11.Numpy库
11.1.Numpy概述
低效的Python for循环
【例】 求100万个数的倒数
def compute_reciprocals(values):
res = []
for value in values: # 每遍历到一个元素，就要判断其类型，并查找适用于该数据类型的正确函数
res.append(1/value)
return res
values = list(range(1, 1000000))
%timeit compute_reciprocals(values)
145 ms ± 13.7 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit ：ipython中统计运行时间的魔术方法（多次运行取平均值）
import numpy as np
values = np.arange(1, 1000000)
%timeit 1/values
5.99 ms ± 33.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
实现相同计算，Numpy的运行速度是Python循环的25倍，产生了质的飞跃
Numpy为什么如此高效
Numpy 是由C语言编写的
1、编译型语言VS解释型语言
C语言执行时，对代码进行整体编译，速度更快
2、连续单一类型存储VS分散多变类型存储
（1）Numpy数组内的数据类型必须是统一的，如全部是浮点型，而Python列表支持任意类型数据的填充
（2）Numpy数组内的数据连续存储在内存中，而Python列表的数据分散在内存中
这种存储结构，与一些更加高效的底层处理方式更加的契合
3、多线程VS线程锁
Python语言执行时有线程锁，无法实现真正的多线程并行，而C语言可以
什么时候用Numpy
在数据处理的过程中，遇到使用“Python for循环” 实现一些向量化、矩阵化操作的时候，要优先考虑用Numpy
如： 1、两个向量的点乘
2、矩阵乘法
11.2.Numpy数组的创建
11.2.1.从列表开始创建
import numpy as np
x = np.array([1, 2, 3, 4, 5])
print(x)
[1 2 3 4 5]
print(type(x))
print(x.shape)
<class 'numpy.ndarray'>
(5,)
设置数组的数据类型
x = np.array([1, 2, 3, 4, 5], dtype="float32")
print(x)
print(type(x[0]))
[1. 2. 3. 4. 5.]
<class 'numpy.float32'>
二维数组
x = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(x)
print(x.shape)
[[1 2 3]
[4 5 6]
[7 8 9]]
(3, 3)
11.2.2.从头创建数组
（1）创建长度为5的数组，值都为0
np.zeros(5, dtype=int)
array([0, 0, 0, 0, 0])
（2）创建一个2*4的浮点型数组，值都为1
np.ones((2, 4), dtype=float)
array([[1., 1., 1., 1.],
[1., 1., 1., 1.]])
（3）创建一个3*5的数组，值都为8.8
np.full((3, 5), 8.8)
array([[8.8, 8.8, 8.8, 8.8, 8.8],
[8.8, 8.8, 8.8, 8.8, 8.8],
[8.8, 8.8, 8.8, 8.8, 8.8]])
（4）创建一个3*3的单位矩阵
np.eye(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
（5）创建一个线性序列数组，从1开始，到15结束，步长为2
np.arange(1, 15, 2)
array([ 1, 3, 5, 7, 9, 11, 13])
（6）创建一个4个元素的数组，这四个数均匀的分配到0~1
np.linspace(0, 1, 4)
array([0. , 0.33333333, 0.66666667, 1. ])
（7）创建一个10个元素的数组，形成1~10^9的等比数列
np.logspace(0, 9, 10)
array([1.e+00, 1.e+01, 1.e+02, 1.e+03, 1.e+04, 1.e+05, 1.e+06, 1.e+07,
1.e+08, 1.e+09])
（8）创建一个3*3的，在0~1之间均匀分布的随机数构成的数组
np.random.random((3,3))
array([[0.24347952, 0.41715541, 0.41363866],
[0.44869706, 0.18128167, 0.18568051],
[0.05705023, 0.0689205 , 0.74837661]])
（9）创建一个3*3的，均值为0，标准差为1的正态分布随机数构成的数组
np.random.normal(0, 1, (3,3))
array([[-0.38530465, 0.17474932, 0.31129291],
[ 1.61626424, -2.18883854, 0.54043825],
[-0.9141666 , -0.03804043, -0.6645122 ]])
（10）创建一个3*3的，在[0,10)之间随机整数构成的数组
np.random.randint(0, 10, (3,3))
array([[9, 1, 9],
[0, 3, 9],
[8, 5, 4]])
（11）随机重排列
x = np.array([10, 20, 30, 40])
np.random.permutation(x) # 生产新列表
array([20, 40, 10, 30])
print(x)
np.random.shuffle(x) # 修改原列表
print(x)
[10 20 30 40]
[20 40 10 30]
（12）随机采样
按指定形状采样
x = np.arange(10, 25, dtype = float)
x
array([10., 11., 12., 13., 14., 15., 16., 17., 18., 19., 20., 21., 22.,
23., 24.])
np.random.choice(x, size=(4, 3))
array([[19., 23., 22.],
[22., 21., 13.],
[15., 21., 17.],
[14., 23., 19.]])
import numpy as np
np.random.choice(10, 10)
array([0, 0, 9, 5, 8, 5, 2, 4, 9, 8])
x = np.arange(5).reshape(1, 5)
x
x.sum(axis=1, keepdims=True)
array([[10]])
按概率采样
np.random.choice(x, size=(4, 3), p=x/np.sum(x))
array([[15., 21., 20.],
[23., 17., 18.],
[23., 15., 17.],
[19., 24., 22.]])
11.3.Numpy数组的性质
11.3.1.数组的属性
1、数组的形状shape
x = np.random.randint(10, size=(3, 4))
x
array([[5, 5, 2, 7],
[2, 3, 0, 8],
[3, 8, 1, 7]])
x.shape
(3, 4)
2、数组的维度ndim
x.ndim
2
y = np.arange(10)
y
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
y.ndim
1
3、数组的大小size
x.size
12
4、数组的数据类型dtype
x.dtype
dtype('int32')
11.3.2.数组索引
1、一维数组的索引
x1 = np.arange(10)
x1
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x1[0]
0
x1[5]
5
x1[-1]
9
2、多维数组的索引——以二维为例
x2 = np.random.randint(0, 20, (2,3))
x2
array([[11, 3, 11],
[ 6, 1, 5]])
x2[0, 0]
11
x2[0][0]
11
注意：numpy数组的数据类型是固定的，向一个整型数组插入一个浮点值，浮点值会向下进行取整
x2[0, 0] = 1.618
x2
array([[ 1, 3, 11],
[ 6, 1, 5]])
11.3.3.数组的切片
1、一维数组——跟列表一样
x1 = np.arange(10)
x1
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x1[:3]
array([0, 1, 2])
x1[3:]
array([3, 4, 5, 6, 7, 8, 9])
x1[::-1]
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
2、多维数组——以二维为例
x2 = np.random.randint(20, size=(3,4))
x2
array([[14, 9, 15, 8],
[18, 8, 16, 17],
[ 0, 8, 2, 17]]
x2[:2, :3] # 前两行，前三列
array([[14, 9, 15],
[18, 8, 16]])
x2[:2, 0:3:2] # 前两行 前三列（每隔一列）
array([[14, 15],
[18, 16]])
x2[::-1, ::-1]
array([[17, 2, 8, 0],
[17, 16, 8, 18],
[ 8, 15, 9, 14]])
3、获取数组的行和列
x3 = np.random.randint(20, size=(3,4))
x3
array([[ 8, 13, 15, 7],
[19, 13, 17, 6],
[11, 2, 0, 12]])
x3[1, :] #第一行 从0开始计数
array([19, 13, 17, 6])
x3[1] # 第一行简写
array([19, 13, 17, 6])
x3[:, 2] # 第二列 从0开始计数
array([15, 17, 0])
4、切片获取的是视图，而非副本
x4 = np.random.randint(20, size=(3,4))
x4
array([[ 5, 14, 7, 2],
[ 8, 12, 9, 3],
[19, 0, 10, 7]])
x5 = x4[:2, :2]
x5
array([[ 5, 14],
[ 8, 12]])
注意：视图元素发生修改，则原数组亦发生相应修改
x5[0, 0] = 0
x5
array([[ 0, 14],
[ 8, 12]])
x4
array([[ 0, 14, 7, 2],
[ 8, 12, 9, 3],
[19, 0, 10, 7]])
5、修改切片的安全方式：copy
x4 = np.random.randint(20, size=(3,4))
x4
array([[18, 14, 10, 12],
[10, 16, 7, 19],
[ 3, 16, 3, 12]])
x6 = x4[:2, :2].copy()
x6
array([[18, 14],
[10, 16]])
x6[0, 0] = 0
x6
array([[ 0, 14],
[10, 16]])
x4
array([[18, 14, 10, 12],
[10, 16, 7, 19],
[ 3, 16, 3, 12]])
11.3.4.数组的变形
x5 = np.random.randint(0, 10, (12,))
x5
array([9, 8, 5, 9, 2, 6, 2, 9, 4, 5, 1, 7])
x5.shape
(12,)
x6 = x5.reshape(3, 4)
x6
array([[9, 8, 5, 9],
[2, 6, 2, 9],
[4, 5, 1, 7]])
注意：reshape返回的是视图，而非副本
x6[0, 0] = 0
x5
array([0, 8, 5, 9, 2, 6, 2, 9, 4, 5, 1, 7])
一维向量转行向量
x7 = x5.reshape(1, x5.shape[0])
x7
array([[0, 8, 5, 9, 2, 6, 2, 9, 4, 5, 1, 7]])
x8 = x5[np.newaxis, :] #np.newaxis表示增加一个维度
x8
array([[0, 8, 5, 9, 2, 6, 2, 9, 4, 5, 1, 7]])
一维向量转列向量
x7 = x5.reshape(x5.shape[0], 1)
x7
array([[0],
[8],
...
[7]])
x8 = x5[:, np.newaxis]
x8
array([[0],
[8],
...
[7]])
多维向量转一维向量
x6 = np.random.randint(0, 10, (3, 4))
x6
array([[3, 7, 6, 4],
[4, 5, 6, 3],
[7, 6, 2, 3]])
flatten返回的是副本
x9 = x6.flatten()
x9
array([3, 7, 6, 4, 4, 5, 6, 3, 7, 6, 2, 3])
x9[0]=0
x6
array([[3, 7, 6, 4],
[4, 5, 6, 3],
[7, 6, 2, 3]])
ravel返回的是视图
x10 = x6.ravel()
x10
array([3, 7, 6, 4, 4, 5, 6, 3, 7, 6, 2, 3])
x10[0]=0
x6
array([[0, 7, 6, 4],
[4, 5, 6, 3],
[7, 6, 2, 3]])
reshape返回的是视图
x11 = x6.reshape(-1)
x11
array([0, 7, 6, 4, 4, 5, 6, 3, 7, 6, 2, 3])
x11[0]=10
x6
array([[10, 7, 6, 4],
[ 4, 5, 6, 3],
[ 7, 6, 2, 3]])
11.3.5.数组的拼接
x1 = np.array([[1, 2, 3],
[4, 5, 6]])
x2 = np.array([[7, 8, 9],
[0, 1, 2]])
1、水平拼接——非视图
x3 = np.hstack([x1, x2])
x3
array([[1, 2, 3, 7, 8, 9],
[4, 5, 6, 0, 1, 2]])
x3[0][0] = 0
x1
array([[1, 2, 3],
[4, 5, 6]])
x4 = np.c_[x1, x2]
x4
array([[1, 2, 3, 7, 8, 9],
[4, 5, 6, 0, 1, 2]])
x4[0][0] = 0
x1
array([[1, 2, 3],
[4, 5, 6]])
2、垂直拼接——非视图
x1 = np.array([[1, 2, 3],
[4, 5, 6]])
x2 = np.array([[7, 8, 9],
[0, 1, 2]])
x5 = np.vstack([x1, x2])
x5
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[0, 1, 2]])
x6 = np.r_[x1, x2]
x6
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[0, 1, 2]])
11.3.6.数组的分裂
1、split的用法
x6 = np.arange(10)
x6
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x1, x2, x3 = np.split(x6, [2, 7])
print(x1, x2, x3)
[0 1] [2 3 4 5 6] [7 8 9]
2、hsplit的用法
x7 = np.arange(1, 26).reshape(5, 5)
x7
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]])
left, middle, right = np.hsplit(x7, [2,4])
print("left:\n", left) # 第0~1列
print("middle:\n", middle) # 第2~3列
print("right:\n", right) # 第4列
left:
[[ 1 2]
[ 6 7]
[11 12]
[16 17]
[21 22]]
middle:
[[ 3 4]
[ 8 9]
[13 14]
[18 19]
[23 24]]
right:
[[ 5]
[10]
[15]
[20]
[25]]
3、vsplit的用法
x7 = np.arange(1, 26).reshape(5, 5)
x7
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]])
upper, middle, lower = np.vsplit(x7, [2,4])
print("upper:\n", upper) # 第0~1行
print("middle:\n", middle) # 第2~3行
print("lower:\n", lower) # 第4行
upper:
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
middle:
[[11 12 13 14 15]
[16 17 18 19 20]]
lower:
[[21 22 23 24 25]]
11.4.Numpy四大运算
11.4.1.向量化运算
1、与数字的加减乘除等
x1 = np.arange(1,6)
x1
array([1, 2, 3, 4, 5])
print("x1+5", x1+5)
print("x1-5", x1-5)
print("x1*5", x1*5)
print("x1/5", x1/5)
x1+5 [ 6 7 8 9 10]
x1-5 [-4 -3 -2 -1 0]
x1*5 [ 5 10 15 20 25]
x1/5 [0.2 0.4 0.6 0.8 1. ]
print("-x1", -x1)
print("x1**2", x1**2)
print("x1//2", x1//2)
print("x1%2", x1%2)
-x1 [-1 -2 -3 -4 -5]
x1**2 [ 1 4 9 16 25]
x1//2 [0 1 1 2 2]
x1%2 [1 0 1 0 1]
2、绝对值、三角函数、指数、对数
（1）绝对值
x2 = np.array([1, -1, 2, -2, 0])
x2
array([ 1, -1, 2, -2, 0])
abs(x2)
array([1, 1, 2, 2, 0])
np.abs(x2)
array([1, 1, 2, 2, 0])
（2）三角函数
theta = np.linspace(0, np.pi, 3)
theta
array([0. , 1.57079633, 3.14159265])
print("sin(theta)", np.sin(theta))
print("con(theta)", np.cos(theta))
print("tan(theta)", np.tan(theta))
sin(theta) [0.0000000e+00 1.0000000e+00 1.2246468e-16]
con(theta) [ 1.000000e+00 6.123234e-17 -1.000000e+00]
tan(theta) [ 0.00000000e+00 1.63312394e+16 -1.22464680e-16]
x = [1, 0 ,-1]
print("arcsin(x)", np.arcsin(x))
print("arccon(x)", np.arccos(x))
print("arctan(x)", np.arctan(x))
arcsin(x) [ 1.57079633 0. -1.57079633]
arccon(x) [0. 1.57079633 3.14159265]
arctan(x) [ 0.78539816 0. -0.78539816]
（3）指数运算
x = np.arange(3)
x
array([0, 1, 2])
np.exp(x)
array([1. , 2.71828183, 7.3890561 ])
（4）对数运算
x = np.array([1, 2, 4, 8 ,10])
print("ln(x)", np.log(x))
print("log2(x)", np.log2(x))
print("log10(x)", np.log10(x))
ln(x) [0. 0.69314718 1.38629436 2.07944154 2.30258509]
log2(x) [0. 1. 2. 3. 3.32192809]
log10(x) [0. 0.30103 0.60205999 0.90308999 1. ]
3、两个数组的运算
x1 = np.arange(1,6)
x1
array([1, 2, 3, 4, 5])
x2 = np.arange(6,11)
x2
array([ 6, 7, 8, 9, 10])
print("x1+x2:", x1+x2)
print("x1-x2:", x1-x2)
print("x1*x2:", x1*x2)
print("x1/x2:", x1/x2)
x1+x2: [ 7 9 11 13 15]
x1-x2: [-5 -5 -5 -5 -5]
x1*x2: [ 6 14 24 36 50]
x1/x2: [0.16666667 0.28571429 0.375 0.44444444 0.5 ]
11.4.2.矩阵运算
x = np.arange(9).reshape(3, 3)
x
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
矩阵的转置
y = x.T
y
array([[0, 3, 6],
[1, 4, 7],
[2, 5, 8]])
矩阵乘法
x = np.array([[1, 0],
[1, 1]])
y = np.array([[0, 1],
[1, 1]])
x.dot(y)
array([[0, 1],
[1, 2]])
np.dot(x, y)
array([[0, 1],
[1, 2]])
y.dot(x)
array([[1, 1],
[2, 1]])
np.dot(y, x)
array([[1, 1],
[2, 1]])
注意跟x*y的区别
x*y
array([[0, 0],
[1, 1]])
11.4.3.广播运算
x = np.arange(3).reshape(1, 3)
x
array([[0, 1, 2]])
x+5
array([[5, 6, 7]])
规则
如果两个数组的形状在维度上不匹配
那么数组的形式会沿着维度为1的维度进行扩展以匹配另一个数组的形状。
x1 = np.ones((3,3))
x1
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
x2 = np.arange(3).reshape(1, 3)
x2
array([[0, 1, 2]])
x1+x2
array([[1., 2., 3.],
[1., 2., 3.],
[1., 2., 3.]])
x3 = np.logspace(1, 10, 10, base=2).reshape(2, 5)
x3
array([[ 2., 4., 8., 16., 32.],
[ 64., 128., 256., 512., 1024.]])
x4 = np.array([[1, 2, 4, 8, 16]])
x4
array([[ 1, 2, 4, 8, 16]])
x3/x4
array([[ 2., 2., 2., 2., 2.],
[64., 64., 64., 64., 64.]])
x5 = np.arange(3).reshape(3, 1)
x5
array([[0],
[1],
[2]])
x6 = np.arange(3).reshape(1, 3)
x6
array([[0, 1, 2]])
x5+x6
array([[0, 1, 2],
[1, 2, 3],
[2, 3, 4]])
11.4.4.比较运算和掩码
1、比较运算
x1 = np.random.randint(30, size=(3,10))
x1
array([[37, 44, 58, 79, 1, 24, 85, 90, 27, 56],
[74, 68, 88, 27, 46, 34, 92, 1, 35, 45],
[36, 31, 45, 39, 66, 82, 42, 25, 33, 84]])
x1 > 50
array([[False, False, True, True, False, False, True, True, False, True],
[ True, True, True, False, False, False, True, False, False, False],
[False, False, False, False, True, True, False, False, False, True]])
2、操作布尔数组
x2 = np.random.randint(10, size=(3, 4))
x2
array([[1, 4, 2, 9],
[8, 8, 2, 4],
[9, 5, 3, 6]])
print(x2 > 5)
np.sum(x2 > 5)
[[False False False True]
[ True True False False]
[ True False False True]]
5
np.all(x2 > 0)
True
np.any(x2 == 6)
True
np.all(x2 < 9, axis=1) # 按行进行判断
array([False, True, False])
(x2 < 9) & (x2 >5)
array([[False, False, False, False],
[ True, True, False, False],
[False, False, False, True]])
np.sum((x2 < 9) & (x2 >5))
3
3、将布尔数组作为掩码
x2
array([[1, 4, 2, 9],
[8, 8, 2, 4],
[9, 5, 3, 6]])
x2 > 5
array([[False, False, False, True],
[ True, True, False, False],
[ True, False, False, True]])
x2[x2 > 5]
array([9, 8, 8, 9, 6])
11.4.5.花式索引
1、一维数组
x = np.random.randint(100, size=10)
x
array([43, 69, 67, 9, 11, 27, 55, 93, 23, 82])
注意：结果的形状与索引数组ind一致
ind = [2, 6, 9]
x[ind]
array([67, 55, 82])
ind = np.array([[1, 0],
[2, 3]])
x[ind]
array([[69, 43],
[67, 9]])
2、多维数组
x = np.arange(12).reshape(3, 4)
x
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
row = np.array([0, 1, 2])
col = np.array([1, 3, 0])
x[row, col] # x(0, 1) x(1, 3) x(2, 0)
array([1, 7, 8])
row[:, np.newaxis] # 列向量
array([[0],
[1],
[2]])
x[row[:, np.newaxis], col] # 广播机制
array([[ 1, 3, 0],
[ 5, 7, 4],
[ 9, 11, 8]])
11.5.其他Numpy通用函数
11.5.1.数值排序
x = np.random.randint(20, 50, size=10)
x
array([48, 27, 44, 24, 34, 21, 24, 30, 34, 46])
产生新的排序数组
np.sort(x)
array([21, 24, 24, 27, 30, 34, 34, 44, 46, 48])
x
array([48, 27, 44, 24, 34, 21, 24, 30, 34, 46])
替换原数组
x.sort()
x
array([21, 24, 24, 27, 30, 34, 34, 44, 46, 48])
获得排序索引
x = np.random.randint(20, 50, size=10)
x
array([27, 36, 35, 28, 34, 20, 21, 49, 48, 30])
i = np.argsort(x)
i
array([5, 6, 0, 3, 9, 4, 2, 1, 8, 7], dtype=int64)
11.5.2.最大最小值
x = np.random.randint(20, 50, size=10)
x
array([48, 31, 30, 44, 48, 33, 44, 48, 39, 35])
print("max:", np.max(x))
print("min:", np.min(x))
max: 48
min: 30
print("max_index:", np.argmax(x))
print("min_index:", np.argmin(x))
max_index: 0
min_index: 2
11.5.3.数值求和、求积
x = np.arange(1,6)
x
array([1, 2, 3, 4, 5])
x.sum()
15
np.sum(x)
15
x1 = np.arange(6).reshape(2,3)
x1
array([[0, 1, 2],
[3, 4, 5]])
按行求和
np.sum(x1, axis=1)
array([ 3, 12])
按列求和
np.sum(x1, axis=0)
array([3, 5, 7])
全体求和
np.sum(x1)
15
求积
x.prod()
120
np.prod(x)
120
11.5.4.中位数、均值、方差、标准差
x = np.random.normal(0, 1, size=10000)
import matplotlib.pyplot as plt
plt.hist(x, bins=50)
plt.show()
中位数
np.median(x)
-0.01024418366119727
均值
x.mean()
-0.004164442327293362
np.mean(x)
-0.004164442327293362
方差
x.var()
1.0221853234535774
np.var(x)
1.0221853234535774
标准差
x.std()
1.0110318112965473
np.std(x)
1.0110318112965473
11.6.作业练习
numpy数组的创建和性质：
1、创建一个4*6的二维数组，元素由0~1之间均匀分布的随机数构成，输出其形状、大小、维度和数据类型。
2、将（1）中的二维数组分别转换为3*8的数组和摊平为一维数组。
3、创建2个4*4的二维数组，元素为整数，随机取自区间[0, 10)，请将两个数组分别进行水平拼接和垂直拼接。
4、创建一个6*16的数组，其中，数组的外围均为1，内部均为0，提示：用到切片赋值。
numpy四大运算和通用函数：
5、创建一个由10000个元素构成的一维数组，元素随机取自[0, 100)
l 求数组元素的均值、方差和标准差；
l 通过 (x-x.mean)/x.std的方法，将数组归一化。
l 求数组的最大值和最小值，并获取其索引位置；
l 通过 (x-x.min)/(x.max-x.min)的方法，将数组归一化。
6、创建一个由30个元素构成的一维数组，元素随机取自[80, 100)
l 获得大于等于95分的成绩；
l 获得小于等于85分的成绩；
l 获得大于85分，小于95分的成绩；
l 对成绩进行排序。
7、构建两个3*3的二维列表A和B
（1）乘法运算
l 用Python for循环实现A*B的乘法运算；
l 用Numpy 实现A*B 的乘法运算；
l 对比两种实现方式的运行时间。
（2）矩阵乘法
l 用Python for循环实现A和B的矩阵乘法；
l 用Numpy实现np.dot(A, B)的矩阵乘法；
l 对比两种实现方式的运行时间。
（3）对比矩阵乘法跟乘法运算的不同。
答案：
import numpy as np
import random
1.
arr = np.random.random((4, 6))
print(arr)
print("shape = {}, size = {}, dimension = {}, dtype = {}"
.format((arr.shape[0], arr.shape[1]), arr.size, arr.ndim, arr.dtype))
[[0.87234165 0.76793816 0.20329659 0.67588528 0.39278516 0.30852181]
[0.3722015 0.17675793 0.01827887 0.33450565 0.22872758 0.35906343]
[0.4448989 0.0355992 0.88128631 0.40998858 0.31613782 0.61468709]
[0.80893753 0.20962329 0.84701968 0.61099015 0.50922118 0.65357641]]
shape = (4, 6), size = 24, dimension = 2, dtype = float64
2.
print(arr.reshape(3, 8))
[[0.87234165 0.76793816 0.20329659 0.67588528 0.39278516 0.30852181
0.3722015 0.17675793]
[0.01827887 0.33450565 0.22872758 0.35906343 0.4448989 0.0355992
0.88128631 0.40998858]
[0.31613782 0.61468709 0.80893753 0.20962329 0.84701968 0.61099015
0.50922118 0.65357641]]
print(arr.reshape(-1))
[0.87234165 0.76793816 0.20329659 0.67588528 0.39278516 0.30852181
0.3722015 0.17675793 0.01827887 0.33450565 0.22872758 0.35906343
0.4448989 0.0355992 0.88128631 0.40998858 0.31613782 0.61468709
0.80893753 0.20962329 0.84701968 0.61099015 0.50922118 0.65357641]
3.
arr2 = np.random.randint(0, 10, (4, 4))
arr3 = np.random.randint(0, 10, (4, 4))
print("arr2 = \n{}".format(arr2))
print("arr3 = \n{}".format(arr3))
arr2 =
[[9 5 7 7]
[2 5 2 9]
[8 7 4 0]
[4 1 5 3]]
arr3 =
[[9 0 5 1]
[2 0 2 1]
[5 5 5 1]
[4 6 1 6]]
# 水平拼接
print(np.hstack([arr2, arr3]))
# 垂直拼接
print(np.vstack([arr2, arr3]))
[[9 5 7 7 9 0 5 1]
[2 5 2 9 2 0 2 1]
[8 7 4 0 5 5 5 1]
[4 1 5 3 4 6 1 6]]
[[9 5 7 7]
[2 5 2 9]
[8 7 4 0]
[4 1 5 3]
[9 0 5 1]
[2 0 2 1]
[5 5 5 1]
[4 6 1 6]]
4.
arr4 = np.zeros((6, 16))
# print(arr4)
arr4[0] = 1
arr4[:, 0] = 1
arr4[arr4.shape[0] - 1] = 1
arr4[:, arr4.shape[1] - 1] = 1
print(arr4)
[[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]]
5.
arr5 = np.random.randint(0, 100, 10000)
print(arr5)
[30 78 43 ... 39 99 11]
print("均值 = {}, 方差 = {}, 标准差 = {}".format(arr5.mean(), arr5.var(), arr5.std()))
均值 = 49.5523, 方差 = 830.88746471, 标准差 = 28.82511864173329
print((arr5 - arr5.mean()) / arr5.std())
[-0.6783077 0.98690661 -0.22731216 ... -0.36608002 1.71543787 -1.33745503]
# 最大值
print(arr5.max(), arr5.argmax())
# 最小值
print(arr5.min(), arr5.argmin())
99 190
0 34
print((arr5 - arr5.min()) / (arr5.max() - arr5.min()))
[0.3030303 0.78787879 0.43434343 ... 0.39393939 1. 0.11111111]
6.
score = np.random.randint(80, 100, 30)
print(score)
[89 90 97 96 83 97 92 82 98 90 86 99 94 98 98 91 91 85 98 81 98 82 86 84
89 98 98 98 95 87]
print(score[score >= 95])
print(score[score <= 85])
[97 96 97 98 99 98 98 98 98 98 98 98 95]
[83 82 85 81 82 84]
score_over_85 = score[score > 85]
print(score_over_85[score_over_85 < 95])
# print(score[score > 85 and score < 95])
[89 90 92 90 86 94 91 91 86 89 87]
print(np.sort(score))
[81 82 82 83 84 85 86 86 87 89 89 90 90 91 91 92 94 95 96 97 97 98 98 98
98 98 98 98 98 99]
7.
A = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
B = [[3, 4, 8], [5, 2, 1], [4, 5, 9]]
print(A, B)
[[1, 2, 3], [4, 5, 6], [7, 8, 9]] [[3, 4, 8], [5, 2, 1], [4, 5, 9]]
# 乘法运算
import time
start_time = time.time()
for i in range(len(A)):
for j in range(len(B)):
A[i][j] = A[i][j] * B[i][j]
end_time = time.time()
print(start_time, end_time)
print("A = {}, the cost time is {}ms".format(A, (end_time - start_time) * 1000))
1571993538.380726 1571993538.381723
A = [[9, 32, 192], [100, 20, 6], [112, 200, 729]], the cost time is 0.9968280792236328ms
A = np.array(A)
B = np.array(B)
%timeit (A * B)
525 ns ± 29.6 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
# 矩阵乘法
%timeit A.dot(B)
960 ns ± 24.1 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
A.dot(B)
array([[ 955, 1060, 1832],
[ 424, 470, 874],
[4252, 4493, 7657]])
A = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
B = [[3, 4, 8], [5, 2, 1], [4, 5, 9]]
def pro():
res = [[0] * len(B[0]) for i in range(len(A))]
for i in range(len(A)):
for j in range(len(B[0])):
for k in range(len(B)):
res[i][j] += A[i][k] * B[k][j]
return res
%timeit pro()
12.7 µs ± 83.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
