Python Numpy 基本属性、常用方法

最新推荐文章于 2022-06-29 22:16:43 发布
最新推荐文章于 2022-06-29 22:16:43 发布
阅读量354 收藏
点赞数
文章标签： python
原文链接：https://my.oschina.net/shadowolf/blog/1839321
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

1. 基本属性

No.属性名描述
01shape向量、矩阵的结构
02dtype向量、矩阵的数据类型
03ndim向量、矩阵维度
04size向量、矩阵的元素个数

  • 测试代码

    import numpy as np

# 定义数据
a = np.arange(15).reshape(3, 5)

# 基本属性
print(a.shape)
print(a.dtype)
print(a.ndim)
print(a.size)

  • 结果

    (3, 5)
int32
2
15

2. 常用数学运算

1. 基本运算

  • 测试代码

    import numpy as np

# 定义数据
a = np.array([[1, 2], [3, 4]])
b = np.array([[10, 20], [30, 40]])

# 基本运算
# 矩阵运算
print(b - a, '\n')
# 矩阵与常数运算
print(b - 1, '\n')
# 矩阵次幂运算
print(a ** 2)

  • 结果

    [[ 9 18]
 [27 36]]

[[ 9 19]
 [29 39]]

[[ 1  4]
 [ 9 16]]
2. 矩阵乘法（2种）

  • 测试代码

    import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[10, 20], [30, 40]])

# *号乘法，对应位置数据进行相乘
print(a * b, '\n')

# 矩阵乘法
print(a.dot(b)) # print(np.dot(a, b))

  • 结果

    [[ 10  40]
 [ 90 160]]

[[ 70 100]
 [150 220]]
3. 最大值、最小值

  • 测试代码

    import numpy as np

a = np.array([[10, 20], [30, 40]])

# 最大值
print(a.max())
# 最小值
print(a.min())

  • 结果

    40
10
4. 按行、列求和

  • 测试代码

    import numpy as np

a = np.array([[10, 20], [30, 40]])

# 按行求和
print(a.sum(axis=1), '\n')

# 按列求和
print(a.sum(axis=0))

  • 结果

    [30 70]

[40 60]
5. 比较运算

  • 测试代码

    import numpy as np

a = np.array([[10, 20, 80], [30, 40, 60]])

# 判断是否等于10
print(a == 10, '\n')
# 判断是否大于30
print(a > 35, '\n')

# 可以使用判断结果作为索引得到数据
dataGt35 = (a > 35)
print(a[dataGt35])

  • 结果

    [[ True False False]
 [False False False]]

[[False False  True]
 [False  True  True]]

[80 40 60]
6. 向上、向下取整

  • 测试代码

    import numpy as np

a = 10 * np.random.random((2, 3))
print(a, '\n')

# 向上取整
print(np.ceil(a), '\n')
# 向下取整
print(np.floor(a))

  • 结果

    [[4.57151067 9.42335419 8.83125138]
 [7.55599306 7.10207961 6.26744524]]

[[ 5. 10.  9.]
 [ 8.  8.  7.]]

[[4. 9. 8.]
 [7. 7. 6.]]
7. 其他常用运算（e的次幂、开平方）

  • 测试代码

    import numpy as np

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

# e的次幂操作
print(np.exp(a), '\n')

# 开平方操作
print(np.sqrt(a))

  • 结果

    [[ 2.71828183  7.3890561 ]
 [20.08553692 54.59815003]]

[[1.         1.41421356]
 [1.73205081 2.        ]]

3. 与、或操作

  • 测试代码

    import numpy as np

a = np.array([[10, 20], [30, 40]])

# 与操作
print((a > 15) & (a < 35), '\n')
print((a > 15) & (a < 35), '\n')
# 或操作
print((a == 10) | (a < 30))

  • 结果

    [[False  True]
 [ True False]]

[[ True  True]
 [False False]]

4. 常用方法

No.方法描述举例
01ravel将矩阵转换成向量a.ravel()
02T转置矩阵a.T
03reshape重新定义向量、矩阵结构a.reshape(3, 4)
04hstack按行进行矩阵拼接np.hstack((a, b))
05vstack按列进行矩阵拼接np.vstack((a, b))
06hsplit按行切分矩阵np.hsplit(a, 3)
07vsplit按列切分矩阵np.vsplit(a, 3)
08tile使用现有矩阵扩展矩阵np.tile(a, (3, 5))
1. ravel

  • 测试代码

    import numpy as np

a = np.array([[10, 20], [30, 40]])
print(a.ravel())

  • 结果

    [10 20 30 40]
2. T

  • 测试代码

    import numpy as np

a = np.array([[10, 20], [30, 40]])
print(a.T)

  • 结果

    [[10 30]
 [20 40]]
3. reshape

  • 测试代码

    import numpy as np

a = np.arange(15)

# 将向量a重新定义结构为(3, 5)的矩阵
print(a.reshape((3, 5)), '\n')
# 如果设置-1，则表示自动计算数值
print(a.reshape((5, -1)))

  • 结果

    [[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]
 [12 13 14]]
4. 矩阵拼接

  • 测试代码

    import numpy as np

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

# 横向拼接
print(np.hstack((a, b)), '\n')
# 纵向拼接
print(np.vstack((a, b)))

  • 结果

    [[1 2 5 6]
 [3 4 7 8]]

[[1 2]
 [3 4]
 [5 6]
 [7 8]]
5. 矩阵切分

  • 测试代码

    import numpy as np

a = np.arange(27).reshape(3, 9)

# 按行切分
print(np.hsplit(a, 3), '\n')
# 自定义切分位置
print(np.hsplit(a, (3, 5, 7)), '\n')

b = a.T

# 按列切分
print(np.vsplit(b, 3))

  • 结果

    [array([[ 0,  1,  2],
   [ 9, 10, 11],
   [18, 19, 20]]), array([[ 3,  4,  5],
   [12, 13, 14],
   [21, 22, 23]]), array([[ 6,  7,  8],
   [15, 16, 17],
   [24, 25, 26]])]

[array([[ 0,  1,  2],
       [ 9, 10, 11],
       [18, 19, 20]]), array([[ 3,  4],
       [12, 13],
       [21, 22]]), array([[ 5,  6],
       [14, 15],
       [23, 24]]), array([[ 7,  8],
       [16, 17],
       [25, 26]])]

[array([[ 0,  9, 18],
       [ 1, 10, 19],
       [ 2, 11, 20]]), array([[ 3, 12, 21],
       [ 4, 13, 22],
       [ 5, 14, 23]]), array([[ 6, 15, 24],
       [ 7, 16, 25],
       [ 8, 17, 26]])]
6. tile

  • 测试代码

    import numpy as np

a = np.arange(6).reshape(2, 3)

# 扩展矩阵
print(np.tile(a, (2, 2)))

  • 结果

    [[0 1 2 0 1 2]
 [3 4 5 3 4 5]
 [0 1 2 0 1 2]
 [3 4 5 3 4 5]]

转载于:https://my.oschina.net/shadowolf/blog/1839321

weixin_34129145
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python中numpy的基本属性
csh2388827741的博客
07-08 159
import numpy as np """ 创建numpy数组 np.array(list) 会返回一个数组对象 """ #创建一些数据 a = np.array([1,2,3,4,5]) print(a) #操作数组里面的元素 a2 = a*2 print(a2) print('==========二维数组==========') #创建二维数组 b = np.array([ [1,2,3], [4,5,6] ]) #输出会有行有列 print(b) #数组的属性 def
Python中的numpy数组的常用属性
IT-暮辞的博客
06-04 875
# 数组的属性 import numpy as np a = np.arange(24).reshape(3,8) # 生成维度为3,8的数组a print("数组a") print(a) print("-----------------------------------\n") # ndim属性,输出数组的维度 print("ndim属性") print(a.ndim) print("-----------------------------------\n") # size属性，输出数组元素
python基本属性
gml1997的博客
03-04 152
** 表示次方 2**5=32
python numpy: transpose方法、T属性以及swapaxes方法。
这世界缤纷多彩
11-07 3955
转置可以对数组进行重置，返回的是源数据的视图（不会进行任何复制操作）。 转置有三种方式，transpose方法、T属性以及swapaxes方法。 1 . T 适用于一、二维数组 In [1]: import numpy as np In [2]: arr = np.arange(20).reshape(4,5)#生成一个4行5列的数组 In [3]: arr Out[3]: array([[...
python的几个基础属性
OldSixice的博客
03-19 404
“缩进方式” Ps：Java是怎么写程序的 systemprin.out.print（“123”） 四个空格=tab 以#开头的语句是注释 “大小写敏感” 一个大小写的区别代表不同的代码 Python的5种数据类型 整数 计算机都是2进制 python可以处理任何整数 二进制和十六进制 十六进制用0x前缀 Ps：0xff00,0xf 浮点数 小数点位置是可变的 字符串 字符串是以（”单引号）或者（...
Python高阶——Numpy数组属性
sinat_42247418的博客
11-21 1254
Python高阶——Numpy数组属性Python高阶——Numpy数组属性秩：rankndarray.ndim()秩、（轴、维度）的数量ndarray.shape()数组的维度，对于矩阵，n 行 m 列ndarray.shape = （） 也可以用于调整数组大小（调整维度）numpy.reshape() 函数来调整数组大小ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。ndarray.size 数组元素的总个数，(相当于 .shape 中 n*m 的值)ndarray.flags
Python numpy 常用函数总结
09-21
### Python Numpy 常用函数详解 #### Numpy简介 Numpy是Python中的一个开源库，主要用于处理大型多维数组和矩阵，并提供了一系列用于执行数学运算的工具。它不仅支持高效的数组操作，还提供了丰富的数学函数来处理...
Python Numpy库安装与基本操作示例
09-19
在Python环境中，最常用的方法是通过`pip`包管理器来安装Numpy。在命令行中输入以下命令即可： ```bash pip install numpy ``` 执行上述命令后，Numpy会自动下载并安装到你的Python环境中。 ### 基本操作 #### ...
Python numpy中矩阵的基本用法汇总
09-19
本篇将详细介绍Python NumPy中矩阵的基本用法。 1. `mat()` 函数与 `array()` 函数的区别 - `mat()` 函数主要用于创建矩阵对象，它能够接受以分号分隔的字符串或列表形式的数据，如 `np.mat('1 3;5 7')`。而 `...
Python之Numpy库常用函数大全（含注释）
04-22
#### Numpy数组的基本属性 - **.ndim**：表示数组的维度数目。 - **.shape**：表示每个维度的长度，例如 `(2, 5)` 表示一个2行5列的二维数组。 - **.size**：表示数组中元素的总数。 - **.dtype**：表示数组中元素...
python--numpy常用属性及方法
weixin_46361294的博客
06-29 1415
生成随机数 random模块常用随机数生成函数 通过索引访问数组 一维数组的索引–与list索引方法一致 多维数组的索引–每一个维度都有一个索引，各个维度的索引之间用逗号隔开 变换数组的形态 改变数组形状实例 展平数组实例 组合数组实例 分割数组实例 numpy矩阵与通用函数 创建numpy矩阵 矩阵特有属性及说明 矩阵运算实例 ufunc函数 ufunc函数：通用函数，能够对数组中的所有元素进行操作的函数，针对数组进行操作
python3 numpy学习
闲敲棋子落灯花
08-03 1270
1.1，numpy &amp;amp;amp; pandas有什么用？ 教程链接 numpy基于C，pandas基于numpy。基于矩阵的运算，运算速度比python自带list或者dictionary的更快。 1.2，安装 pip3 install numpy #3指向python3 pip3 install pandas 2.1, numpy属性 &amp;amp;gt;&amp;amp;gt;&amp;amp;gt; arr...
Numpy 数组属性
weixin_30919235的博客
04-29 156
Numpy 数组的维数称为秩（rank），一维数组的秩为 1 ， 二维数组的秩为 2 ， 以此类推：在Numpy中， 每一个线性的数组称为是一个轴（axis），也就是维度（dimensios）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组，所以一组数组就是 Numpy中的轴（axis），第一个轴相当于是底层数组，第二个是底层数组里的数组。而轴的数量-秩，就是数...
Numpy 常用属性和方法
Roddy的博客
08-06 474
属性; data.shape #用来表征数组每个维度的数量。 data.dtype #用来描述数组的类型 data.ndim #用来查看数据的维度 方法： .reshape(()) 生成ndarray np.array #将输入数据（列表，元组，数据以及其他序列）转换为ndarra...
NumPy 数组属性
wqqGo的博客
12-13 619
NumPy 数组属性 摘自菜鸟教程 http://www.runoob.com/numpy/numpy-array-attributes.html 本章节我们将来了解 NumPy 数组的一些基本属性。 NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。 在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，...
python中numpy数组的常见属性
qq_35833972的博客
04-21 3429
1.ndim属性: 表示数组的是几维的(一维数组或者二维数组等) 2.shape属性: 表示数组的形状(3*3数组,或者其他) 3.size属性: 包含的元素的个数 4.dtype属性: 元素的类型 注意:不能直接通过修改数组的dtype属性,得到一个新的数组,如果需要转换数组元素的数据类型,需要使用astype方法 array_test = np.array([1.5,2,3,4,5,6]) a...
Python 之 Numpy (一)属性
wangsiji_buaa的博客
04-22 1272
代码：import numpy as np array = np.array([[1, 2, 3], [2, 3, 4]]) # 数组 print(array) print('number of dim:', array.ndim) # 数组维数 print('shape:', array.shape) # 形状 print('size', array....
python3：numpy的基本属性以及创建array
sunshine_lyn的博客
08-06 3832
在使用numpy之前，需要先安装numpy模块。各种版本的操作系统安装方法不一。 官网：https://pypi.org/project/numpy/#files 我使用的是pycharm+Anaconda，anaconda是python中管理包的工具，在我们安装好anaconda的时候，会自带很多python的包。当我们在pycharm中选择anaconda的python.exe编译器时，可...
numpy中的ndarray方法和属性
xyjikl
12-25 2688
[2, 8, 5], [3, 7, 4]]) >>> print x.flags  #返回数组内部的信息 C_CONTIGUOUS : True F_CONTIGUOUS : False OWNDATA : True WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False >>> x.flat[2:6]   #将数组变为1维数组，并获取其中的一部分
python numpy常用方法的例子
最新发布
03-20
numpy是Python中用于科学计算的一个重要的库，常用的方法有： 1. 创建数组：numpy.array([1,2,3])，numpy.zeros((3,3))，numpy.ones((3,3))，numpy.arange(0,10,2) 2. 数组的属性：ndarray.shape，ndarray.ndim，...
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