0. , 0. , 0.3]])

 

三角矩阵  上三角  下三角

In [168]:

 

a = np.eye(3,k=-2)
a

Out[168]:

array([[0., 0., 0.],
       [0., 0., 0.],
       [1., 0., 0.]])

In [167]:

 

b = np.eye(3,k=-1)
b

Out[167]:

array([[0., 0., 0.],
       [1., 0., 0.],
       [0., 1., 0.]])

In [166]:

 

c = np.eye(3)
c

Out[166]:

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

In [169]:

 

a+b+c

Out[169]:

array([[1., 0., 0.],
       [1., 1., 0.],
       [1., 1., 1.]])

 

稀疏矩阵   希松  松散
​
大部分的值是0,小部分的位置有其它值的
​
文本处理

In [171]:

 

np.array([[0,0,0,1],[0,0,0,0],[0,2,0,0],[0,0,0,0]])

Out[171]:

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

numpy 中的聚合函数

  • np.sum() 求和
  • np.mean() 均值
  • np.max() 最大值
  • np.min() 最小值

 

axis参数  轴
​
​
axis = 0  行合并   y
axis = 1  列合并   x

In [177]:

 

np.ones(shape=(4,5)).sum(axis=1)

Out[177]:

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

In [182]:

 

A = np.random.randint(1,10,(4,5))
A

Out[182]:

array([[6, 4, 4, 8, 3],
       [9, 1, 7, 6, 8],
       [8, 6, 9, 9, 2],
       [4, 2, 3, 2, 6]])

In [185]:

 

np.mean(A,axis=-1)

Out[185]:

array([5. , 6.2, 6.8, 3.4])

使用聚合函数进行图片的灰度化

In [196]:

 

#3 rgb
lj.shape

Out[196]:

(483, 483, 3)

In [4]:

 

#黑白图片  还是二维的  透光率  jpg 0-255   png  0-1
#需要降低维度
#np.sum()  ndarray.sum()
​
#color  map
#bug jpg  0-255  [243,200,220]
plt.imshow(lj.sum(axis=2),cmap='gray')

Out[4]:

<matplotlib.image.AxesImage at 0x27950987588>

In [5]:

 

plt.imshow(lj.max(axis=-1),cmap='gray')

Out[5]:

<matplotlib.image.AxesImage at 0x279509e4400>

In [6]:

 

plt.imshow(lj.min(axis=-1),cmap='gray')

Out[6]:

<matplotlib.image.AxesImage at 0x27950a403c8>

In [7]:

 

plt.imshow(lj.mean(axis=-1),cmap='gray')

Out[7]:

<matplotlib.image.AxesImage at 0x27950bcef60>

In [ ]:

 

​

In [ ]:

 

​

In [8]:

 

plt.imshow(lj)

Out[8]:

<matplotlib.image.AxesImage at 0x27950aa7940>

In [12]:

 

plt.imshow(lj[0:300,60:280])

Out[12]:

<matplotlib.image.AxesImage at 0x27951d5ab70>

In [ ]:

 

​

In [ ]:

 

​

In [ ]:

 

​

In [ ]:

 

​

In [ ]:

 

​
莫迟_
关注
专栏目录
1. Jupyter Notebook、numpy的使用
weixin_41207499的博客
12-23 2167
一. Jupter Notebook中的魔法方法 %run的使用 加载不在项目包中的文件 项目中的包不使用%run， 使用python的import语法即可 1. %run myscript/hello.py 2. hello("balabala") # 这样就可以直接调用hello.py中的函数了 %timeit的使用 会先自动 把程序重复执行一定次数, 程序执行时间...
机器学习：Jupyter Notebook中numpy的使用
ab1213456的博客
05-17 4027
一、Jupyter Notebook的魔法命令 　# 模块/方法 + ？或者help(模块/方法)：查看模块/方法的解释文档； 　1）%run 　# 机械学习中主要应用两个魔法命令：%run、%timeit 　# 魔法命令格式：% + 命令 　# %run：将模块引用并在Jupyter Notebook中执行（这是与import的区别），模块被引用后，其内部的函数可以在Jupy...
numpy 简介
weixin_30537391的博客
12-12 158
In[227]: import numpy as np In[]: # NumPy是Python中科学计算的基础软件包。 # 它是一个提供多了维数组对象，多种派生对象（如：掩码数组、矩阵）以及用于快速操作数组的函数及API， # 它包括数学、逻辑、数组...
【python篇】在jupyter notebook中使用numpy
clriszjgson的博客
03-04 3001
小端字节序（Little-endian）：最低有效位（LSB）位于最低地址（较小的字节地址），最高有效位（MSB）位于较高的字节地址。1、数组：可以通过索引去获得元素，可以切片，可以迭代打印所有数据，与python中列表不同的是数组里的数据类型需要统一，而列表里的数据类型不需要统一，其效率高。返回选取元素的一维数组。索引掩码是用索引的长度生成一个新的数组，数组中的元素采用索引列表中的数字在原列表中取数据再放入索引中对应的位置。类型代码：M8[Y] M8[M] M8[D] M8[h] M8[m] M8[s]
python数据分析（Jupyter Notebook工具）之numpy库
m0_59405106的博客
08-18 4132
数据分析是一门借助于计算机系统，针对海量、结构各异、不规则的数据进行高效处理，从中间提取对科学、技术、经济、社会有用的信息，并对人类的各种活动产生有益的指导作用。NumPy 实现高效的复杂数学运算，为包括数学分析在内的科学计算提供强大的计算平台；...
用于数字信号处理的Jupyter笔记本_Jupyter Notebook_下载.zip
04-27
在Jupyter Notebook中进行数字信号处理，通常会用到如NumPy、SciPy、Matplotlib和Pandas等Python库。NumPy提供了高效的多维数组对象，SciPy则包含了各种信号处理函数，如滤波器设计、频谱分析和信号变换。Matplotlib...
jupyter notebook的一般用法_jupyternotebook_jupternotebook_python_
09-28
Jupyter Notebook 可以与 Pandas（数据处理）、NumPy（数值计算）、Scikit-learn（机器学习）等库无缝结合，形成强大的数据分析流程。此外，还能通过 nbconvert 将 Notebook 转换为 HTML、PDF 或者 Python 脚本。 ...
一套IPython笔记本和学习资源，用于编程入门课程Jupyter Notebook_Python_下载.zip
04-25
1. `notebooks` - 包含IPython/Jupyter Notebook教程文件，每个notebook都是一个独立的编程课件。 2. `lectures` - 可能包含PDF或HTML格式的讲座材料，详细解释编程概念。 3. `code_samples` - 存储各种代码示例，供...
化学过程控制_Jupyter Notebook_下载.zip
04-26
《化学过程控制与Jupyter Notebook应用深度探讨》 在当今的科技时代，化学工程与信息技术的结合日益紧密，尤其在化学过程控制领域，数据分析和模拟技术的运用已经成为研究和实践的关键工具。本资料包“化学过程控制...
化妆品推荐引擎_Jupyter Notebook_Python_下载.zip
04-23
标题中的“化妆品推荐引擎_Jupyter Notebook_Python_下载”表明这是一个使用Python编程语言，通过Jupyter Notebook工具构建的化妆品推荐系统项目。这个项目可能涉及到数据处理、数据分析、机器学习算法等技术，旨在...
Jupyter Notebook中numpy什么意思 import numpy as np详解
Java_Web_Android的博客
09-15 3936
Jupyter Notebook中numpy什么意思 import numpy as np详解
pytorch深度学习笔记(二）Jupyter Notebook的使用和Numpy基础知识
焦哥的博客
11-16 1856
文章目录使用Jupyter NotebookNumpy基础知识 使用Jupyter Notebook Jupyter Notebook（此前也被称为IPython Notebook）是一个交互式笔记本，支持多种编程语言。在需要文本和代码结合的场景下进行交流时，它是一个不可多得的首选环境。 Jupyter是Anconda默认安装的部分之一。所以已经安装Anconda的话，就可以马上进入Jupyter Notebook了。打开终端输入如下命令： (base) C:\Users\Administrator&gt
jupyter notebook第三章numpy库的一些案例分析加相关函数的解析
张小鱼的博客
11-25 2156
学习数据可视化的宝子们，在anaconda里面的jupyter notebook运行，内容包括numpy数值计算基础，编程语言为python，此处还有一些csv或者excel文件，NumPy是在1995年诞生的Python库Numeric的基础上建立起来的，但真正促使NumPy的发行的是Python的SciPy库。但SciPy中并没有合适的类似于Numeric中的对于基础数据对象处理的功能。于是，SciPy的开发者将SciPy中的一部分和Numeric的设计思想结合，在2005年发行了NumPy。
数据科学入门之关于jupyter notebook的基本使用及numpy数据库的基本调用(内含一些报错整改思路）
2301_79740539的博客
07-17 1099
数据科学入门之关于jupyter notebook的基本使用及numpy数据库的基本调用(内含一些报错整改思路），文件的处理，列表，数组，矩阵，文件管理都有讲
jupyter和numpy入门
beichen0518的博客
06-11 1682
jupyter和numpy入门 jupyter 1 Jupyter Notebook 的快捷键 Jupyter Notebook 有两种键盘输入模式。编辑模式，允许你往单元中键入代码或文本；这时的单元框线是绿色的。命令模式，键盘输入运行程序命令；这时的单元框线是灰色。 1.1 命令模式 (按键 Esc 开启) Enter : 转入编辑模式 Shift-Enter : 运行本...
Jupyter Notebook Exercise
YamatoDaiski的博客
06-10 399
Jupyter Notebook Exercise %matplotlib inline import random import numpy as np import scipy as sp import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import statsmodels.api ...
【Jupyter Notebook】安装及使用
你不来，再美的天地，都狼藉 ~
07-06 5517
大家好，我是向阳花花花花，本期给大家带来的是 Jupyter Notebook安装及使用。
python的numpy库的np.dot函数详解
顺其自然~专栏
11-23 5280
注意：如果y= np.array([[1],[0],[1]])，则y.shape为(3,1),则变成了两个矩阵相乘，则结果为[[ 4] [10]]，其shape为(2,2)A=n，B=nXm，C=AXB为m列的一维矩阵或者向量,数据类型为ndarray。主要用于矩阵的乘法运算，其中包括向量内积、多维矩阵乘法、矩阵与向量的乘法，向量与矩阵的乘法。需要满足矩阵的乘法原则，即A=mXn，B=nXp，C=AXB=mXp。A=mXn,B=n，则C=AXB=m，关于相乘运算时向量是否需要转置，计算时已经自动转置了。
np.dot()函数用法
热门推荐
Liang_xj的博客
12-14 5万+
Numpy中dot()函数主要功能有两个：向量点积和矩阵乘法。 格式：x.dot(y) 等价于 np.dot(x,y) ———x是m*n 矩阵 ，y是n*m矩阵，则x.dot(y) 得到m*m矩阵。 一、向量点积 如果处理的是一维数组，则得到的是两数组的內积。 例1： import numpy as np x=np.array([0,1,2,3,4])#等价于:x=np.arange(...
jupyter notebook引用numpy库
最新发布
08-20
在Jupyter Notebook中引用NumPy库，你需要首先安装这个库，如果你还没有安装，可以使用命令行工具（如Python的pip包管理器）进行安装： ```bash pip install numpy ``` 然后，在Jupyter Notebook中，你需要导入`...
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