Numpy入门笔记

2pi

已于 2024-06-12 23:27:14 修改

阅读量303

点赞数 9

文章标签： numpy 笔记

于 2024-04-24 02:25:36 首次发布

本文链接：https://blog.csdn.net/qq_46457813/article/details/138143234

版权

本文详细介绍了使用NumPy库进行数组操作，包括创建数组、数组切片、常用数学函数如求平方根、绝对值等，以及排序、查找元素位置、条件筛选和广播机制。还涉及了np.argmax、np.empty和np.zeros的区别，以及在数据分析中的应用，如比较DataFrame列的值。

摘要由CSDN通过智能技术生成

文章目录

常用操作一览表
生成数组
数组切片
常用函数
copy or view
shape reshape
遍历数组
sort
查找元素位置
Filter
数组运算
np.argmax
np.empty与np.zeros
(df['label1'] == df['label2']用法（astype、sum）
生成坐标数组
np.sum与np.nansum
np.where

常用操作一览表

操作	描述
`np.array()`	从列表或元组创建数组。
`np.zeros()`	创建全零数组。
`np.ones()`	创建全一数组。
`np.arange()`	创建一个范围数组。
`np.linspace()`	创建等间隔的数组。
`np.random.rand()`	创建指定形状的随机数组。
属性
`ndarray.shape`	数组的维度。
`ndarray.size`	数组中元素的总数。
`ndarray.dtype`	数组中元素的数据类型。
数组查找
`np.argmin()`	查找数组中最小值的索引。
数组操作
`np.vstack()`	沿着垂直方向堆叠数组。
`np.hstack()`	沿着水平方向堆叠数组。
数组重塑和转置
`ndarray.reshape()`	重塑数组的形状。
`ndarray.T`	数组的转置。
数组排序
`np.sort()`	对数组进行排序。
数组索引和迭代
数组切片
布尔索引和条件筛选
数组拼接和分割
`np.concatenate()`	沿指定轴拼接数组。
`np.split()`	将数组沿指定轴分割。
数组形状操作
`np.flatten()`	将多维数组转换为一维数组。
`np.squeeze()`	移除数组中的单维度条目。
广播	自动处理不同形状数组之间的运算。
生成对角线矩阵	`Z = np.eye(100)`
将对角线以下元素设为0	`indices = np.tril_indices_from(Z, k=-1)` `Z[indices] = 0`
获取对角线元素	`diagonal = np.diag(Z)`
获取对角线以上的元素	`above_diagonal = np.triu(Z, k=1)`
获取对角线以下的元素	`below_diagonal = np.tril(Z, k=-1)`
矩阵乘法	`result = np.dot(Z, A)`
计算行列式	`determinant = np.prod(diagonal)`

生成数组

列表转为np.array

import numpy as np
np1 = np.array([0,1,2,3,4,5,6,7,8,9])
np1

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

np1.shape

(10,)

arange(array range数组范围)

np.arange(10)

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

np.arange(0,10,2)

array([0, 2, 4, 6, 8])

zero

np.zeros(10)#生成10维0"列向量"

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

np.zeros((2,10))

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

full

np.full((10),6)

array([6, 6, 6, 6, 6, 6, 6, 6, 6, 6])

np.full((10),0)

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

np.full((2,10),0)

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

数组切片

一维数组切片与列表类似

np1 = np.array([0,1,2,3,4,5,6,7,8,9])
np1[1:5]

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

np1[3:]

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

np1[-3:-1]

array([7, 8])

np1[1:5:2]

array([1, 3])

np1[::2]

array([0, 2, 4, 6, 8])

二维切片

np1 = np.array([[1,2,3,4,5],
                [6,7,8,9,10]])
np1[1,2]

np1[0,1:3]

array([2, 3])

np1[:,1:3]

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

常用函数

np1 = np.arange(10)
np1

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

平方根

np.sqrt(np1)

array([0.        , 1.        , 1.41421356, 1.73205081, 2.        ,
       2.23606798, 2.44948974, 2.64575131, 2.82842712, 3.        ])

绝对值

np1 = np.arange(-5,6)
np1

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

np.abs(np1)

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

指数

np1 = np.arange(10)
np1

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

np.exp(np1)

array([1.00000000e+00, 2.71828183e+00, 7.38905610e+00, 2.00855369e+01,
       5.45981500e+01, 1.48413159e+02, 4.03428793e+02, 1.09663316e+03,
       2.98095799e+03, 8.10308393e+03])

最大值\最小值

np1 = np.arange(10)
np.max(np1)

符号函数

np1 = np.arange(-5,6)
np.sign(np1)

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

三角函数

np.sin(np1)

array([ 0.95892427,  0.7568025 , -0.14112001, -0.90929743, -0.84147098,
        0.        ,  0.84147098,  0.90929743,  0.14112001, -0.7568025 ,
       -0.95892427])

对数

np1 = np.arange(1,10)
np.log(np1)

array([0.        , 0.69314718, 1.09861229, 1.38629436, 1.60943791,
       1.79175947, 1.94591015, 2.07944154, 2.19722458])

更多数学运算命令官网api

copy or view

np1 = np.arange(10)
np1

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

np2 = np1.view()
np2

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

np1[1] = 100
np1

array([  0, 100,   2,   3,   4,   5,   6,   7,   8,   9])

np2

array([  0, 100,   2,   3,   4,   5,   6,   7,   8,   9])

np2[1] =1000
np1

array([   0, 1000,    2,    3,    4,    5,    6,    7,    8,    9])

view():改变原变量，副本也会变化;改变副本原变量也会变化
copy():相反，副本不会变化，因为两个变量完全独立

shape reshape

reshape 2D

np1 = np.arange(1,13)
np1

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

np1.reshape(3,4)

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

np2 = np.array([
    [1,2,3,4,5,6],
    [7,8,9,10,11,12]
])

np2.reshape(3,4)

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

np1 与np2 reshape得到结果一样

reshape 3D

np3 = np1.reshape(2,3,2)
np3

array([[[ 1,  2],
        [ 3,  4],
        [ 5,  6]],

       [[ 7,  8],
        [ 9, 10],
        [11, 12]]])

flateen to 1D

np4 = np3.reshape(-1)
np4

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])

np4.shape

(12,)

遍历数组

1维

np1 = np.arange(1,11)
for i in np1:
    print(i)

2维

np2 = np.array(np.arange(1,13).reshape(2,3,2))
np2

array([[[ 1,  2],
        [ 3,  4],
        [ 5,  6]],

       [[ 7,  8],
        [ 9, 10],
        [11, 12]]])

for x in np2:
    for y in x:
       for z in y:
        print(z)

3维

np3 = np.arange(1,13).reshape(4,3)
np3

array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])

for x in np3:
    for j in x:
        print(j)

这种方法太原始,下面使用np.nditer
nditer是"n-dimensional iterator"

for x in np.nditer(np3):
    print(x)

sort

1维数

np1 = np.array([2,6,7,3,2,5,6])
np.sort(np1)

array([2, 2, 3, 5, 6, 6, 7])

np2 = np.array(['Join','Alo','Bob','Cresi'])
print(np.sort(np2))

['Alo' 'Bob' 'Cresi' 'Join']

print(np.sort(np.array([True,False,False,True])))

[False False  True  True]

因为False 是0 True 是1

2维

np.sort(np.array([[6,2,3,1],
                  [7,4,5,6]]))

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

查找元素位置

where

np1 = np.array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12])
print(np1)
print('----------------------------')
np.where(np1==10)

[ 1  2  3  4  5  6  7  8  9 10 11 12]
----------------------------





(array([9], dtype=int64),)

np.where(np1%2==1)

(array([ 0,  2,  4,  6,  8, 10], dtype=int64),)

Filter

np1 = np.array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])
filt = [True,True,False,False,False,False,False,False,False,False]
np1[x]

array([1, 2])

查找偶数

filt = []
for thing in np1:
    if thing % 2 == 0:
        filt.append(True)
    else:
        filt.append(False)
filt

[False, True, False, True, False, True, False, True, False, True]

np1[filt]

array([ 2,  4,  6,  8, 10])

更快捷方式

np1 % 2 == 0

array([False,  True, False,  True, False,  True, False,  True, False,
        True])

filt  = (np1 % 2 == 0)
np1[filt]

array([ 2,  4,  6,  8, 10])

小节

数组可直接进行线性运算
判断语句时是数组中的每个元素一一去比对

数组运算

np1 ** 2

array([  1,   4,   9,  16,  25,  36,  49,  64,  81, 100], dtype=int32)

np1 + 1

array([ 2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

条件判断

np.array(['a','b']) == 'a'

array([ True, False])

加法运算

x = np.array([1,2,4,8])
y = np.array([2,2,2,2])
x + y

array([ 3,  4,  6, 10])

乘法运算(对应位置相乘)

x * y

array([ 2,  4,  8, 16])

幂运算

x ** y

array([ 1,  4, 16, 64], dtype=int32)

广播机制

a = np.arange(3).reshape(3,1)
b = np.arange(2).reshape(1,2)
a,b

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

a + b

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

np.argmax

import numpy as np

# 创建一个二维数组
arr = np.array([[1, 2, 3],
                [4, 100, 6],
                [7, 50, 9]])

# 在整个数组中找到最大值的索引
max_index = np.argmax(arr)
print("最大值的索引:", max_index)

# 沿着每一列找到最大值的索引
max_indices_col = np.argmax(arr, axis=0)
print("每一列最大值的索引:", max_indices_col)

# 沿着每一行找到最大值的索引
max_indices_row = np.argmax(arr, axis=1)
print("每一行最大值的索引:", max_indices_row)

```python
    最大值的索引: 4
    每一列最大值的索引: [2 1 2]
    每一行最大值的索引: [2 1 1]

np.empty与np.zeros

在NumPy中，np.empty() 和 np.zeros() 函数都用于创建指定形状的数组，但它们有一些区别：
np.empty() 函数创建一个指定形状的数组，但不初始化数组元素的值。它只分配内存空间，因此返回的数组中的元素值可能是任意的，取决于数组原先在内存中的状态。
因此，使用 np.empty() 创建的数组的元素值是未定义的，可能包含任意的数值（通常情况下是垃圾值）。
由于不进行初始化，np.empty() 的执行速度比 np.zeros() 快，因为后者需要将数组的所有元素初始化为零。
np.zeros() 函数创建一个指定形状的数组，并将所有元素的值初始化为零。
返回的数组中的所有元素都是零。

import numpy as np
# 使用 np.empty() 创建一个形状为 (2, 3) 的数组
arr_empty = np.empty((2, 3))
print("使用 np.empty() 创建的数组：")
print(arr_empty)

# 使用 np.zeros() 创建一个形状为 (2, 3) 的数组
arr_zeros = np.zeros((2, 3))
print("\n使用 np.zeros() 创建的数组：")
print(arr_zeros)

使用 np.empty() 创建的数组：
[[6.90827581e-310 4.65913659e-310 0.00000000e+000]
 [0.00000000e+000 0.00000000e+000 0.00000000e+000]]

使用 np.zeros() 创建的数组：
[[0. 0. 0.]
 [0. 0. 0.]]

(df[‘label1’] == df[‘label2’]用法（astype、sum）

df['label_1'] == df['label_2']

0     True
1    False
2    False
3    False
4    False
dtype: bool

(df['label_1'] == df['label_2']).astype(int)

0    1
1    0
2    0
3    0
4    0
dtype: int32

sum((df['label_1'] == df['label_2']))

生成坐标数组

import numpy as np

x = np.array([1, 2, 3, 4])  # 一维数组
y = np.array([5, 6, 7])     # 一维数组

X, Y = np.meshgrid(x, y)
print('X:\n',X,'\n','Y:\n',Y)
grid = np.c_[X.ravel(), Y.ravel()]
print(grid)

X:
 [[1 2 3 4]
 [1 2 3 4]
 [1 2 3 4]] 
 Y:
 [[5 5 5 5]
 [6 6 6 6]
 [7 7 7 7]]
[[1 5]
 [2 5]
 [3 5]
 [4 5]
 [1 6]
 [2 6]
 [3 6]
 [4 6]
 [1 7]
 [2 7]
 [3 7]
 [4 7]]

np.sum与np.nansum

import numpy as np

data = np.array([1, 2, np.nan, 4])

7.0

np.nansum(data)

7.0

np.sum(data)

nan

np.where

import numpy as np

# 示例数组
arr = np.array([1, 2, 3, 4, 5])

np.where(arr>3)

(array([3, 4], dtype=int64),)

arr[np.where(arr>3)]

array([4, 5])

np.where(arr>3,arr,'')

array(['', '', '', '4', '5'], dtype='<U11')

np.where有点类似df中的filter
np.where用于np.array
filter用于df

2pi

关注

9
点赞
踩
5

收藏

觉得还不错? 一键收藏
1
评论
Numpy入门笔记

numpy 入门笔记
复制链接

扫一扫