Python 数组计算模块 NumPy快速入门 这篇就够了

已于 2024-02-10 17:32:22 修改
阅读量1k 收藏 7
点赞数 20
文章标签： python 数据分析 numpy
于 2024-02-10 17:29:05 首次发布
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_69183322/article/details/136086177
版权

目录

1.NumPy概述

2.安装NumPy

3.NumPy 创建数组

4. 从已有的数组中创建数组

 5.数组的运算

5.1算术运算：

5.2统计运算：

5.3逻辑运算：

5.4比较运算：

5.5线性代数运算：

5.6形状操作：

5.7索引和切片：

5.8广播（Broadcasting）：

5.9随机模块：

5.10其他常用函数：

1.NumPy概述

NumPy（Numerical Python的简称）是Python的一种开源的数值计算扩展库，它提供了大量的维度数组与矩阵运算的功能，此外也针对数组运算提供大量的数学函数库。NumPy的核心是ndarray对象，这是一个强大的N维数组对象，封装了Python原生的同数据类型的n维数组，以提供更高的性能。

NumPy提供了各种派生对象，如掩码数组和矩阵，以及用于数组快速操作的各种API，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功能。

2.安装NumPy

pip install numpy

3.NumPy 创建数组

下面是常用的创建数组函数

示例：

import numpy as np

# 创建一个一维数组
one_dimensional_array = np.array([1, 2, 3, 4, 5])
print("一维数组:", one_dimensional_array)

# 创建一个二维数组
two_dimensional_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组:\n", two_dimensional_array)

# 创建一个全零数组，形状为 (3, 3)
zeros_array = np.zeros((3, 3))
print("全零数组:\n", zeros_array)

# 创建一个全一数组，形状为 (2, 2)
ones_array = np.ones((2, 2))
print("全一数组:\n", ones_array)

# 创建一个空数组，形状为 (2, 2)
empty_array = np.empty((2, 2))
print("空数组:\n", empty_array)

# 创建一个从0到9的一维数组
arange_array = np.arange(10)
print("arange数组:", arange_array)

# 创建一个包含10个等间距元素，从0到1（不包括1）的一维数组
linspace_array = np.linspace(0, 1, 10)
print("linspace数组:", linspace_array)

# 创建一个形状为 (3, 3) 的随机浮点数数组，范围在 [0, 1) 之间
random_float_array = np.random.rand(3, 3)
print("随机浮点数数组:\n", random_float_array)

# 创建一个形状为 (4,) 的随机整数数组，范围在 0 到 10 之间
random_int_array = np.random.randint(0, 10, 4)
print("随机整数数组:", random_int_array)

运行结果：

一维数组: [1 2 3 4 5]
二维数组:
 [[1 2 3]
 [4 5 6]
 [7 8 9]]
全零数组:
 [[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]
全一数组:
 [[1. 1.]
 [1. 1.]]
空数组:
 [[1. 1.]
 [1. 1.]]
arange数组: [0 1 2 3 4 5 6 7 8 9]
linspace数组: [0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]
随机浮点数数组:
 [[0.59046604 0.18775417 0.5771293 ]
 [0.31822654 0.05677973 0.65466802]
 [0.8189839  0.80190297 0.99657669]]
随机整数数组: [1 1 3 9]
 

还可以使用logspace函数创建等比数列

4. 从已有的数组中创建数组

示例：

import numpy as np

# 使用asarray创建数组，它将尝试将输入转换为NumPy数组
list_data = [1, 2, 3, 4, 5]
array_from_list = np.asarray(list_data, dtype=np.int64)
print("使用asarray从列表创建的数组:", array_from_list)

# 创建一个原始数组
original_array = np.array([[1, 2], [3, 4]])

# 使用empty_like创建一个与原始数组形状相同但内容未初始化的数组
empty_array = np.empty_like(original_array, dtype=original_array.dtype)
print("使用empty_like创建的数组:", empty_array)

# 使用zeros_like创建一个与原始数组形状相同且全为0的数组
zeros_array = np.zeros_like(original_array)
print("使用zeros_like创建的数组:", zeros_array)

# 使用ones_like创建一个与原始数组形状相同且全为1的数组
ones_array = np.ones_like(original_array)
print("使用ones_like创建的数组:", ones_array)

# 使用full_like创建一个与原始数组形状相同且全为指定值的数组
full_array = np.full_like(original_array, fill_value=5)
print("使用full_like创建的数组:", full_array)

运行结果：

使用asarray从列表创建的数组: [1 2 3 4 5]
使用empty_like创建的数组: [[ 452028457 1691728998]
 [1589277032 -837084891]]
使用zeros_like创建的数组: [[0 0]
 [0 0]]
使用ones_like创建的数组: [[1 1]
 [1 1]]
使用full_like创建的数组: [[5 5]
 [5 5]]

 5.数组的运算

NumPy（Numerical Python的简称）是一个强大的Python库，用于处理大型多维数组和矩阵的数学运算。它提供了许多高级数学函数来操作这些数组。以下是一些常见的NumPy数组运算：

5.1算术运算：

  1. 加法：numpy.add() 或 +
  2. 减法：numpy.subtract() 或 -
  3. 乘法：numpy.multiply() 或 *（对于逐元素乘法）或 @（对于矩阵乘法）
  4. 除法：numpy.divide() 或 /
  5. 取模：numpy.mod() 或 %
  6. 幂运算：numpy.power() 或 **

示例：

import numpy as np

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

# 加法
add_result = np.add(a, b)
print("加法结果:", add_result)  # 输出: [5 7 9]

# 减法
sub_result = np.subtract(b, a)
print("减法结果:", sub_result)  # 输出: [3 3 3]

# 乘法
mul_result = np.multiply(a, b)
print("乘法结果:", mul_result)  # 输出: [ 4 10 18]

# 除法
div_result = np.divide(b, a)
print("除法结果:", div_result)  # 输出: [4. 2.5 2.]

# 幂运算
power_result = np.power(a, 2)
print("幂运算结果:", power_result)  # 输出: [1 4 9]

运行结果：

加法结果: [5 7 9]
减法结果: [3 3 3]
乘法结果: [ 4 10 18]
除法结果: [4.  2.5 2. ]
幂运算结果: [1 4 9]

5.2统计运算：

  1. 求和：numpy.sum()
  2. 平均值：numpy.mean()
  3. 中位数：numpy.median()
  4. 标准差：numpy.std()
  5. 方差：numpy.var()
  6. 最小值：numpy.min()
  7. 最大值：numpy.max()

示例：

import numpy as np

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

# 求和
sum_result = np.sum(a)
print("求和结果:", sum_result)  # 输出: 15

# 平均值
mean_result = np.mean(a)
print("平均值结果:", mean_result)  # 输出: 3.0

# 中位数
median_result = np.median(a)
print("中位数结果:", median_result)  # 输出: 3.0

# 标准差
std_result = np.std(a)
print("标准差结果:", std_result)  # 输出: 1.4142135623730951

# 方差
var_result = np.var(a)
print("方差结果:", var_result)  # 输出: 2.0

# 最小值
min_result = np.min(a)
print("最小值结果:", min_result)  # 输出: 1

# 最大值
max_result = np.max(a)
print("最大值结果:", max_result)  # 输出: 5

运行结果：

求和结果: 15
平均值结果: 3.0
中位数结果: 3.0
标准差结果: 1.4142135623730951
方差结果: 2.0
最小值结果: 1
最大值结果: 5

5.3逻辑运算：

  1. 逻辑与：numpy.logical_and() 或 &
  2. 逻辑或：numpy.logical_or() 或 |
  3. 逻辑非：numpy.logical_not() 或 ~

示例：

import numpy as np

a = np.array([1, 0, 2, 0, 3])
b = np.array([0, 1, 2, 0, 1])

# 逻辑与
and_result = np.logical_and(a > 0, b > 0)
print("逻辑与结果:", and_result)  # 输出: [False False  True False True]

# 逻辑或
or_result = np.logical_or(a > 1, b > 1)
print("逻辑或结果:", or_result)  # 输出: [False False  True False True]

# 逻辑非
not_result = np.logical_not(a == b)
print("逻辑非结果:", not_result)  # 输出: [ True  True False False  True]

运行结果：

逻辑与结果: [False False  True False  True]
逻辑或结果: [False False  True False  True]
逻辑非结果: [ True  True False False  True]

5.4比较运算：

  1. 等于：numpy.equal() 或 ==
  2. 不等于：numpy.not_equal() 或 !=
  3. 小于：numpy.less() 或 <
  4. 大于：numpy.greater() 或 >
  5. 小于等于：numpy.less_equal() 或 <=
  6. 大于等于：numpy.greater_equal() 或 >=

示例：

import numpy as np  
  
a = np.array([1, 2, 3, 4, 5])  
  
# 等于  
equal_result = np.equal(a, 3)  
print("等于结果:", equal_result)  # 输出: [False False  True False False]  
  
# 不等于  
not_equal_result = np.not_equal(a, 3)  
print("不等于结果:", not_equal_result)  # 输出: [ True  True False  True  True]  
  
# 小于  
less_result = np.less(a, 3)  
print("小于结果:", less_result)  # 输出: [ True  True False False False]  
  
# 大于等于  
greater_equal_result = np.greater_equal(a, 3)  
print("大于等于结果:", greater_equal_result)  # 输出: [False False  True  True  True]

运行结果：

等于结果: [False False  True False False]
不等于结果: [ True  True False  True  True]
小于结果: [ True  True False False False]
大于等于结果: [False False  True  True  True]

5.5线性代数运算：

  1. 矩阵乘法：numpy.dot() 或 @
  2. 矩阵转置：numpy.transpose() 或 .T 属性
  3. 矩阵的逆：numpy.linalg.inv()
  4. 行列式：numpy.linalg.det()
  5. 特征值和特征向量：numpy.linalg.eig()

示例：

import numpy as np

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

# 矩阵乘法
dot_product = np.dot(A, B)
print("矩阵乘法结果:", dot_product)

# 矩阵转置
A_transpose = A.T
print("矩阵转置结果:", A_transpose)

# 矩阵的逆（如果矩阵可逆）
A_inv = np.linalg.inv(A)
print("矩阵的逆结果:", A_inv)

# 行列式
det_A = np.linalg.det(A)
print("行列式结果:", det_A)

# 特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)
print("特征值:", eigenvalues)
print("特征向量:", eigenvectors)

运行结果：

矩阵乘法结果: [[19 22]
 [43 50]]
矩阵转置结果: [[1 3]
 [2 4]]
矩阵的逆结果: [[-2.   1. ]
 [ 1.5 -0.5]]
行列式结果: -2.0000000000000004
特征值: [-0.37228132  5.37228132]
特征向量: [[-0.82456484 -0.41597356]
 [ 0.56576746 -0.90937671]]

5.6形状操作：

  1. 改变形状：numpy.reshape()
  2. 扁平化：numpy.ravel() 或 numpy.flatten()
  3. 连接数组：numpy.concatenate()
  4. 拆分数组：numpy.split()

示例：

import numpy as np

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

# 改变形状
reshaped_a = np.reshape(a, (3, 2))
print("改变形状结果:", reshaped_a)

# 扁平化
flattened_a = a.flatten()
print("扁平化结果:", flattened_a)

# 连接数组
b = np.array([[7, 8, 9], [10, 11, 12]])
concatenated_ab = np.concatenate((a, b), axis=0)
print("连接数组结果:", concatenated_ab)

# 拆分数组
split_a = np.split(a, 3, axis=1)
print("分割后的数组:", split_a)

运行结果：

改变形状结果: [[1 2]
 [3 4]
 [5 6]]
扁平化结果: [1 2 3 4 5 6]
连接数组结果: [[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
分割后的数组: [array([[1],
       [4]]), array([[2],
       [5]]), array([[3],
       [6]])]

5.7索引和切片：

  1. 一维数组索引和切片类似于Python列表
  2. 多维数组支持复杂的索引和切片方式，包括整数数组索引和布尔索引

示例：

import numpy as np  
  
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  
  
# 索引  
print("索引结果:", a[1, 2])  # 输出: 6  
  
# 切片  
slice_result = a[0:2, 1:3]  
print("切片结果:", slice_result)  # 输出: [[2 3] [5 6]]

运行结果：

索引结果: 6
切片结果: [[2 3]
 [5 6]]

5.8广播（Broadcasting）：

  1. 当两个数组的维度不兼容时，NumPy会自动触发广播机制，使得它们可以进行数学运算

示例：

import numpy as np  
  
a = np.array([[1, 2, 3], [4, 5, 6]])  
b = np.array([1, 2, 3])  
  
# 广播后相加  
added_result = a + b  
print("广播相加结果:", added_result)

运行结果：

广播相加结果: [[2 4 6]
 [5 7 9]]

5.9随机模块：

  1. 生成随机数：numpy.random.rand()
  2. 从正态分布中生成随机数：numpy.random.randn()
  3. 设置随机种子：numpy.random.seed()

示例：

import numpy as np  
  
# 设置随机种子以确保结果可复现  
np.random.seed(0)  
  
# 生成随机数  
random_numbers = np.random.rand(3, 2)  
print("随机数结果:", random_numbers)  
  
# 从正态分布中生成随机数  
normal_distribution = np.random.randn(3, 2)  
print("正态分布随机数结果:", normal_distribution)

运行结果：

随机数结果: [[0.5488135  0.71518937]
 [0.60276338 0.54488318]
 [0.4236548  0.64589411]]
正态分布随机数结果: [[ 0.95008842 -0.15135721]
 [-0.10321885  0.4105985 ]
 [ 0.14404357  1.45427351]]

5.10其他常用函数：

  1. 排序：numpy.sort()
  2. 唯一值：numpy.unique()
  3. 查找：numpy.where()
  4. 条件计数：numpy.count_nonzero()
  5. 剪裁值：numpy.clip()

示例：

import numpy as np  
  
a = np.array([5, 2, 6, 1, 9, 4, 7, 3, 8])  
  
# 排序  
sorted_a = np.sort(a)  
print("排序结果:", sorted_a)  
  
# 唯一值  
unique_a = np.unique(a)  
print("唯一值结果:", unique_a)  
  
# 查找：返回满足条件的索引  
indices = np.where(a > 5)  
print("查找结果:", indices)  
  
# 条件计数：计算数组中大于5的元素个数  
count = np.count_nonzero(a > 5)  
print("条件计数结果:", count)  
  
# 剪裁值：将数组中的值限制在2到7之间  
clipped_a = np.clip(a, 2, 7)  
print("剪裁值结果:", clipped_a)

运行结果：

排序结果: [1 2 3 4 5 6 7 8 9]
唯一值结果: [1 2 3 4 5 6 7 8 9]
查找结果: (array([2, 4, 6, 8], dtype=int64),)
条件计数结果: 4
剪裁值结果: [5 2 6 2 7 4 7 3 7]

探索星辰大海
关注
  • 20
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Python-Numpy模块
qq_43606835的博客
11-14 501
Python-Numpy模块各类方法函数，如统计函数，索引，数组合并，随机函数等
python numpy模块/库
Lockey23的博客
09-07 2509
python NumPy模块/包/库
Python NumPy 库详解
最新发布
若不知道要驶向哪个码头，那么任何风都不会是顺风。
06-13 2802
大家好，在当今数据驱动的世界中，处理大规模数据、进行复杂数值计算是科学研究、工程设计以及数据分析的关键任务之一。在Python生态系统中，NumPy（Numerical Python）库是一款备受推崇的工具，它为我们提供了高效的数组操作、数学函数以及线性代数运算等功能，成为了科学计算和数据处理的利器。
python中的numpy模块
weixin_36670529的博客
12-06 4053
目录 NumPy 教程 学习本教程前你需要了解 NumPy 应用 相关链接 NumPy 安装 1、使用已有的发行版本 2、使用 pip 安装 Linux 下安装 安装验证 NumPy Ndarray 对象 NumPy 数据类型 数据类型对象 (dtype) NumPy 数组属性 ndarray.ndim ndarray.shape ndarray.itemsize ...
Python中的numpy模块
qq_74424826的博客
05-24 475
一.Python中的numpy模块能够很好的帮助我们处理类似于数组的数据，并且对他们进行整理或修改，还可以配合matplotlib模块来共同进行数据分析和处理.s3本来是一维数组的形式，现将其修改为二维4行6列的形式（注意：对象本身不会被修改，而是会产生一个新的对象）如图为例，该方法表示将s1数组中小于10的元素替换为10，大于18的元素替换为18。如图，打印出来的(*,*)表示几行几列的形式，一般都用","区分块，行，列。三维:(*,*,*)#前后分别表示*块*行*列。一维:(*, )#*表示元素个数。
Python进阶(十一) -- Numpy模块
zzt3344的博客
11-19 585
NumPy是用于数据科学计算的基础模块,不但能够完成科学计算的任务,而且能被用于高效得多维数组容器,可用于存储和处理大型矩阵。
Python科学计算 - Numpy快速入门
sheiuh的博客
10-24 173
Numpy是什么？ Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。它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））。 NumPy（Numeric Python）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，...
numpy快速入门
an__jing_的博客
01-17 1774
一份非常好的numpy入门学习资料，可以用于速查，推荐速览一遍。
python numpy入门用法实例20题（适合入门）
10-20
Python的NumPy库是数据处理和科学计算的核心工具，它为数组操作提供了高效且便捷的接口。本套实例教程旨在帮助初学者理解并掌握NumPy的基础用法，通过20个具体的实例，涵盖数组创建、基本操作、数学函数应用、矩阵...
P叔带你详解Python模块NumPy_numpy模块 python
2201_75604580的博客
04-30 627
4, 5]还可以按布尔数组进行匹配多维数组的操作与此类似，如果有时间，不妨在上述例子上动手试一下，记住，如果使用负整数，索引会从末尾倒着开始哦。
win 7 Python numpy 模块
09-05
win 7 Python numpy 模块 (64位系统)
python(numpy模块)
qq_43194257的博客
02-25 1181
什么是numpy？ 快速， 方便的科学计算基础库(主要是数值的计算， 多维数组的运算); 数组和列表的区别 数组: 存储的时同一种数据类型; list:容器， 可以存储任意数据类型; 数组是一种特殊的列表 numpy的操作 1. numpy中如何创建数组(矩阵)? 方法一： import numpy as np a=np.array([1,2,3,4,5]) b=np.array(range(...
Python的numpy模块
wgq2020的博客
11-03 85
NumPy是Python中的一个重要库，可以用于科学计算和数据分析。它提供了高性能的多维数组对象，以及大量的数学函数和操作。在使用NumPy之前，需要先安装该模块。使用NumPy可以对数组进行多种操作，例如获取数组的形状、大小、数据类型等。以上是使用NumPy的一些基本操作和用法，通过NumPy可以进行更高级的数据分析和科学计算。使用NumPy可以进行数组运算，例如加、减、乘、除等。使用NumPy可以创建多维数组。
python-numpy模块
weixin_64729620的博客
08-16 133
NumPy是一个Python库，用于进行科学计算。它提供了一个多维数组对象，以及许多用于操作数组的函数。NumPy是基于向量化的计算，可以用来执行高效的数值运算。
Python Numpy模块
weixin_43989304的博客
04-11 390
NumPy是Python中一个用于科学计算的开源模块，提供了多维数组对象和一系列用于处理数组的函数库。它可以让用户更加方便地进行数据处理、数值分析和科学计算等任务。NumPy中的数组实现了向量化操作，可以使用广播等方式进行高效的数值计算。另外，NumPy还提供了线性代数、傅里叶变换、随机数生成等多种功能。使用NumPy之前，请确保已经安装了NumPy模块。安装方法：pip install numpy。
python numpy模块
舌耳的博客
05-26 264
作用： python用来做科学计算的模块 安装使用pip3即可 导入和读取文件 使用genfromtxt import numpy as np #导入并重命名为np world_alcohol = np.genfromtxt('world_alcohol.txt', delimiter=',', dtype='str', skip_header=1) #genfromt...
python的numpy模块
2301_76777096的博客
05-12 946
求和: sum(), 最小值:min() 最大值:max() 平均值: mean() 平均值:average() 中位数: median()cumsum() 累加 log() 自然对数 (np.log()以e为底, np.log2() 以2为底 np.log10() 以10为底)标准差: std() 方差:var() 幂: power() 按条件查找(True, False): argwhere()
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

探索星辰大海

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