numpy模块总结一

最新推荐文章于 2022-06-22 19:48:30 发布

北四金城武

最新推荐文章于 2022-06-22 19:48:30 发布

阅读量202

点赞数

分类专栏：数据处理文章标签： python 矩阵线性代数

本文链接：https://blog.csdn.net/weixin_43188487/article/details/121278993

版权

数据处理专栏收录该内容

6 篇文章 1 订阅

订阅专栏

1. numpy简介

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），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。

2. numpy的基本操作

2.1 创建数组、矩阵

（1）方法一

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

举例：

import numpy as np

a=np.array([1,2,3,4,5,6])
print(a)
print(type(a))

执行结果：
	[1 2 3 4 5 6]
	<class 'numpy.ndarray'>

（2）方法二

a = np.array(range(1,7))

举例

import numpy as np

a = np.array(range(1,7))
print(a)
print(type(a))

执行结果：
	[1 2 3 4 5 6]
	<class 'numpy.ndarray'>

（3）方法三

a = np.arange(1,7)

举例

import numpy as np

a = np.arange(1,7)
print(a)
print(type(a))

执行结果：
	[1 2 3 4 5 6]
	<class 'numpy.ndarray'>

2.2 查看数组、矩阵中数据的类型

2.2.1 dtype 方法

a.dtype

举例

import numpy as np

a = np.arange(1,7)
print(a.dtype)

执行结果：
	int32

2.2.2 numpy中常见的数据类型

类型	类型代码	说明
int8, uint8	i1, u1	有符号和无符号的8位（1字节）整型
int16, uint16	i2, u2	有符号和无符号的16位（2字节）整型
int32, uint32	i4, u4	有符号和无符号的32位（4字节）整型
int64, uint64	i8, u8	有符号和无符号的64位（8字节）整型
float16	f2	半精度浮点数
float32	f4或f	标准的单精度浮点数，与C的float兼容
float64	f8或d	标准的双精度浮点数，与C的double和python的float对象兼容
float128	f16或g	扩展精度浮点数
complex64、complex128、complex256	c8、c16、c32	分别用两个32位、64位、128位浮点数表示的复数
bool	-	存储True或False的布尔类型

2.3 数据类型的操作

2.3.1 制定创建的数组的数据类型

import numpy as np

b = np.array([1, 2, 3, 4], dtype=bool)
b1 = np.array(range(1,9), dtype=int)
b2=np.arange(1,5,dtype=int)
print(b)
print(b1)
print(b2)

执行结果：
	[ True  True  True  True]
	[1 2 3 4 5 6 7 8]
	[1 2 3 4]

2.3.2 修改数组的数据类型

import numpy as np

b = np.array([1, 2, 3, 4], dtype=bool)
b3 = b.astype(np.int)
print(b)
print(b3)

执行结果：
	[ True  True  True  True]
	[1 1 1 1]

2.3.3 修改浮点数的小数位数

import numpy as np

c = np.array([0.123451, 1.232832, 4.232323, 8.233242])
print(c)
c1 = np.round(c, 3)
print(c1)

执行结果：
	[0.123451 1.232832 4.232323 8.233242]
	[0.123 1.233 4.232 8.233]

2.4 数组的形状

2.4.1 查看数组的形状

import numpy as np

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

执行结果：
	[[1 2 3 4]
 	[5 6 7 8]]
 	(2, 4)

2.4.2 修改数组的形状

import numpy as np

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
a1 = a.reshape(4,2)
print(a1)

执行结果：
	[[1 2]
	 [3 4]
	 [5 6]
	 [7 8]]

或者：

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
print(a)

执行结果：
	[[ 1  2  3  4]
	 [ 5  6  7  8]
	 [ 9 10 11 12]]

2.4.3 将数组转化为一维数据

注意：reshape() 方法转化成的数据并不是一维的

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
print(a)
b=a.reshape(1,12)
print(b)
print(b.shape)

执行结果：
	[[ 1  2  3  4]
	 [ 5  6  7  8]
	 [ 9 10 11 12]]
	 
	[[ 1  2  3  4  5  6  7  8  9 10 11 12]]
	
	(1, 12)  # 根据b的维度可以看出，b是二维数据，只不过是具有1行或者1列，
			 # 其存在仍然以 “行*列” 的形式存在

方法：

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
print(a)

b1 = a.flatten()
print(b1)
print(b1.shape)

执行结果：
	[[ 1  2  3  4]
	 [ 5  6  7  8]
	 [ 9 10 11 12]]

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

	(12,) # 根据此处b1的维度可以看出，b1是一维数据

2.5 数组和数的计算

2.5.1 加减法运算

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
print(a)

a1 = a + 1
print(a1)

a2 = a - 1
print(a2)


执行结果：
	[[ 1  2  3  4]
	 [ 5  6  7  8]
	 [ 9 10 11 12]]
	 
	[[ 2  3  4  5]
	 [ 6  7  8  9]
	 [10 11 12 13]]
	 
	[[ 0  1  2  3]
	 [ 4  5  6  7]
	 [ 8  9 10 11]]

2.5.2 乘除法运算

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
print(a)

a1 = a * 10
print(a1)

a2 = a / 5
print(a2)

执行结果：
	[[ 1  2  3  4]
	 [ 5  6  7  8]
	 [ 9 10 11 12]]
	 
	[[ 10  20  30  40]
	 [ 50  60  70  80]
	 [ 90 100 110 120]]
	 
	[[0.2 0.4 0.6 0.8]
	 [1.  1.2 1.4 1.6]
	 [1.8 2.  2.2 2.4]]

2.6 数组和数组的计算

2.6.1 加减法运算

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
b = np.array(range(10, 130, 10), dtype=int).reshape(3, 4)

sumab = a + b
subab = a - b
print(sumab)
print(subab)

执行结果：
	[[ 11  22  33  44]
	 [ 55  66  77  88]
	 [ 99 110 121 132]]
	 
	[[  -9  -18  -27  -36]
	 [ -45  -54  -63  -72]
	 [ -81  -90  -99 -108]]

2.6.2 乘除法运算

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
b = np.array(range(10, 130, 10), dtype=int).reshape(3, 4)

mulab = a * b
divab = a / b

print(mulab)
print(divab)

执行结果：
	[[  10   40   90  160]
	 [ 250  360  490  640]
	 [ 810 1000 1210 1440]]
	 
	[[0.1 0.1 0.1 0.1]
	 [0.1 0.1 0.1 0.1]
	 [0.1 0.1 0.1 0.1]]

2.6.3 广播原则

如果两个数组的后缘维度（trailing dimension，即从末尾算起的维度）的轴长度相符或者其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失和/或长度为1的维度上进行。

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(3, 4)
b = np.array(range(10, 50, 10), dtype=int).reshape(1, 4)

print(a)
print(b)

sumab = a + b
subab = a - b
mulab = a * b
divab = a / b

print("sumab:\n", sumab)
print("subab:\n", subab)
print("mulab:\n", mulab)
print("divab:\n", divab)

执行结果：
	[[ 1  2  3  4]
	 [ 5  6  7  8]
	 [ 9 10 11 12]]
	 
	[[10 20 30 40]]
	sumab:
	 [[11 22 33 44]
	 [15 26 37 48]
	 [19 30 41 52]]
	subab:
	 [[ -9 -18 -27 -36]
	 [ -5 -14 -23 -32]
	 [ -1 -10 -19 -28]]
	mulab:
	 [[ 10  40  90 160]
	 [ 50 120 210 320]
	 [ 90 200 330 480]]
	divab:
	 [[0.1        0.1        0.1        0.1       ]
	 [0.5        0.3        0.23333333 0.2       ]
	 [0.9        0.5        0.36666667 0.3       ]]

3. 轴axis的概念与理解

3.1 一维数组

一维数组只有axis=0轴，求和既是求所有数的和
在这里插入图片描述

import numpy as np

c = np.array(range(3), dtype=int)
print(c)
# 一维数组只有axis=0方向，求和就是求所有数的和
sum_caxis0 = np.sum(c, axis=0)
print(sum_caxis0)

执行结果：
	[0 1 2]
	
	3

3.2 二维数组

在这里插入图片描述

import numpy as np

a = np.array(range(1, 13), dtype=int).reshape(2, 6)
print(a)
# 二维数组的axis=0轴指其行方向
sum_axis0 = np.sum(a, axis=0)
print(sum_axis0)
# 二维数组的axis=1轴指其列方向
sum_axis1 = np.sum(a, axis=1)
print(sum_axis1)

执行结果：
	[[ 1  2  3  4  5  6]
	 [ 7  8  9 10 11 12]]
	 
	[ 8 10 12 14 16 18]
	
	[21 57]

3.3 三维数组

在这里插入图片描述

import numpy as np

b = np.array(range(1, 25), dtype=int).reshape(2, 3, 4)
print(b)
# 三维数组的axis=0轴指其块方向
sum_baxis0 = np.sum(b, axis=0)
print("axis=0:\n", sum_baxis0)
# 三维数组的axis=1轴指其行方向
sum_baxis1 = np.sum(b, axis=1)
print("axis=1:\n", sum_baxis1)
# 三维数组的axis=2轴指其列方向
sum_baxis2 = np.sum(b, axis=2)
print("axis=2:\n", sum_baxis2)

执行结果：
	[[[ 1  2  3  4]
 	 [ 5  6  7  8]
  	[ 9 10 11 12]]

	 [[13 14 15 16]
 	 [17 18 19 20]
 	 [21 22 23 24]]]
 	 
	axis=0:
	 [[14 16 18 20]
	 [22 24 26 28]
	 [30 32 34 36]]
	axis=1:
	 [[15 18 21 24]
	 [51 54 57 60]]
	axis=2:
	 [[10 26 42]
	 [58 74 90]]

4. numpy读取数据

CSV:Comma-Separated Value，逗号分隔值文件。
显示：表格状态。
源文件：换行和逗号分割行列的格式化文本，每一行的数据表示一条记录。

由于csv便于展示、读取和写入，很多场景使用csv格式存储和传输中小型数据。

语法：

np.loadtext(fname,
			dtype=np.float,
			delimeiter=None,
			skiprows=0,
			usecols=None,
			unpack=False)

参数：

参数	解释
fname	文件、字符串或产生器，可以是.gz或bz2压缩文件
dtype	数据类型，可选，CSV的字符串一什么数据类型读入数组中，默认np.float
delimiter	分割字符串，默认是任何空格，改为逗号
skiprows	跳过前x行，一般跳过第一行表头
usecols	读取指定的列，索引，元组类型
unpack	如果为True，读如属性将分别写入不同的数组变量；False读入数据将只写入一个数组变量，默认False。相当于转置的作用。

import numpy as np

us_file_path = "D:/人工智能课程/【4】14100_HM数据科学库课件/数据分析资料/day03/code/youtube_video_data/US_video_data_numbers.csv"
uk_file_path = "D:/人工智能课程/【4】14100_HM数据科学库课件/数据分析资料/day03/code/youtube_video_data/GB_video_data_numbers.csv"

t1 = np.loadtxt(us_file_path,delimiter=",",dtype="int",unpack=True)
t2 = np.loadtxt(us_file_path,delimiter=",",dtype="int")

print(t1)
print("*"*100)
print(t2)

执行结果：
	[[4394029 7860119 5845909 ...  142463 2162240  515000]
	 [ 320053  185853  576597 ...    4231   41032   34727]
	 [   5931   26679   39774 ...     148    1384     195]
	 [  46245       0  170708 ...     279    4737    4722]]
********************************************************************
	[[4394029  320053    5931   46245]
	 [7860119  185853   26679       0]
	 [5845909  576597   39774  170708]
	 ...
	 [ 142463    4231     148     279]
	 [2162240   41032    1384    4737]
	 [ 515000   34727     195    4722]]

北四金城武

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
numpy模块总结一

numpy模块一1. numpy简介2. numpy的基本操作2.1 创建数组、矩阵2.2 查看数组、矩阵中数据的类型2.2.1 dtype 方法2.2.2 numpy中常见的数据类型2.3 数据类型的操作1. numpy简介NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算
复制链接

扫一扫