numpy的基础使用

目录

一、数组的创建

二、切片及索引的运算

三、 简单的运算

四、数学运算

 五、随机数

六、类型转换

---

NumPy 是一个开源的 Python 库，用于科学计算。它提供了一个高性能的多维数组对象和用于处理这些数组的工具。以下是一些 NumPy 的常用操作：

1. 创建数组：

   • np.array(): 创建一个数组。
   • np.zeros(): 创建一个元素全部为0的数组。
   • np.ones(): 创建一个元素全部为1的数组。
   • np.arange(): 创建一个序列数组。
   • np.linspace(): 创建一个在指定区间等分的数组。

2. 数组的形状操作：

   • array.shape: 查询数组形状。
   • array.reshape(): 改变数组的形状。
   • np.newaxis: 增加一个新轴。
   • np.expand_dims(): 扩展数组的形状。
   • array.flatten(): 展平数组。

3. 数组的索引、切片和迭代：

   • 使用整数数组索引。
   • 使用布尔数组索引。
   • 使用花式索引。
   • 切片操作。

4. 数组的计算：

   • 算术运算符：+、-、*、/ 和 **。
   • np.dot(): 矩阵乘法。
   • np.sum(), np.prod(), np.mean(), np.std(): 计算总和、乘积、平均值和标准差等。
   • np.min(), np.max(): 计算最小值和最大值。

5. 广播：

   • NumPy 可以在执行算术运算时自动应用广播规则。

6. 聚合操作：

   • np.sum(), np.mean(), np.std(), np.var(), np.min(), np.max(): 聚合操作可以沿数组的指定轴应用。

7. 线性代数：

   • np.dot(): 矩阵乘法。
   • np.linalg.inv(): 计算矩阵的逆。
   • np.linalg.solve(): 解线性方程组。
   • np.linalg.eig(): 计算方阵的特征值和特征向量。

8. 随机数：

   • np.random.rand(): 产生指定形状的随机数组。
   • np.random.randn(): 产生标准正态分布的随机数组。
   • np.random.randint(): 产生随机整数数组。

9. 保存和加载：

   • np.save() 和 np.savez(): 保存数组到磁盘。
   • np.load(): 从磁盘加载数组。

10. 类型转换和类型强制：

    • 使用 array.astype() 转换数组的数据类型。

NumPy 是一个非常强大的库，以上只是它功能的一部分。在实际使用中，根据具体的需求，可能还会涉及到更多的函数和操作。

以下是部分代码示范：

一、数组的创建

导入

import numpy as np

数组创建的几种形式

 '''创建数组'''
    # 创建一个数组
    a = np.array([1, 2, 3])
    print(a)

    # 创建一个 2 * 2 全部为0的算法
    a = np.zeros((2,2))
    print(a)

    # 创建一个 2 * 2 全部为1的算法
    a = np.ones((2*2))
    print(a)

    # 创建1～10序列数组
    a = np.arange(10)
    print(a)

    # 1 ~ 9 步长为2
    a = np.arange(1,10,2)
    print(a)

    # 0 到 10 ，等长分成 5 份
    e = np.linspace(0, 10, 5)
    print(e)

二、切片及索引的运算

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

    # 取对角线
    rows = [0,1,2]
    cols = [0,1,2]
    print(a[rows,cols])

    # 布尔索引
    c = a[a > 5]
    print(c)

    # 切片
    d = a[1:3,1:3]
    print(d)

    # 遍历数组
    for i in a:
        for j in i:
            print(j,end=' ')

三、 简单的运算

    a = np.array([1, 2, 3, 4])
    b = np.array([5, 6, 7, 8])

    # 算术运算
    c = a + b
    print(c)
    d = a * b
    print(d)

    # 矩阵乘法
    A = np.array([[1, 2], [3, 4]])
    B = np.array([[1,2],[1,1]])
    C = np.dot(A,B)
    print(C)

    # 求最大最小值
    print(a.max())
    print(a.min())
    # 求和
    sum_a = a.sum()
    print(sum_a)
    # 求平均数
    mean_a = a.mean()
    print(mean_a)

四、数学运算

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

    # 求矩阵的逆
    ivn_A = np.linalg.inv(A)
    print(ivn_A)

    # 求A的行列式
    det_A = int(np.linalg.det(A))
    print(det_A)

    # 求A的值和特征向量
    eigenvalues, eigenvectors = np.linalg.eig(A)
    print(eigenvalues)
    print(eigenvectors)

 五、随机数

# 创建一个 2 * 2 的随机数组
    a = np.random.rand(2,2)
    print(a)

    # 产生标准正态分布的随机数组
    b = np.random.randn(2, 2)
    print(b)

    # 生成一个 3 * 3 随机浮点数
    random_number = np.random.random((3,3))
    print(random_number)

    # 创建一个0～9 的 形状为3 * 3 的随机数组
    c  = np.random.randint(0, 10, size=(3,3))
    print(c)

六、类型转换

a = np.array([1., 2.2, 3.3])

    # 转换数组的数据类型
    b = a.astype(int)  # 输出：[1 2 3]

    print(b)
    print(type(b))