numpy矩阵最大值所在位置_图解NumPy包一文就够了-CSDN博客

本文链接：https://blog.csdn.net/weixin_36302268/article/details/113538066

本文介绍了Python中的NumPy包，重点讲解如何找到矩阵的最大值及其位置。NumPy是数据分析的基础，提供了丰富的数组运算和数据处理功能。文章通过构建基本数据结构、演示运算规则、介绍高阶用法，以及在时间序列、图像处理和语言处理中的应用，帮助读者深入理解NumPy。此外，还提醒读者NumPy已放弃对Python2的支持，建议转向Python3。

摘要由CSDN通过智能技术生成

在之前的生信分析方向如何系统入门python3推文最后，我们提到了python有很多好用的模块和加载包，也正因为这些，所以才使得python能够灵活多场景处理分析。

整合最近学习的一些内容，借以 Jay Alammar的博客，就来介绍一下其中一个基础数据处理包 NumPy吧。

今天的推送大纲如下：

不难发现，Numpy主要用于数据分析，整体的模式有点类似于小型的R，在读取和处理数据上略占优势，但是R的强大在于其统计分析和可视化。融会贯通，哪哪都好。

一开始使用 Numpy只是想简单使用它的内置函数，比如判断一下序列长度最大值呀，或者计算一下样本数据的均值等。收集资料发现其中还有不少有意思的东西。

基本用法

既然是一个包那就要载入：

import numpy as np

构建基本数据结构：

数组

# 构建数组
np.array([1,2,3])
np.ones(3)
np.random.random(3)

矩阵
与数组的构建写法相同，但是不同的是矩阵可以包含二维关系，同样包含ones()、zeros() 和 random.random() 快速方法，即
# 构建矩阵
np.array([[1,2],[3,4]])np.zeros((3,2))
更多维度
矩阵和向量的任意维度结构
ndarraynp.array([[1,2],[3,4]],[[5,6],[7,8]])

运算

基本运算
数组运算的规则是一一对应进行计算，例如加减乘除。
我们在之前函数中介绍过一种函数，可以快速对列表中的每一个元素进行计算，而在 Numpy中只需对 data * 1.6即可。
矩阵的运算有点类似上面的方式，称为 broadcasting，若不满足相同的维度，则会自动补齐进行计算。
点乘
除了上述的广播式计算方法外，NumPy为每个矩阵提供一个dot()方法，即分别进行计算，示例如下：
具体的计算方法如下：
索引
类似于列表的切片，对于Numpy数组的任意位置进行索引：
矩阵的索引使用二维的方式展示，以，分割对应横纵轴：
数据聚合
在这一部分，数组和矩阵便可以快速计算其最大值data.max()、最小值data.max()、均值data.min()、标准差data.std()、求和data.sum()等。
值得一提的是，在矩阵聚合中，有一个参数 axis支持跨行或者跨列聚合：在图中可以形象的理解为 axis=0为竖向计算， axis=1 为横向计算，即最外面的括号代表着 axis=0，依次往里的括号对应的 axis 的计数就依次加 1。
转置
有时候为了可视化的需求，我们会在excel或者R语言中使用转置的功能。当然python不能落下，使用也相当简单data.T
而在更高级的场景下，你可能需要对矩阵转变为特定的维度，这样你就需要使用 data.reshape()来实现了。