python数组求和_python中numpy基础学习及进行数组和矢量计算

前言

在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率，类似于R的向量化操作，是的数据的操作趋于简单化，在python 中是使用numpy模块可以进行数组和矢量计算。

下面来看下简单的例子

?

1

2

3

4

5

import numpy as np

data=np.array([2,5,6,8,3])#构造一个简单的数组

print(data)

结果：

?

1

[2 5 6 8 3]

?

1

2

3

data1=np.array([[2,5,6,8,3],np.arange(5)])#构建一个二维数组

print(data1)

结果：

?

1

2

[[2 5 6 8 3]

[0 1 2 3 4]]

我们也可以通过shape和dtype方法查看数组的维度和数据格式

?

1

2

3

4

print(data.shape)

print(data.dtype)

print(data1.shape)

print(data1.dtype)

结果：

?

1

2

3

4

5

(5,)

int32

(2, 5)

int32

可以看出data是一维数组，每组元素为5个，数据类型为32位int 类型

data1 为二维数组，每个组有5个元素，数据类型为32位int类型

有一个较好的区分方法是看打印结果中，中括号的层数和位置，就可以看出数组的维度，一层中括号代表一个维度。

其他的数组属性方法还有：

array.ndim 数组的维数，一维数组结果为1，二维数组打印结果为2

array.size 数组的元素个数

array.itemsiz 数组每个元素的字节大小

接下来我们了解下数组中的数据类型：

NumPy中的基本数据类型

名称

描述

bool

用一个字节存储的布尔类型（True或False）

inti

由所在平台决定其大小的整数（一般为int32或int64）

int8

一个字节大小，-128 至 127

int16

整数，-32768 至 32767

int32

整数，-2 ** 31 至 2 ** 32 -1

int64

整数，-2 ** 63 至 2 ** 63 - 1

uint8

无符号整数，0 至 255

uint16

无符号整数，0 至 65535

uint32

无符号整数，0 至 2 ** 32 - 1

uint64

无符号整数，0 至 2 ** 64 - 1

float16

半精度浮点数：16位，正负号1位，指数5位，精度10位

float32

单精度浮点数：32位，正负号1位，指数8位，精度23位

float64或float

双精度浮点数：64位，正负号1位，指数11位，精度52位

complex64

复数，分别用两个32位浮点数表示实部和虚部

complex128或complex

复数，分别用两个64位浮点数表示实部和虚部

基础的数组运算

数组也可以进行我们常用的加减乘除运算

?

1

2

3

arr=np.array(np.arange(10))

arr1=np.array(np.arange(1,11))

print(arr*2)

结果：

?

1

[ 0 2 4 6 8 10 12 14 16 18]

?

1

print(arr+arr1)

结果：

?

1

[ 1 3 5 7 9 11 13 15 17 19]

注意，相加两个数组长度要一样

接下来我们看下数组索引

?

1

arr=np.arange(10)

用下标直接进行索引

?

1

print(arr[5])

结果为：

?

1

5

切片索引

?

1

print(arr[5:8])

结果为：

?

1

[5 6 7]

可以利用索引对数据进行更改操作

?

1

2

arr[5]=120

print(arr)

结果为：

?

1

[ 0 1 2 3 4 120 6 7 8 9]

可以看到下标为5的数已经变成120了。

此外，数组还可以进行布尔操作

?

1

2

3

arr=np.arange(5)

name=np.array(['a','b','b','c','a'])

print(name=='a')

结果为：

?

1

[ True False False False True]

即满足条件的数据全部以True的结果输出。

接下来我们可以利用name数组设置条件后的布尔值对arr数组进行相关操作

?

1

print(arr[name=='a'])

结果为：

?

1

[0 4]

即把arr中对应于name中a相对应位置的元素打印出来。

多条件操作

?

1

2

3

result=(name='a')|(name='c')

print(result)

print(name[result])

结果为：

?

1

2

[ True False False True True]

['a' 'c' 'a']

接下来，我们了解下ufunc方法

用于操作单个数组的函数有如下：

用于操作两个或多个数组的方法

相关的函数方法使用

np.meshgrid 用于生成多维矩阵

?

1

2

3

a,b=np.meshgrid(np.arange(1,5),np.arange(2,4))

print(a)

print(b)

结果为：

?

1

2

3

4

[[1 2 3 4]

[1 2 3 4]]

[[2 2 2 2]

[3 3 3 3]]

按照数据最少的数组形成数组

np.where 是三元表达式 x if condition else y的矢量化版本

?

1

2

3

4

5

6

7

arr1=np.arange(5)

arr2=np.arange(20,25)

condition=np.array([1,0,1,0,0])

result=np.where(condition,arr1,arr2)

print(arr1)

print(arr2)

print(result)

结果为：

?

1

2

3

[0 1 2 3 4]

[20 21 22 23 24]

[ 0 21 2 23 24]

可以看出，result的结果中，条件为1的显示数组arr1的内容，条件为0的显示arr2的内容

数学统计方法

在数组中我们也可以使用数学统计方法进行计数，例如sum mean std 等

?

1

2

3

4

5

arr=np.random.randint(1,20,10)

print(arr)

print(np.mean(arr))

print(np.sum(arr))

print(np.std(arr))

结果为：

?

1

2

3

4

[19 14 8 13 13 10 10 9 19 7]

12.2

122

4.01995024845

具体的方法内容如下图所示：

布尔型数组的相关统计方法

?

1

2

3

4

arr=np.arange(-20,10)

result=(arr>5).sum()

print(arr)

print(result)

结果为：

?

1

2

3

4

-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3

-2 -1 0 1 2 3 4 5 6 7 8 9]

4

可以对数据进行判断后进行个数求和

其他的数组方法还有

数据的读取和存储

线性函数的常用方法

?

1

2

3

arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])

print(arr)

print(np.dot(arr,2))

结果为

?

1

2

3

4

[[ 4 6 5 1 6]

[14 16 11 10 18]]

[[ 8 12 10 2 12]

[28 32 22 20 36]]

dot方法可以进行矩阵相乘操作

其他方法如下图

最后我们了解下numpy中的随机数生成方法

上面的很多例子中我们已经用到了随机数生成，

?

1

2

arr=np.random.random(10)

print(arr)

结果为

?

1

2

[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776

0.42150977 0.27728599 0.50888291 0.62288808]

其他形式的随机数生成方法

总结

好了，以上就是这篇文章的全部内容了，了解了以上numpy的操作方法，基本的数据操作问题应该不是很大了。希望本文的内容对大家的学习或者工作能带来一定的帮助。