numpy 库简单使用
一、numpy库简介
Python标准库中提供了一个array类型,用于保存数组类型的数据,然而这个类型不支持多维数据,不适合数值运算。作为Python的第三方库numpy便有了用武之地。
numpy库处理的最基础数据类型是用同种元素构成的多维数组(ndarray),简称数组。数组中所有元素的类型必须相同,数组中元素可以用整数索引,序号从0开始。ndarray类型的维度叫作轴(axes),轴的个数叫做秩(rank)。
二、numpy库下载
pip install numpy
三、导入库函数
import numpy as np
四、库函数基本使用
1. 创建数组的函数 (ndarray类型)
函数 | 说明 |
np.array([ x, y, z], dtype = int) | 从列表或数组中创建数组 |
np.arange(x, y, i) | 创建一个由x到y,以i为步长的数组 |
np.linspace(x, y, n) | 创建一个由x到y,等分成n个元素的数组 |
创建一个m行n列的矩阵(3维数组) | |
np.random.rand(m, n) | 创建一个m行n列的随机数组 |
np.ones((m,n), dtype) | 创建一个m行n列的全1数组,dtype为数据类型 |
np.zeros((m,n), dtype) | 创建一个m行n列的全0数组,dtype为数据类型 |
创建一个m行n列的空数组,dtype为数据类型 |
1 import numpy as np 2 3 ''' numpy --> array() ''' 4 a1 = np.array([1,2,3,5,8,13,21,34,55,89], dtype = int) # 由列表创建数组 5 array_ = (2.3,8,10/3,5.0,1/7) # 创建元组 6 a2 = np.array(array_) # 由元组创建数组 7 print('numpy --> array():\n',a1,'\n',a2) 8 9 ''' numpy --> arange() ''' 10 arange_1 = np.arange(1,30,4) 11 arange_2 = np.arange(1,3,0.4) 12 print('numpy --> arange():\n',arange_1,'\n',arange_2) 13 14 ''' numpy --> linspace() ''' 15 lins_1 = np.linspace(1,10,10) 16 lins_2 = np.linspace(1,10,9, dtype = int) 17 print('numpy --> linspace():\n',lins_1,'\n',lins_2) 18 19 ''' numpy --> random.rand() ''' 20 rand_ = np.random.rand(3,4) 21 print('numpy --> random.rand():\n',rand_) 22 23 ''' numpy --> ones() ''' 24 ones_1 = np.ones((3,4)) # 默认为float 25 ones_2 = np.ones((3,4),dtype = int) 26 print('numpy --> ones():\n',ones_1,'\n',ones_2) 27 28 ''' numpy --> zeros() ''' 29 zeros_1 = np.zeros((2,3)) 30 zeros_2 = np.zeros((2,3), dtype = int) 31 print('numpy --> zeros():\n',zeros_1,'\n',zeros_2)
2. ndarray类型的常用属性
属性 | 说明 |
ndarray.ndim | 返回数组轴的个数,即数组的秩 |
ndarray.shape | 返回数组在每个维度上大小的整数元组 |
ndarray.size | 返回数组元素的总个数 |
ndarray.dtype | 返回数组元素的数据类型 |
ndarray.itemsize | 返回数组元素的字节大小 |
ndarray.data | 返回数组元素的缓存区地址 |
ndarray.flat | 数组元素的迭代器 |
1 import numpy as np 2 a = np.indices((5,8)) # 创建一个m行n列的矩阵 3 print("数组a的秩:",a.ndim) 4 print("数组a各维度的大小:",a.shape) 5 print("数组a元素的总个数:",a.size) 6 print("数组a元素的数据类型:",a.dtype) 7 print("数组a元素的字节大小:",a.itemsize) 8 print("数组a元素的缓存区地址:",a.data) 9 print("数组a元素的迭代器:",a.flat) 10 print("数组a的元素:\n",a)
3. ndarray类型的形态操作方法
操作方法 | 说明 |
ndarray.reshape(n, m) | 返回一个维度为(n, m)的数组副本 |
ndarray.resize(new_shape) | 修改数组的维度大小 |
ndarray.swapaxes(ax1, ax2) | 调换数组ax1维度与ax2维度,返回调换后的数组 |
ndarray.flatten() | 对数组进行降维,返回一维数组 |
ndarray.ravel() | 对数组进行降维,返回数组的一个视图 |
1 import numpy as np 2 a = np.arange(20) 3 print('(1) 创建一维数组a:\n',a) 4 b = a.reshape(2,10) 5 print('(2) 由a创建(2,10)的数组b:\n',b) 6 a.resize(4,5) 7 print('(3) 修改数组a为(4,5):','Shape of a:',a.shape,'\n',a) 8 c = a.swapaxes(0,1) 9 print('(4) 调换数组a第1维度与第2维度得到数组c:(5,4)','Shape of c:',c.shape,'\n',c) 10 d = a.flatten() 11 print('(5) 对数组a降维,得到一维数组d:','Shape of d:',d.shape,'\n',d) 12 e = a.ravel() 13 print('(6) 对数组a降维,得到数组a的视图e','Shape of e:',e.shape,'\n',e)
4. ndarray类型的索引与切片方法
方法 | 说明 |
x [i] | 索引数组x的第i个元素 |
x [-i] | 从后往前索引数组x的第i个元素 |
x [n : m] | 从前往后索引数组x,不包含第m个元素 |
x [-m : -n] | 从后往前索引数组x,结束位置为n |
x [n : m: i] | 以i为步长索引数组x |
1 import numpy as np 2 a = np.arange(8) 3 print('a:',a) 4 print('a[4]:',a[4]) 5 print('a[-6:-3]:',a[-6:-3]) 6 print('a[1:6:2]:',a[1:6:2])
5. ndarray类型的算术运算函数
函数 | 说明 |
np.add(x1, x2 [,y]) | y = x1 + x2 |
np.subtract(x1, x2 [,y]) | y = x1 - x2 |
np.multiply(x1, x2 [,y]) | y = x1 * x2 |
np.divide(x1, x2 [,y]) | y = x1 / x2 |
np.floor_divide(x1, x2 [,y]) | y = x1 // x2 |
np.negative(x [,y]) | y = -x |
np.power(x1, x2 [,y]) | y = x1 ** x2 |
np.remainder(x1, x2 [,y]) | y = x1 % x2 |
1 import numpy as np 2 A1 = np.arange(1,9) 3 A2 = np.arange(1,30,4) 4 5 print('A1:',A1) 6 print('A2:',A2) 7 print('A2-A1:',np.subtract(A2,A1)) 8 print('A2//A1:',np.floor_divide(A2,A1)) 9 print('A2%A1:',np.remainder(A2,A1))
6. ndarray类型的比较运算函数
函数 | 说明 |
np.equal(x1, x2 [,y]) | y = x1 == x2 |
np.not_equal(x1, x2 [,y]) | y = x1 != x2 |
np.less(x1, x2 [,y]) | y = x1 < x2 |
np.less_equal(x1, x2 [,y]) | y = x1 <= x2 |
np.greater(x1, x2 [,y]) | y = x1 > x2 |
np.greater_equal(x1, x2 [,y]) | y = x1 >= x2 |
根据条件判断输出x或y |
1 import numpy as np 2 A1 = np.arange(1,9) 3 A2 = np.arange(1,30,4) 4 5 print('A1:',A1) 6 print('A2:',A2) 7 print('A1 != A2:',np.not_equal(A1,A2)) 8 print('A1 <= A2:',np.less_equal(A1,A2)) 9 print('Use of where_1:',np.where(A1>=5,'Y','N')) 10 print('Usage as much of where:{}'.format('Y' if A1[3]>=5 else 'N'))
7. ndarray类型的其他运算函数
函数 | 说明 |
np.abs(x) | 返回数组x每个元素的绝对值 |
np.sqrt(x) | 返回数组x每个元素的平方根 |
np.square(x) | 返回数组x每个元素的平方 |
np.sign(x) | 返回数组x每个元素的符号:1(+)、0、-1(-) |
np.ceil(x) | 返回大于或等于数组x每个元素的最小值 |
np.floor(x) | 返回小于或等于数组x每个元素的最大值 |
np.rint(x [,out]) | 返回数组x每个元素最接近的整数 |
np.exp(x [,out]) | 返回数组x每个元素的指数值 |
np.log(x) / np.log2(x) / np.log10(x) | 返回数组x每个元素相应的对数(e、2、10) |
1 import numpy as np 2 A1 = np.arange(1,9) 3 A2 = np.arange(1,30,4) 4 5 print('A1:',A1) 6 print('A2:',A2) 7 print('A2的平方根:',np.sqrt(A2)) 8 print('A1的平方:',np.sqrt(A1)) 9 print('A2 2的对数:',np.log2(A2))