Python程序设计之Numpy

最新推荐文章于 2023-07-07 18:53:32 发布
最新推荐文章于 2023-07-07 18:53:32 发布
阅读量1k 收藏 8
点赞数 5
分类专栏： Python 文章标签： Python
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_45613931/article/details/103432296
版权

Numpy是Python语言的一个扩充程序库。支持高级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。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

Numpy简单创建数组

import numpy as np
# 创建简单的列表
a = [1,2,3,4]
# 将列表转换为数组
b = np.array(a)

if __name__ == '__main__':
    print(b)

输出结果：
在这里插入图片描述

Numpy查看数组属性

import numpy as np
# 创建简单的列表
a = [1,2,3,4]
# 将列表转换为数组
b = np.array(a)
#数组元素的个数
print(b.size)
#数组形状
print(b.shape)
#数组维度
print(b.ndim)
#数组的元素类型
print(b.dtype)

输出结果：

在这里插入图片描述

快速创建N维数组的api函数

import numpy as np
# 快速创建N维数组的api函数
array_one = np.ones([10, 10])

if __name__ == '__main__':
    print(array_one)

输出结果：
在这里插入图片描述

创建10行10列的数值为浮点0的矩阵：

import numpy as np
# 创建10行10列的数值为浮点0的矩阵
array_zero = np.zeros([10, 10])

if __name__ == '__main__':
    print(array_zero)

输出结果：
在这里插入图片描述

创建指定形状

import numpy as np
# Numpy创建随机数组np.random
# 均匀分布
#创建指定形状(示例为10行10列)的数组(范围在0至1之间)
print(np.random.rand(10, 10))

输出结果：
在这里插入图片描述

创建指定范围内的一个数

import numpy as np
# Numpy创建随机数组np.random
# 均匀分布
# 创建指定范围内的一个数
print(np.random.uniform(0, 100))

输出结果：
在这里插入图片描述

创建指定范围内的一个整数

import numpy as np
# Numpy创建随机数组np.random
# 均匀分布
# 创建指定范围内的一个整数
print(np.random.randint(0, 100))

输出结果：
在这里插入图片描述

给定均值/标准差/维度的正态分布

import numpy as np
# Numpy创建随机数组np.random
# 正态分布
# 给定均值/标准差/维度的正态分布
print(np.random.normal(1.75, 0.1, (2, 3)))

输出结果：
在这里插入图片描述

数组的索引，切片

import numpy as np
# Numpy创建随机数组np.random
# 正态分布
# 数组的索引, 切片
# 正态生成4行5列的二维数组
arr = np.random.normal(1.75,0.1,(4,5))
print(arr)
# 截取第1至2行的第2至3列（从第0行算起）
after_arr = arr[1:3,2:4]
print(after_arr)

输出结果：
在这里插入图片描述

改变数组形状

import numpy as np
# 改变数组形状(要求前后元素个数匹配)
print("reshape函数的使用！")
one_20 = np.ones([20])
print("-->1行20列<--")
print(one_20)

one_4_5 = one_20.reshape([4,5])
print("-->4行5列<--")
print(one_4_5)

输出结果：

在这里插入图片描述

Numpy计算

条件判断：
import numpy as np
# Numpy计算
# 条件判断
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
print(stus_score > 80)

输出结果：
在这里插入图片描述

三目运算：

import numpy as np
# Numpy计算
# 三目运算
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
# 如果数值小于80，替换为0，如果大于80，替换为90
print(np.where(stus_score<80,0,90))

输出结果：
在这里插入图片描述

求最大值

import numpy as np
# Numpy计算
# 统计运算 —— 求最大值
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
# 指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
print("每一列的最大值为：")
result = np.amax(stus_score, axis=0)
print(result)

print("每一行的最大值为：")
result = np.amax(stus_score, axis=1)
print(result)

输出结果：

在这里插入图片描述

求最小值：

import numpy as np
# Numpy计算
# 统计运算 —— 求最小值
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
# 指定轴最小值amin(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
print("每一列的最小值为：")
result = np.amin(stus_score, axis=0)
print(result)

print("每一行的最小值为：")
result = np.amin(stus_score, axis=1)
print(result)

输出结果：
在这里插入图片描述

指定轴平均值mean

import numpy as np
# Numpy计算
# 统计运算 —— 求平均值
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
# 指定轴平均值mean(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
print("每一列的平均值为：")
result = np.mean(stus_score, axis=0)
print(result)

print("每一行的平均值为：")
result = np.mean(stus_score, axis=1)
print(result)

输出结果：

在这里插入图片描述

方差std

import numpy as np
# Numpy计算
# 统计运算 —— 求方差
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
# 指定方差std(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
print("每一列的方差为：")
result = np.std(stus_score, axis=0)
print(result)

print("每一行的方差为：")
result = np.std(stus_score, axis=1)
print(result)

输出结果：

在这里插入图片描述

数组与数的运算

import numpy as np
# Numpy计算
# 统计运算 —— 数组与数的运算（加法）
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])

print("加分前：")
print(stus_score)

# 为所有平时成绩都加5分
stus_score[:,0] = stus_score[:,0]+5
print("加分后：")
print(stus_score)

输出结果：
在这里插入图片描述

import numpy as np
# Numpy计算
# 统计运算 —— 数组与数的运算（乘法）
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])

print("减半前：")
print(stus_score)

# 为所有平时成绩都加5分
stus_score[:,0] = stus_score[:,0]*0.5
print("减半后：")
print(stus_score)

输出结果：
在这里插入图片描述

数组间运算：

import numpy as np
# Numpy计算
# 统计运算 —— 数组间运算
a = np.array([1,2,3,4])
b = np.array([10,20,30,40])
c = a + b
d = a - b
e = a * b
f = a / b
print("a+b为",c)
print("a-b为",d)
print("a*b为",e)
print("a/b为",f)

输出结果：

在这里插入图片描述

矩阵运算np.dot()

计算规则
(M行, N列) * (N行, Z列) = (M行, Z列)

import numpy as np
# Numpy计算
# 矩阵运算：总成绩
# 计算规则
# (M行, N列) * (N行, Z列) = (M行, Z列)
stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
# 平时成绩占40% 期末成绩占60%，计算结果
q = np.array([[0.4],[0.6]])
result = np.dot(stus_score,q)
print("最终结果为：")
print(result)

输出结果：
在这里插入图片描述

矩阵拼接
矩阵垂直拼接

import numpy as np
# Numpy计算
# 矩阵拼接
# 矩阵垂直拼接
print("v1为：")
v1 = [[0,1,2,3,4,5],[6,7,8,9,10,11]]
print(v1)
print("v2为：")
v2 = [[12,13,14,15,16,17],[18,19,20,21,22,23]]
print(v2)
#垂直拼接
result = np.vstack((v1,v2))
print("v1和v2垂直拼接的结果为")
print(result)

输出结果：

在这里插入图片描述

矩阵水平拼接

import numpy as np
# Numpy计算
# 矩阵拼接
# 矩阵水平拼接
print("v1为：")
v1 = [[0,1,2,3,4,5],[6,7,8,9,10,11]]
print(v1)
print("v2为：")
v2 = [[12,13,14,15,16,17],[18,19,20,21,22,23]]
print(v2)
#垂直拼接
result = np.hstack((v1,v2))
print("v1和v2水平拼接的结果为")
print(result)

输出结果：

在这里插入图片描述
Numpy读取数据np.genfromtxt

在这里插入图片描述

import numpy as np
# Numpy读取数据np.genfromtxt
# genfromtxt 设置csv文件读取路径，设置分隔符
result = np.genfromtxt("./students_score.csv",delimiter=",")
print(result)

输出结果：

在这里插入图片描述

只爭朝夕不負韶華
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
未来销售额预测--kaggle项目笔记
Sun123234的博客
07-26 1493
未来销售额预测--kaggle项目笔记
TutorialsPoint NumPy 教程
龙哥盟
12-29 4万+
来源：NumPy Tutorial - TutorialsPoint 译者：飞龙 协议：CC BY-NC-SA 4.0 NumPy - 简介NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Nu
【NumPy系列】基本操作 - 一
热门推荐
你不来，再美的天地，都狼藉 ~
07-07 7万+
大家好！我是初心，本期给大家带来的是【【NumPy系列】基本操作 - 一。
python学习—最全Numpy教程
一键难忘的博客
12-15 1万+
1. Numpy概述 NumPy（Numerical Python的简称）是Python数值计算最重要的基础包。大多数提供科学计算的包都是用NumPy的数组作为构建基础。 1.1.1. Why NumPy? 1.一个强大的N维数组对象ndarray，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.用于集成由C、C++、Fortran等语言类库的C语言 API 3.线性代数、随机数生成以及傅里叶变换功能。 4.用于对整组数据进行快速运算的标准数学函数（无需编写循环）,支持大量的数据运算 5.
Numpy详解
m0_74877461的博客
04-02 715
numpy(全称为Numerical Python)是一个开源的python科学计算库，常常用于数组，矩阵之间的运算，库中包含了线性代数、傅里叶变换、随机数生成等大量函数。
Python程序设计：numpy使用基础.pptx
06-12
Numpy是一个开源的Python科学计算库，是数据分析和科学计算领域中的重要的扩展库； Numpy提供了多维数组对象，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、...
Python程序设计.rar
05-11
Python程序设计课程的详细ppt课件，包含了20个章节，共21个ppt，未压缩前58M。该资源在每一章节都有相关示例、可行的Python代码，这些代码可以直接复制粘贴到Python编辑器中。这些示例和代码来源于一些好书，也有...
头歌python程序设计答案
最新发布
03-15
【标题】"头歌Python程序设计答案"涉及的是Python编程语言的学习与实践，可能是某教材或课程配套的习题解答。Python是一种高级编程语言，以其简洁、易读的语法而闻名，广泛应用于Web开发、数据分析、人工智能等多个...
Python程序设计平时作业.rar
08-18
在本压缩包“Python程序设计平时作业.rar”中，包含了四川大学张兵老师教授的Python程序设计课程的高分平时作业。这些作业旨在帮助学生掌握Python编程基础，提高编程技能，并通过一次小游戏设计来锻炼实际应用能力。...
python程序设计第三版_python程序设计第三版_
09-29
《Python程序设计第三版》是Python编程学习领域的一本经典教材，特别适合对人工智能感兴趣的读者。这本书深入浅出地介绍了Python语言的基础知识和高级特性，为读者提供了全面且实用的编程指导。 首先，Python作为...
Python NumPy程序库
m0_49039489的博客
07-23 293
文章目录NumPyNumPy 应用NumPy ndarray 对象numpy.emptynumpy.zerosnumpy.onesnumpy.asarraynumpy.fromiterNumPy 从数值范围创建数组numpy.linspaceNumPy 高级索引花式索引 NumPy NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，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。 NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
Python：Numpy详解
qq_43042024的博客
02-27 7032
NumPy Ndarray 对象 NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。 ndarray 对象是用于存放同类型元素的多维数组。 ndarray 中的每个元素在内存中都有相同存储大小的区域。 ndarray 内部由以下内容组成： 一个指向数据（内存或内存映射文件中的一块数据）的指针。 数据类型或 ...
【Python】Numpy简明教程
sgzqc的专栏
04-18 1310
1. 引言 本文主要介绍Python中专门用于数据处理的库–Numpy,使用它可以快速地构建复杂的矩阵操作。 闲话少说，我们直接开始吧！ 2. 什么是Numpy? Numpy是Numerical Python的缩写，它包含多维矩阵对象和多种数据操作函数。使用Numpy，可以方便地对数据执行数学和逻辑运算。 在Python中，我们经常需要使用数组进行操作，但它们处理起来很慢。NumPy旨在提供一个比传统Python列表快50倍的数组对象。NumPy中的数组对象称为ndarray，它提供了许多功能强大的函数，使
数据分析第二章
yanyiting666的博客
08-06 425
2.1 Numpy 数组对象ndarray # 代码 2-1 import numpy as np #导入 NumPy 库 arr1 = np.array([1, 2, 3, 4]) #创建一维数组 print(' 创建的数组为： ',arr1) # 创建二维数组 arr2 = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) pr...
（五）python学习笔记之numpy快速入门程序
xuzkbd的博客
01-23 413
import numpy as np a = np.arange(15).reshape(3, 5) # 创建一个0到15的，3行5列的对象 print(a) # 轴数 print(a.ndim) # 各轴维数 print(a.shape) # 元素大小 print(a.size) # 元素类型 print(a.dtype) # 每个元素占的字节数 print(a.itemsize) # 查...
Numpy
孔祥旭的博客
12-16 3万+
Numpy(Numerical Python)是一个开源的、高性能的Python数值计算库为提高运算效率，ndarray数组值的类型默认相同，创建时自动指定默认数据类型(内存占用最大的值类型) 默认浮点类型(float)导包:import numpy as np// 创建ndarray数组 可以自定义数据类型np.array(数组,dtype=np.bool)# 转数组类型 数组.astype(
Numpy（五）专用函数
程序猿的视界
01-08 6325
1、排序和搜索 NumPy提供了多种排序函数，如下所示： sort函数返回排序后的数组； lexsort函数根据键值的字典序进行排序； argsort函数返回输入数组排序后的下标； ndarray类的sort方法可对数组进行原地排序 msort函数沿着第一个轴排序； sort_complex函数对复数按照先实部后虚部的顺序进行排序。           在上面的列表中，ar
如果不懂 numpy，请别说自己是 python 程序员
Python作业辅导员 - 天元浪子
02-17 3万+
大约七八年前，我曾经用 pyOpenGL 画过地球磁层顶的三维模型，这段代码至今仍然还运行在某科研机构里。在那之前，我一直觉得自己是一个合（you）格（xiu）的 python 程序员，似乎无所不能。但磁层顶模型的显示效果令我沮丧——尽管这个模型只有十几万个顶点，拖拽、缩放却非常卡顿。最终，我把顶点数量删减到两万左右，以兼顾模型质量和响应速度，才勉强交付了这个任务。从此我开始怀疑 python 的性能，甚至一度怀疑 python 是否还是我的首选工具。
Numpy常用操作
Take it easy
10-21 1万+
前言： 标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。 此外Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似。
2021年Python程序设计题库.docx
12-06
"2021年Python程序设计题库包含了填空题，涵盖了Python的基础知识，如安装扩展库的方法、Python标准库的使用、程序文件的扩展名、编译后的扩展名，以及如何使用pip管理Python扩展库。此外，题库还涉及了IDLE的交互...

“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

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

打赏作者

只爭朝夕不負韶華

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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