Python Numpy库对数组的操作案例
发布时间:2020-11-09 13:52:38
来源:亿速云
阅读:64
作者:小新
小编给大家分享一下Python Numpy库对数组的操作案例,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
1. 简介
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。最主要的数据结构是ndarray数组。
NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用, 这种组合广泛用于替代 MatLab。
SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。
2. 创建
创建一维数组
(1)直接创建:np.array([1, 2, 3, 4, 5, 6])
(2)从python的list中建立:np.array(list([1, 2, 3, 4, 5, 6]))
创建常量值的一维数据
(1)创建以0为常量值:np.zeros(n,dytpe=float/int)
(2)创建以1为常量值:np.ones(n)
(3)创建一个空数组:np.empty(4)
创建一个元素递增的数组
(1)从0开始增长的递增数组:np.arange(8)
(2)给定区间,自定义步长:np.arange(0,1,0.2)
(3)给定区间,自定义个数:np.linspace(-1,1,50)
创建多维数组:创建单维数组,再添加进多维数组# 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据
# 二维数组相当于存放的是“两层”数组而已
arr1=np.array(list([1, 2, 3, 4, 5]))
arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组
arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组
arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错
arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错
创建常量值的(n*m)维数据
(1)创建以0为常量值:np.zeros((n*m),dytpe=float/int)
(2)创建以1为常量值:np.ones((n*m))
(3)创建一个空数组:np.empty((n*m))
创建随机数字的数组
生成随机数种子:
(1)np.random.seed()
(2)np.random.RandomState()
生成随机数:
生成有分布规律的随机数组
(1)二项分布:np.random.binomial(n, p, size)
(2)正态分布:np.random.normal(loc, scale, size)
将csv文件转化成数组或阵列
使用 np.genfromtxt( ‘csv文件名’,delimiter = ‘文件中的分割符’ )函数将文件转化成数组csv_array = np.genfromtxt('sample.csv', delimiter=',')
print(csv_array)
3. 数组的变形
生成数组/矩阵转置的函数,即行列数字交换,使用.Ta = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
print(a.T)
-------------------
# 结果如下
[[32 12 2]
[15 10 16]
[ 6 5 13]
[ 9 23 40]
[14 1 37]]
改变数组的形状:
(1)arr.resize(n,m) :arr.resize(n,m)函数是原地修改数组,要求:元素的个数必须一致a=np.arange(8)
a.resize(2,4)
print(a)
---------------------------
[[0 1 2 3]
[4 5 6 7]]
(2)arr.reshape(n,m):如果某一个维度的参数为-1,则表示元素总个数会迁就另一个维度来计算a=np.arange(8).reshape(-1,1)
print(a)
-----------------
[[0]
[1]
[2]
[3]
[4]
[5]
[6]
[7]]
将一维升至二维:np.newaxis
np.newaxis实际上是直接增加维度的意思,我们一般不会给数组增加太多维度,这里以一维增加到二维为例:
(1)增加行维度:arr[np.newaxis, :]
(2)增加列维度:arr[: , np.newaxis]a=np.arange(8)
a # array([0, 1, 2, 3, 4, 5, 6, 7])
a.shape # (8,)
a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]])
a.shape # (8,)
a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]])
a.shape # (8,)
降维:arr.ravel()
arr.ravel()函数在降维时:默认是行序优先生成新数组(就是一行行读);如果传入参数“F”则是列序降维生成新数组a=np.array([[1,2],[3,4]])
a.ravel()
a.ravel('F')
----------------------------
# 结果 array([1, 2, 3, 4])
# 结果 array([1, 3, 2, 4])
4. 计算
对数组进行计算操作
(1)对元素进行加减计算a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])
a+b
a-b
----------------------------
# a+b和a-b结果分别是:
array([[ 1, 3, 7, 6],
[ 8, 6, 6, 13]])
array([[-1, -1, -3, 0],
[ 0, 4, 6, 1]])
(2)乘法:平方/矩阵中元素相乘a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])
a**2
a*b
-----------------------
# a矩阵平方/a*b矩阵中元素相乘结果分别:
array([[ 0, 1, 4, 9],
[16, 25, 36, 49]])
array([[ 0, 2, 10, 9],
[16, 5, 0, 42]])
(3)矩阵*矩阵:# 要求a矩阵的行要等于b矩阵的列数;且a矩阵的列等于b矩阵的行数
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]])
c1 = np.dot(a,b)
c2 = a.dot(b)
----------------------
# ab矩阵相乘的结果:c1=c2
array([[ 31, 36],
[ 99, 100]])
(4)逻辑计算
【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的!# 结果返回:一个数组,其中每个元素根据逻辑判断的布尔类型的结果
a > 3
-----------------------------
# 结果如下:
array([[False, False, False, False],
[ True, True, True, True]])
5. 取值
获取一维数组中的某个元素:操作和list列表的index一样a = np.array([5, 2, 7, 0, 11])
a[0] # 结果为 5
a[:4] # 结果为 从头开始到索引为4结束
a[2:] # 结果为 从索引为2的开始到结尾
a[::2] # 结果为 从头开始到结尾,每2个取一个值
获取多维数组的某个元素,某行或列值a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
a[2,1] # 结果是一个元素 16
a[2][1] # 结果是一个元素 16
a[1] # 第2行 array([12, 10, 5, 23, 1])
a[:,2] # 取出全部行,第2列 [15,10,16]
a[1:3, :] # 取出[1,3)行,全部列
a[1,1:] # array([10, 5, 23, 1])
获取满足逻辑运算的# 需要注意的是,我们数据进行逻辑计算操作得到的仍然是一个数组
# 如果我们想要的是一个过滤后的数组,就需要将"逻辑判断"传入数组中
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
a[a > 3]
a[(a > 3) | (a < 2)]
------------------------------
# 结果分别是:
array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37])
array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])
遍历:结果是按行输出a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
for x in a:
print(x)
--------------------
[32 15 6 9 14]
[12 10 5 23 1]
[ 2 16 13 40 37]
6. 复制/分割/合并
复制:arr.cope()
分割:
(1)等分:np.split(arr, n, axis=0/1)(即行数或列数可以整除n时才可以)
(2)不等分:np.array_split(arr, n) 默认按行分n份a = np.array([[32, 15, 6, 9, 14, 21],
[12, 10, 5, 23, 1, 10],
[2, 16, 13, 40, 37, 8]])
# 可以看到a矩阵是(3*6),所以使用np.split()只能尝试行分成3份;或者列分成2/3/6份
np.split(a,3,axis=0)
np.split(a,3,axis=1)
np.array_split(a,2)
np.array_split(a,4,axis=1)
-------------------------------------------
[array([[32, 15, 6, 9, 14, 21]]),
array([[12, 10, 5, 23, 1, 10]]),
array([[ 2, 16, 13, 40, 37, 8]])]
[array([[32, 15],
[12, 10],
[ 2, 16]]), array([[ 6, 9],
[ 5, 23],
[13, 40]]), array([[14, 21],
[ 1, 10],
[37, 8]])]
[array([[32, 15, 6, 9, 14, 21],
[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])]
[array([[32, 15],
[12, 10],
[ 2, 16]]), array([[ 6, 9],
[ 5, 23],
[13, 40]]), array([[14],
[ 1],
[37]]), array([[21],
[10],
[ 8]])]
合并:np.concatenate((arr1,arr2,arr3), axis=0/1) 默认接在数据下面a=np.random.rand(2,3)
b=np.random.randint(1,size=(2,3))
np.concatenate((a,b,a)) # 接在下面
np.concatenate((a,b,a),axis=1) # 接在后面
------------------------
array([[0.95912866, 0.81396527, 0.809493 ],
[0.4539276 , 0.24173315, 0.63931439],
[0. , 0. , 0. ],
[0. , 0. , 0. ],
[0.95912866, 0.81396527, 0.809493 ],
[0.4539276 , 0.24173315, 0.63931439]])
array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. ,
0. , 0.95912866, 0.81396527, 0.809493 ],
[0.4539276 , 0.24173315, 0.63931439, 0. , 0. ,
0. , 0.4539276 , 0.24173315, 0.63931439]])
以上是Python Numpy库对数组的操作案例的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注亿速云行业资讯频道!