NumPy常用函数

最新推荐文章于 2024-07-24 23:27:06 发布

积累积累

最新推荐文章于 2024-07-24 23:27:06 发布

阅读量2.4k

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/ranxirui8580/article/details/79118927

版权

python 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

NumPy

The Basics

NumPy 主要面向的对象是齐次多维数组。在NumPy中维度(dimension)被称为轴(axe)。轴的个数即为秩(rank)。

例如，一个坐标为[1, 2, 1]的点的秩为1，因为它只有一个轴，并且这个轴的长度为3。下面这个例子，这个数组的秩为2。第一个轴的长度为2，第二个轴的长度为3

[[1,0,0],
[0,1,2]]

NumPy的数组类(class)被称为ndarray。它的别名(alias)被叫做数组。需要注意的是，numpy.array与标准Python库类array.array不一样，它只处理一维数组，并且提供较少的功能。ndarray的主要属性如下：

ndarray.ndim
数组的轴(axe)的数量。在Python中维度即为秩.
ndarray.shape
这个属性包含了数组的各向维度，例如一个m*n的矩阵，其shape为元组(m,n)
ndarray.size
数组中元素总共的数目。
ndarray.dtype
用于描述数组中元素的类型
ndarray.itemsize
数组中每个元素的字节数。例如，一个float64的字节数为8 =（64/8），等价于ndarray.dtype.itemsize。
ndarray.data
用于存储数组的实际元素。

>>> import numpy as np
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int32'
>>> a.itemsize
4
>>> type(a)
<class 'numpy.ndarray'>
>>> b = np.array([6,7,8])
>>> b
array([6, 7, 8])
>>> type(b)
<class 'numpy.ndarray'>

Array Creation

>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a = np.array(1,2,3,4)   # wrong
Traceback (most recent call last):
  File "<pyshell#5>", line 1, in <module>
    a = np.array(1,2,3,4)
ValueError: only 2 non-keyword arguments accepted
>>> b = np.array([(1.5,2,3),(4,5,6)])
>>> b
array([[ 1.5,  2. ,  3. ],
       [ 4. ,  5. ,  6. ]])
>>> c = np.array([[1,2],[3,4]], dtype=complex)
>>> c
array([[ 1.+0.j,  2.+0.j],
       [ 3.+0.j,  4.+0.j]])
>>> np.zeros((3,4))
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
>>> np.ones(shape=(2,3),dtype=np.int16)
array([[1, 1, 1],
       [1, 1, 1]], dtype=int16)
>>> np.empty((2,3))
array([[  3.90311860e-322,   0.00000000e+000,   2.78145267e-307],
       [  4.00537061e-307,   2.23419104e-317,   8.36014030e+250]])

numpy.arange([start,]stop,[step,]dtype=None)
功能：在区间[statr,stop)之间生成一个步长为step的连续数组。start的默认值为0，默认步长为1
numpy.linspace(start,stop,num=50,endpoint=True,restep=False,dtype=None)
在区间[start,stop]内获取num个采样点
- start:必要参数，返回序列的起始位置。
- stop:返回序列的最后一个位置。
- num：采样点的数目，即序列的长度。
- endpoint:如果为True,则对于区间进行num-1等分，并且序列最后一个点为stop,如果为False，则对于区间尽心num等分，并且区间最后一个点为stop前一点。
- restep:默认值为False。如果为True，返回值为(samples,step)

>>> np.linspace(start=1,stop=5,num=4)
array([ 1.        ,  2.33333333,  3.66666667,  5.        ])
>>> np.linspace(start=1,stop=5,num=4,endpoint=False)
array([ 1.,  2.,  3.,  4.])

numpy.random.rand(d0, d1,…, dn)
功能：获取一个形状为(d0,d1,..dn)的随机数组
- d0,d1,…,dn:shape
- return: ndarray,shape(d0, d1,…,dn)

>>> np.random.rand(3,2)
array([[ 0.17227376,  0.22609618],
       [ 0.53162876,  0.70428079],
       [ 0.30794007,  0.36767049]])

numpy.random.normal(loc=0.0,scale=1.0,size=None)
从一个正态分布中获取采样案例。
- loc:正太分布的中心
- scale：正太分布的标准差σ，即分布的宽度
- size：可选参数。int或元组int集合。即输出数组的形状，如果size=(m,n,k)就会获取一个m*n*k的采样集合。如果size=None(default),只会返回一个数。
numpy.arctan(x)
- x:arry_like
- return:ndarry—每个元素的范围为(-π/2,π/2)

>>> np.arctan([0,1])
array([ 0.        ,  0.78539816])

numpy.arctan2(x1,x2)
功能：按照元素(x2,x1)所在象限返回x1/x2的反正切值。
- x1:array_like(y)
- x2:array_like(x)
- return:返回值的范围为[-π,+π]

>>> np.arctan2([-1,+1,+1,-1],[-1,-1,+1,+1])*180/np.pi
array([-135.,  135.,   45.,  -45.])

x1	x2	arctan(x1,x2)
+/- 0	+0	+/- 0
+/- 0	-0	+/- pi
> 0	+/- inf	+0/+pi
< 0	+/- inf	-0/-pi
+/- inf	+inf	+/- (pi/4)
+/- inf	-inf	+/- (3*pi/4)

numpy.title(A,reps)
功能:对于一个数组进行复制从而得到新的数组
- A:array_like。
- reps:以A为单元进行复制的shape。
- return:array_like。复制后得到的矩阵。

b = np.array([1,2])
>>> np.tile(A=b, reps = (4,3,2))
array([[[1, 2, 1, 2],
        [1, 2, 1, 2],
        [1, 2, 1, 2]],

       [[1, 2, 1, 2],
        [1, 2, 1, 2],
        [1, 2, 1, 2]],

       [[1, 2, 1, 2],
        [1, 2, 1, 2],
        [1, 2, 1, 2]],

       [[1, 2, 1, 2],
        [1, 2, 1, 2],
        [1, 2, 1, 2]]])

>>> a = np.array([[1,2],[3,4]])
>>> np.tile(A=a, reps=(1,2))
array([[1, 2, 1, 2],
       [3, 4, 3, 4]])

转换过程:

numpy_title

Ptinting Arrays

>>> a = np.arange(6)
>>> print(a)
[0 1 2 3 4 5]
>>> b = np.arange(12).reshape(4,3)
>>> b
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])
>>> print(b)
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
>>> c = np.arange(24).reshape(2,3,4)
>>> print(c)
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

Basic Operations

>>> a = np.array([20,30,40,50])
>>> b = np.arange(4)
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9], dtype=int32)
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
>>> a<35
array([ True,  True, False, False], dtype=bool)