python中numpy数组的计算_python numpy基础 数组和矢量计算

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

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：

[2 5 6 8 3]

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

print(data1)

结果：

[[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

print(data.shape)

print(data.dtype)

print(data1.shape)

print(data1.dtype)

结果：

(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

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

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

print(arr*2)

结果：

[ 0  2  4  6  8 10 12 14 16 18]

print(arr+arr1)

结果：

[ 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

arr=np.arange(10)

用下标直接进行索引

print(arr[5])

结果为：

5

切片索引

print(arr[5:8])

结果为：

[5 6 7]

可以利用索引对数据进行更改操作

arr[5]=120

print(arr)

结果为：

[  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

arr=np.arange(5)

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

print(name=='a')

结果为：

[ 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

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

结果为：

[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

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

print(result)

print(name[result])

结果为：

[ 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

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]]

[[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

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：

[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

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

print(arr)

print(np.mean(arr))

print(np.sum(arr))

print(np.std(arr))

结果为：

[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

arr=np.arange(-20,10)

result=(arr>5).sum()

print(arr)

print(result)

结果为：

-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

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

[[ 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，

arr=np.random.random(10)

print(arr)

结果为

[ 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

了解以上numpy的操作方法，基本的数据操作问题应该不是很大了。

利用Python进行数据分析 第4章 NumPy基础-数组与向量化计算(3)

4.2 通用函数:快速的元素级数组函数 通用函数(即ufunc)是一种对ndarray中的数据执行元素级运算的函数. 1)一元(unary)ufunc,如,sqrt和exp函数 2)二元(unary) ...

《利用python进行数据分析》读书笔记--第四章 numpy基础：数组和矢量计算

http://www.cnblogs.com/batteryhp/p/5000104.html 第四章 Numpy基础:数组和矢量计算 第一部分:numpy的ndarray:一种多维数组对象 实话说, ...

利用Python进行数据分析——Numpy基础：数组和矢量计算

利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组 对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...

《利用Python进行数据分析·第2版》第四章 Numpy基础：数组和矢量计算

第四章 Numpy基础:数组和矢量计算 numpy高效处理大数组的数据原因: numpy是在一个连续的内存块中存储数据,独立于其他python内置对 ...

Python之NumPy实践之数组和矢量计算

Python之NumPy实践之数组和矢量计算 1. NumPy(Numerical Python)是高性能科学技术和数据分析的基础包. 2. NumPy的ndarray:一种对位数组对象.NumPy最 ...

Python Numpy基础教程

Python Numpy基础教程 本文是一个关于Python numpy的基础学习教程,其中,Python版本为Python 3.x 什么是Numpy Numpy = Numerical + Pyth ...

python数据分析---第04章 NumPy基础：数组和矢量计算

NumPy(Numerical Python的简称)是Python数值计算最重要的基础包.大多数提供科学计算的包都是用NumPy的数组作为构建基础. NumPy的部分功能如下: ndarray,一个具 ...

numpy——基础数组与计算

In [1]: import numpy as np In [11]: # 创建数组 a = np.array([1,2,3,4,5]) In [12]: a Out[12]: array([1, 2 ...

《利用python进行数据分析》NumPy基础：数组和矢量计算 学习笔记

一.有关NumPy (一)官方解释 NumPy is the fundamental package for scientific computing with Python. It contains ...

随机推荐

(十一)Maven远程仓库的各种配置

1.远程仓库的配置 在平时的开发中,我们往往不会使用默认的中央仓库,默认的中央仓库访问的速度比较慢,访问的人或许很多,有时候也无法满足我们项目的需求,可能项目需要的某些构件中央仓库中是没有的,而在其他 ...

Java学习笔记 04 类和对象

一.类和对象的概念 类 >>具有相同属性和行为的一类实体 对象 >>实物存在的实体.通常会将对象划分为两个部分,即静态部分和动态部分.静态部分指的是不能动的部分,被称为属性,任 ...

Runner站立会议02

开会时间:21.10~21.30 地点:二教103 今天做了什么:学习五大布局的使用方法 明天准备做什么:学习数据的存储 遇到的困难:知识点太多,信心受挫 站立会议图: 燃尽图:

Velocity(1)——注释

Velocity的单行注释,使用## 多行注释使用#* cooments *#

lintcode：合并两个排序链表

题目: 合并两个排序链表 将两个排序链表合并为一个新的排序链表  样例 给出 1->3->8->11->15->null,2->null, 返回 1->2-& ...

UVA - 12230 Crossing Rivers (期望)

Description You live in a village but work in another village. You decided to follow the straight pa ...

eclipse里xml提示包名的插件——Rinzo

1.Rinzo简介 在官方网站上的介绍到,Rinzo是一款Eclipse的XML编辑器,可以使在处理XML文件时变得简洁高效.与一般的XML文件相比,具有以下特点: l 自动显示DTD或Schema里 ...

setTimeout 定时器用法

setTimeout($(".msg").slideUp(5000));  msg的div 5秒往上收边 setTimeout("函数名称",1000);

shell find

find   -name april*                     在当前目录下查找以april开始的文件 find    /   -amin    -10     # 查找在系统中最后1 ...

JZYZOJ 1360 [usaco2011feb]人品问题 DP 树状数组 离散化

http://172.20.6.3/Problem_Show.asp?id=1360   好想好写   代码 #include #include