numpy笔记

最新推荐文章于 2023-08-17 10:00:00 发布
最新推荐文章于 2023-08-17 10:00:00 发布
阅读量247 收藏
点赞数
分类专栏： 数据分析 python 文章标签： python 机器学习 pycharm
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/stannis/article/details/120886058
版权 
import numpy as np

一、创建数组

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

data

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

type(data)

numpy.ndarray

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

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

data = np.arange(0,20,2)

data

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

data = np.linspace(1,10,10)
data

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

data = np.linspace(1,10,10,endpoint=False)
data

array([1. , 1.9, 2.8, 3.7, 4.6, 5.5, 6.4, 7.3, 8.2, 9.1])

data = np.zeros(10)
data

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

data = np.zeros([4,5])
data

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

data = np.zeros([4,5],dtype=int)
data

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

data = np.ones(10)
data

array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

data = np.ones([4,5])
data

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

data = np.ones([4,5],dtype=int)
data

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]])

# 单位矩阵  3*3
np.eye(3)

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

#创建对角矩阵，对角元素是3,4
np.diag([3,4])

array([[3, 0],
       [0, 4]])

# 三行四列都为8
data = np.full((3,4),8)
data

array([[8, 8, 8, 8],
       [8, 8, 8, 8],
       [8, 8, 8, 8]])

data = np.random.randint(2, size=10)
data

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

data = np.random.randint(12,size=(3,4))
data

array([[ 2, 11,  9,  4],
       [11,  1,  8,  2],
       [11,  8,  4,  1]])

二、数组属性

# 返回int，表示数组的维度
data.ndim

2

# 返回几行几列
data.shape

(3, 4)

# 返回元素个数
data.size

12

# 返回元素类型
data.dtype

dtype('int32')

data * 4

array([[ 8, 44, 36, 16],
       [44,  4, 32,  8],
       [44, 32, 16,  4]])

data + 2

array([[ 4, 13, 11,  6],
       [13,  3, 10,  4],
       [13, 10,  6,  3]])

data - 1

array([[ 1, 10,  8,  3],
       [10,  0,  7,  1],
       [10,  7,  3,  0]])

data / 2

array([[1. , 5.5, 4.5, 2. ],
       [5.5, 0.5, 4. , 1. ],
       [5.5, 4. , 2. , 0.5]])

三、数组访问

data = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]])
data

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16],
       [17, 18, 19, 20]])

# 取第一行
data[0]

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

# 取最后一行
data[-1]

array([17, 18, 19, 20])

# 取第一列
data[:,0]

array([ 1,  5,  9, 13, 17])

# 取最后一列
data[:,-1]

array([ 4,  8, 12, 16, 20])

# 取某一位置，如第三行第三列
data[2,2]

11

# 取某一位置，如第三行第三列
data[2][2]

11

# 取特定行
data[0:3]

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

data[::-1]

array([[17, 18, 19, 20],
       [13, 14, 15, 16],
       [ 9, 10, 11, 12],
       [ 5,  6,  7,  8],
       [ 1,  2,  3,  4]])

# 转置
data.T

array([[ 1,  5,  9, 13, 17],
       [ 2,  6, 10, 14, 18],
       [ 3,  7, 11, 15, 19],
       [ 4,  8, 12, 16, 20]])

四、数组高级索引

data

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16],
       [17, 18, 19, 20]])

data[[3,2],[0,1]]

array([13, 10])

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

array([ 6, 11])

data[[1,-1],[0,1]]

array([ 5, 18])

data[[0,-1]][:,[0,1,3]]

array([[ 1,  2,  4],
       [17, 18, 20]])

data[np.ix_([0,-1],[0,1,3])]

array([[ 1,  2,  4],
       [17, 18, 20]])

五、数组形状改变

data

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16],
       [17, 18, 19, 20]])

data.size

20

data.shape

(5, 4)

# 将数组改成想要的维度
data = data.reshape(4,5)

data

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])

data.shape

(4, 5)

data = data.reshape(1,20)

data

array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
        17, 18, 19, 20]])

data.shape

(1, 20)

# 将多维数组展开为一维数组
data.flatten()

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
       18, 19, 20])

# 将一维数组转换为二维数组
arr1 = np.array([1,2,3])
arr2 = np.array(['3','2','1'])
np.vstack((arr1,arr2))

array([['1', '2', '3'],
       ['3', '2', '1']], dtype='<U11')

# 将多个数组，组合成一个更大的数组
np.hstack((arr1,arr2))

array(['1', '2', '3', '3', '2', '1'], dtype='<U11')

arr1 = np.array([[1,2,3],[4,5,6]])
arr2 = np.array([[7,8,9],[10,11,12]])

# concatenate用于合并数组,0代表纵向，1代表横向
np.concatenate((arr1,arr2),axis=0)

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

np.concatenate((arr1,arr2),axis=1)

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

六、数组广播机制

  • 一维数组，广播运算时，按照行补齐方式，当行数不一致时，首先补齐行数，然后进行运算
  • 二维数组，广播运算时，当列数不一致时，首先补齐列数，然后进行运算，当行数不一致时，首先补齐行数，然后进行运算

七、数组的排序、搜索

data = np.array([1,4,5,3,4,2514,5123,5,6])

# 从小到大排序
data = np.sort(data)
data

array([   1,    3,    4,    4,    5,    5,    6, 2514, 5123])

data = np.array([9,4,6,1,4,34,23,14,6])

# 返回数据从小到大的索引值
data = np.argsort(data)
data

array([3, 1, 4, 2, 8, 0, 7, 6, 5], dtype=int64)

# 返回的是数组中最小值对应的索引位置
np.argmin(data)

5

# 返回的是数组中最大值对应的索引位置
np.argmax(data)

4

# 满足条件(condition)，输出x，不满足输出y
np.where(data>4,True,False)

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

# 返回满足条件的元素值
np.extract(data>4,data)

array([8, 7, 6, 5], dtype=int64)

八、字符串处理

在这里插入图片描述
在这里插入图片描述

九、统计计算

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

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

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

# 对行进行求和
data.sum(axis=1)

array([ 6, 15, 24])

# 对列进行求和
data.sum(axis=0)

array([12, 15, 18])

# 对行进行计算均值
data.mean(axis=1)

array([2., 5., 8.])

# 对列进行计算均值
data.mean(axis=0)

array([4., 5., 6.])

# 累计求和
data.cumsum()

array([ 1,  3,  6, 10, 15, 21, 28, 36, 45], dtype=int32)

# 计算一个多维数组的任意百分比分位数
np.percentile(data,[0,25,50,75,100])

array([1., 3., 5., 7., 9.])
Stannis
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
numpy笔记。。。。。。
04-08
numpy笔记。。。。。。
Numpy介绍
weixin_43788986的博客
08-07 1238
使用之前需要导入Numpy NumPy 的主要对象是同构多维数组。它是一个元素表（通常是数字），所有类型都相同，由非负整数元组索引。在 NumPy 中，维度称为轴。 例如，3D 空间中一个点的坐标[1, 2, 1]只有一个轴。该轴有 3 个元素，因此我们说它的长度为 3。在下图中的示例中，数组有 2 个轴。第一个轴的长度为 2，第二个轴的长度为 3。NumPy 的数组类称为ndarray。它也被称为别名 array。请注意，numpy.array这与标准 Python 库类不同array.array，后者仅
FastReport设计报表简单使用
ChengR666的博客
09-29 1166
网上FastReport教程较少，之前也没有接触，简单记录下设计过程。 新建空报表，点击设置报表栏。 新建数据区，数据首，数据尾，每个数据区根据匹配的数据源行数显示，数据首根数据尾一般进行表头跟合计显示。 右击数据区，编辑-为每个数据区选中数据源。 程序开发一般利用代码绑定数据源，进行设计、打印。 ...
Numpy.array()的参数详细讲解---包括subok参数讲解
qq_46044325的博客
08-16 5550
定义：numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)参数解释： object: 表示一个数组序列 dtype: 可选参数，通过它可以更改数组的数据类型---可将原来的整型或者其他类型进行强制转换 copy: 可选参数，当数据源是ndarray 时表示数组能否被复制，默认是True order: 可选参数，以哪种内存布局创建数组，有3个可选值，分别是C（行序列）/F（列序列
初学python之Numpy的数组对象ndarray
wyy22752387的博客
06-14 2469
python Numpy ndarray
numpy数组基本操作
qq_74008529的博客
02-21 293
int32 ：32位整数（-2147483648~2127483647）float16 ：半精度浮点：1个符号位，五个指数，，十个尾数。数组的行列转换通过数组的T属性或者transpose方法实现。int16 ：16位整数（-32768~32767）注意：对切片后的数组进行操作会改变原数组的元素，列表不会。uint16 ：16位无符号整数（0~65535）uint8 ：8位无符号整数（0-255）索引：用于标记数组当中对应元素的唯一数字，从0开始。三、数组的索引和切片。
pandas,numpy笔记.docx
03-07
pandas 和 numpy 笔记 在数据科学和机器学习中，pandas 和 numpy 是两种非常重要的库，它们提供了强大的数据处理和分析功能。下面是对 pandas 和 numpy 的一些重要知识点的总结。 数据导入 pandas 提供了多种方式...
Numpy新手教学篇，（Numpy笔记兼教学）
06-28
这是一篇Numpy笔记兼教学性质的博客，其中内容均是本人学习《利用python进行数据分析》中关于Numpy部分的内容，内容通俗易懂，请放心食用。
numpy-tutorials:NumPy笔记本格式的教程和教育性内容
03-06
NumPy教程这套教程和教材正在开发中，它不集成在HTML DOCS中该存储库的目标是通过NumPy项目提供高质量的资源，用于自学和课堂教学。 如果您有兴趣添加自己的内容，请检查“部分。 要下载.ipynb文件的本地副本，您...
Numpy学习笔记pdf
10-19
Numpy学习笔记pdf Numpy是Python中一个非常流行的科学计算库，提供了大量的数学函数和高性能的多维数组对象。下面是Numpy学习笔记pdf的摘要信息： Ndarray Ndarray是Numpy中最基本的数据结构，表示一个多维数组。...
Numpy 的简单使用（一）
qq_52630607的博客
09-19 1735
Numpy 的简单使用（一），基于python3
Numpy学习——数组类型
weixin_41676930的博客
09-27 425
Numpy学习——数组类型更多的数据类型转换(casting)不同数据类型的大小结构体类型处理丢失的数据 更多的数据类型 转换(casting) numpy会自动转换高精度数据类型： >>> np.array([1, 2, 3]) + 1.5 array([2.5, 3.5, 4.5]) 赋值不会改变原有数据类型： >>> a = np.array([1, 2, 3]) >>> a.dtype dtype('int32') >>> a
Python-Numpy语法总结-数组的创建
The Zen of Data Analysis
12-06 942
NumPy 是什么？ NumPy是使用Python进行科学计算的基础软件包。除其他外，它包括： 功能强大的N维数组对象。 精密广播功能函数。 集成 C/C+和Fortran 代码的工具。 强大的线性代数、傅立叶变换和随机数功能。 #全部行都能输出 from IPython.core.interactiveshell import InteractiveShell InteractiveShell....
python numpy dtype object_python – numpy.array()中的dtype参数
weixin_39626131的博客
12-03 1023
我试图理解Numpy中dtypes的逻辑.numpy.min_scalar_type(10)-> uint8和：a = numpy.array([10])print(a.dtype)-> int32 (on my machine)我期待uint8而不是int32,因为(1.9)doc说：numpy.array(object, dtype=None, …)dtype : data-typ...
NumPy 数据类型对象（dtype）的构造
热门推荐
weixin_43276033的博客
03-26 1万+
NumPy 数据类型对象是 dtype 类的实例。本文简单介绍dtype类的属性，以及dtype对象的构造方法。
NumPy数组基本用法
朱萌的博客
10-12 3813
什么是NumPy? Numpy是Python科学计算库，用于快速处理任意维度的数组。 NumPy提供一个N维数组类型ndarray，它描述了相同类型的“items”的集合。 numpy.ndarray支持向量化运算。 NumPy使用c语言写的，底部解除了GIL，其对数组的操作速度不在受python解释器限制。 NumPy和python中的列表有什么区别？ python一个列表中可以存储多种数据类型。比如a = [1,‘a’]是允许的，而NumPy中的数组只能存储同种数据类型。 NumPy中的数组可以是
numpy常见的函数
weixin_42761829的博客
03-18 220
numpy常用函数 array()函数 numpy.array(list(1,2,3,4)) #将一个list类型/tupe类型数据转换为一个array数组对象 #默认所有的数据类型都是相同，若传进来的参数类型不同，则遵循以下优先级： str > float > int ndarray对象的属性 ndarray对象.dtype #查看array对象中的数据类型 d...
Python numpy基础上
最新发布
yuyuyuliang00的博客
08-17 296
本文介绍了numpy中最重要的概念，数组的相关知识。包括数组的数据类型，以及各类常用的创建方式(zeros, ones, linspace, random,eye)。此处主要介绍的是numpy数组的基本操作。提取子数组。创建数组副本数组变形拼接和拆分本篇主要介绍了numpy数组的通用计算方法，通用计算把数组元素循环的复杂度封装起来。本片介绍最常用的聚合计算；集合计算通常用于数据进行处理和分析，以及实现高级的数据分析算法。
Python数据分析入门（二）——从NumPy数组说起
Carl1994的博客
08-20 5577
前言 第一篇中说好了这个系列要勤更，但是这一篇还是拖得有点久，毕竟是工作之余的学习，各种事情都在耽误吧。上一篇有说到《Python从入门到实战》这本书，这段时间我已经读完了，里面更多的是Python的一些使用基础，如果这一主题的文章继续围绕这本书就不太合适了，我自己也想加快一下学习的速度，做一些更有价值的总结，所以从这一篇开始主要是围绕《利用Python进行数据分析（第二版）》这本书的笔记总结。...
numpy笔记.xmind
07-09
### 回答1： numpy是一个高性能的科学计算库，用于处理大型数据集和矩阵运算。它是Python科学计算生态系统中最重要的库之一，提供了丰富的功能和工具。 在numpy的学习过程中，我创建了一个名为"numpy笔记.xmind"的思维导图来总结和记录重要的概念和函数。 首先，我在思维导图中列出了numpy的基本数据结构，包括多维数组（ndarray）、切片和索引。我理解了如何创建和操作这些数据结构，以及如何使用切片和索引访问数组中的元素。 其次，在思维导图中，我详细记录了numpy中的常用函数和方法。这些函数包括数学运算（如加法、乘法和指数运算）、统计函数（如平均值、标准差和方差）和数组操作（如形状变换、拼接和切割）。对于每个函数，我还注明了其参数和用法，以便以后参考。 此外，我还在思维导图中添加了numpy的广播功能和ufunc函数。广播允许我们在不同形状的数组之间进行元素级别的操作，而ufunc函数则可以对数组进行逐元素的函数调用。对于这两个功能，我记录了它们的应用场景和使用方法。 最后，我在思维导图中补充了一些numpy的高级特性和应用，如随机数生成、文件IO以及与其他科学计算库（如pandas和matplotlib）的集成。这些特性和应用使numpy成为了进行数据分析和科学计算的重要工具。 通过创建和总结"numpy笔记.xmind"这个思维导图，我能够更好地理解和掌握numpy的知识。这份笔记将成为我学习和使用numpy的重要参考资料，帮助我在科学计算和数据分析的过程中提高效率和准确性。 ### 回答2： numpy（Numerical Python）是Python中用于进行科学计算的一个库。它提供了丰富的高性能数值计算工具，特别是对于大规模多维数组的操作。下面是关于numpy的一些笔记。 1. 数组的创建：numpy使用ndarray对象来存储多维数组。可以使用numpy.array()函数创建数组，也可以使用numpy.zeros()、numpy.ones()等函数创建特定初始值的数组。 2. 数组的属性：可以使用ndarray的属性来获取数组的形状、大小、数据类型等信息。例如，shape属性可以得到数组的维度大小，dtype属性可以得到数组的数据类型。 3. 数组的索引和切片：可以通过索引来访问数组中的元素。numpy中的索引从0开始，可以使用负数表示相对于数组尾部的位置。切片可以用来获取数组的部分元素。可以使用冒号分隔切片的起始、结束和步长值。 4. 数组的运算：numpy支持对数组的逐元素运算，包括加减乘除、求幂、取余等。可以使用numpy的函数进行常见的数学运算，也可以使用ndarray对象的方法进行相应的操作。 5. 广播：numpy中的广播机制可以自动处理形状不一致的数组之间的运算。广播可以使得形状不一致的数组能够按需扩展以便进行元素运算，而不需要进行明确的形状调整操作。 6. 数组的重塑和转置：可以使用reshape()函数对数组进行重新排列，改变其形状。transpose()函数可以用来进行数组的转置操作。 7. 数组的聚合操作：numpy提供了很多用于数组聚合操作的函数，例如对数组进行求和、求平均、求最大最小值等。 8. 数组的存储和读取：可以使用numpy提供的函数将数组保存到文件中，也可以使用numpy的load()函数从文件中加载数组。 以上是关于numpy的一些基础笔记。numpy在科学计算、数据分析等领域具有广泛的应用。掌握numpy的基本操作和常用函数，能够更高效地进行数值计算和数据处理任务。 ### 回答3： numpy是一个开源的Python库，提供了高效的多维数组对象以及对数组操作的函数。笔记.xmind是一种思维导图的文件格式。结合两者，我可以将numpy的使用方法和相关概念通过思维导图的方式记录下来。 在笔记.xmind中，我可以使用中心主题表示numpy，然后通过子主题展开numpy的各个方面。例如，我可以创建一个子主题来介绍numpy的数组对象，包括数组的创建、形状、类型等信息。另外，我还可以创建子主题来记录numpy数组操作的函数，例如数组的索引与切片操作、数组的运算操作等。在每个子主题中，我可以使用节点来记录具体的代码示例，以及相关的说明和注意事项。 除了记录numpy的使用方法外，我还可以创建子主题来介绍numpy中的常用概念和特性。例如，我可以创建一个子主题来介绍numpy中的广播机制，以及在数组运算中的应用。另外，我还可以创建子主题来介绍numpy中的向量化操作和矩阵运算，以及其在科学计算中的重要性。 在整个思维导图中，我可以使用不同的颜色、字体和图标来区分不同的主题或节点，以便更好地组织和呈现信息。可以使用箭头来表示不同主题之间的关系，例如通过箭头表示某个主题是另一个主题的子主题或相关主题。 通过将numpy的使用方法和相关概念以思维导图的形式记录在笔记.xmind中，我可以更清晰地了解和掌握numpy的知识，并且可以随时查阅和复习。这样可以帮助我更好地应用numpy进行数据分析和科学计算，并提高工作效率和代码质量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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