【Python】Numpy包 ndarray方法 经验分享

最新推荐文章于 2024-05-31 08:46:27 发布
最新推荐文章于 2024-05-31 08:46:27 发布
阅读量431 收藏 1
点赞数
分类专栏： python学习 文章标签： numpy python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44115606/article/details/108030159
版权

感觉学习的主要是函数的用法，一些简单功能的实现，以及一些函数的使用逻辑

一、查看帮助文档

import numpy as np
help(np.array)//使用help()函数，如果需要查看的是某个包里面的，需要先导入，后根据导入的语句变换help()括号内的内容
# from numpy import *
# help(array)
import numpy as np
np.array?//在函数名后使用问号

二、Numpy ndarray创建方法（4）

  1. 利用Python的列表创建数组(np.array（））
    np.array(object[, 数组元素的数据类型 = None][, 对象是否需要复制 = True], order = None, subok = False, 生成数组的最小维度 = 0)

object 数组或嵌套的数列
order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok 默认返回一个与基类类型一致的数组

import numpy as np
np.array([1,2,3,4,5,6],'float')#利用python的列表类型直接创建ndarray
  1. 创建数组且其中所有元素相同的
    np.(数组元素个数, dtype=‘类型’)，可填入ones，zeros，指创建的数组内部元素分别是1，0；如果填入full,则变为np.(数组元素个数, 填充物字符)，用填充物字符作为元素创建数组
a = np.zeros(10, dtype='int')
print(a.dtype, a)
a = np.ones(10,dtype='float') 
print(a.dtype, a)
a = np.full((3,5),'i love u')
print(array1)
'''
输出三行五列数组
[['i love u' 'i love u' 'i love u' 'i love u' 'i love u']
 ['i love u' 'i love u' 'i love u' 'i love u' 'i love u']
 ['i love u' 'i love u' 'i love u' 'i love u' 'i love u']]
 '''
  1. 创建线性序列数组
    np.arange([起始数(包括),] 终止数(不包括)[, 步长,], dtype=None)
    划定范围后根据步长切元素的一个函数，元素个数由数字范围差值/步长得到
    np.linspace(start, stop, 要求的数组应有的元素=50, endpoint=True, retstep=False, dtype=None)
    划定范围后按照要求的元素个数均匀切割，元素个数明确确定，间接得到步长。
a = np.arange(0,20,4,)
print(a)
> array([ 0,  4,  8, 12, 16])
a = np.linspace(0,20,4,)
print(a)
> array([ 0.        ,  6.66666667, 13.33333333, 20.        ])//0~20均匀分成4个数字作为数组元素
  1. 创建与随机数有关的数组
    np.random是一个模块，调用该模块下的功能可以创建元素符合一定分布的数组。
    np.random.randint(起始数字，终止数字，数组元素个数)
    np.random.random(数组元素个数)
    np.random.normal(均值，方差，数组元素个数)
//np.random.randint(起始数字，终止数字，数组元素个数)
np.random.randint(0,10,(3,3))
array([[7, 3, 2],
       [3, 6, 1],
       [0, 2, 8]])
//创建0~10区间内的随即整型3*3数组

//np.random.random(数组元素个数)
np.random.random((2,2))
array([[0.3355943 , 0.00926364],
       [0.29189079, 0.05479657]])
//创建2*2的数组，元素符合0~1均匀分布

//np.random.normal(均值，方差，数组元素个数)
np.random.normal(0,1,(3,3))
array([[ 1.26104413, -0.75845668,  1.40374373],
       [-0.49270628, -1.84310192, -0.10160905],
       [-0.21291316,  0.40893748,  0.17161528]])
//创建符合mean=0,std=1的正态分布的3*3数组，其中mean和std必填没有默认值
  1. 复杂的结构化数组创建
    （1）字典：
#复杂的结构化数组创建
#通过采用字典或元组列表的方法，制定符合数据类型，构造结构化数组
import numpy as np
data=np.zeros(3,dtype={'names':('name','age'),'formats':('U10','i4')})#U10指长度不超过10的unicode字符串；i4指的是4字节的整型
print(data)
[('', 0) ('', 0) ('', 0)]

现在我们正式运用这种方法创建一个学校老师的数组

teacher_name = ['Zames','Manchester','Li','Jyx']
teacher_age  = [30,29,28,27]
teacher_marriage=['F','T','F','T']
teachers=np.zeros(4,dtype={'names':('name','age','marriage'),'formats':('U10','i4','U2')})
teachers['name']=teacher_name#要记得用单引号
teachers['age']=teacher_age
teachers['marriage']=teacher_marriage
print(teachers)
print('The age of Zames is:',teachers[teachers['name']=='Zames']['age'])
[('Zames', 30, 'F') ('Manchester', 29, 'T') ('Li', 28, 'F')
 ('Jyx', 27, 'T')]
The age of Zames is: [30]

（2）元组列表
创建的语句直接改成下面的元组形式就好了

teachers=np.ones(4,dtype=[('name','U10'),('age','i4'),('marriage','U2')])

三、Numpy ndarray属性的基本操作(6)

数组的属性包括：ndim（维度）,shape（每个维度的大小）,size（总元素个数）,dtype（元素的数据类型），itemsize（每个元素的字节大小），dbytes（总字节大小）。可以认为itemsize*size=dbytes。

三、Numpy ndarray切片与索引
索引是获取数组的单个元素，切片则是获取数组的子数组。
用逗号表示分隔索引或切片的维度

# 索引与切片
import numpy as np
a = np.arange(11,20).reshape(3,3)
print(a)
print(a[0])  # 0页
print(a[0][0])  # 0页 0行
print(a[0][0][0])  # 0页 0行 0列
print(a[0, 0, 0])  # 0页 0行 0列   等效于上一行的代码，即逗号可以用于分隔不同的维度
#要注意的是，索引的维度顺序是不变的，先填前一个维度，后面的维度才可以填

引号在切片中使用，用于分隔区间的两侧和步长

import numpy as np
a = np.arange(1, 10)
print(a[-4:-7:-1])
#从第-4个位置到-7位置，按步长为-1（默认为1）来选：
#-4位置指的是数组从后往前数第4个，先从这个位置开始，按步长-1提取数，即每次从后往前再数1个数，一直到-7位置（则是从后往前数第7个）
[6 5 4]

举几个切片的例子，注意索引和切片数字的含义有区别。

a = np.arange(1, 10)
a = a.reshape(3, 3)
print(a)
print(a[:2, :2])
print(a[:, 1])  # 第二个位置是指定列为{1]的位置
print(a[:, 2])  # 所有行的最后一列，与切片中数字的含义不一样，如果是切片，则'2'通常代表到第2列，这里直接是索引到了列为【2】的位置
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[1 2]
 [4 5]]
[2 5 8]
[3 6 9]

四、 数组的变形

  1. 可以使用reshape函数改变原有数组的维度
a = np.arange(1,9)
b = a.reshape((2,4))
#或者np.reshape(a,(2,4),order='c')
print(b)
[[1 2 3 4]
 [5 6 7 8]]
  1. 数组的合并与分裂
    三维数组的三个维度代表字母：垂直v（或0），水平h（或1），深度d（或2）
    合并stack，分裂split
#在深度方向a与b并起来
np.dstack((a, b))#格式都是代表字母+操作名称
#把c数组在深度方向拆成2个
np.dsplit(c, 2)

通用的办法需要使用concatenate()函数（合并）和split()函数（分裂）

concatenate((a1, a2, ...), axis=0, out=None)
np.split(ary, indices_or_sections, axis=0)

axis=0,1,2，分别代表垂直、水平和深度(页)

a = np.arange(1, 10)
a = a.reshape(3, 3)
v_split = np.split(a,3,axis=0)
h_split = np.split(a,3,axis=1)
print(a)
print('v_split\n',v_split)
print('h_split\n',h_split)
[[1 2 3]
 [4 5 6]
 [7 8 9]]
v_split
 [array([[1, 2, 3]]), array([[4, 5, 6]]), array([[7, 8, 9]])]
h_split
 [array([[1],[4],[7]]), array([[2],[5],[8]]), array([[3],[6],[9]])]

合并时用的轴跟分裂时一样

x1,x2,x3 = np.split(a,3,axis=1)
np.concatenate((x1,x2,x3),axis =1)
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
  1. 填补数组
    np.pad(array, pad_width, mode, **kwargs)
    mode常用的有constant, median,mean,minimum等
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
b = np.array([6, 7, 8, 9])
b = np.pad(b, pad_width=(5,0), mode='constant',constant_values=-1)
#pad_width指的是要在头部和尾部补上的元素个数
#mode 代表要补充的是常数，常熟为-1
print(b)

五、Numpy ndarray 数据统计

b = np.array([1, 2, 3, 4, 5],dtype='int')
#, 6, 7, 8, 9
mean=b.mean()#求均值
print('mean',mean)
average=np.average(b)#求完全平均数
print('average',average,end="  ")
average2=np.average(b,axis=0,weights=[0.2,0.2,0.2,0.2,0.2])#按照全手打的权重数组进行加权平均，这里相当于完全平均数
weights=np.linspace(0,1,5)
average3=np.average(b,axis=0,weights=weights)#按照创建的数组加权平均
print('average2:',average,' ','average3:',average3)
print('max',np.max(b))# 最大值
print('最大值是第',np.argmax(a)+1,'个')# 返最大值的下标
print('最小值在第',np.argmin(a)+1,'个')	# 返回一组数据最小值的下标
print('min',np.min(b))# 最小值
print('max-min',np.ptp(b))# 极差
median=np.median(b)
print('median',int(median))
print('总体标准差',np.std(b))#总体标准差
print('样本标准差',np.std(b,ddof=1))#样本标准差

mean 3.0
average 3.0  average2: 3.0   average3: 4.0
max 5
最大值是第 9 个
最小值在第 1 个
min 1
max-min 4
median 3
总体标准差 1.4142135623730951
样本标准差 1.5811388300841898

线性拟合和统计学协方差部分内容可以参见：Numpy 学习日志

举一个使用random模块来解决统计学题目的例子
Suppose we have a list of the daily energy intake for 11 women in Kj :
[5260., 5470, 5640, 6180, 6390, 6515, 6805, 7515, 7515, 8230, 8770]
Does their energy intake deviate systematically from the recommended
value of 7725 kJ?

Manchesterr
关注
专栏目录
windows10系统下Python3.11中安装Numpy库教程
诊断协议那些事儿's blog
09-12 1886
在cmd窗口直接使用pip install numpy报错，安装到一半的时候会报错，出现一大堆类似下图红色的错误，在此分享安装步骤以供大家更快解决问题。
171、音频信号处理与分析：Python中的NumPy实践
最新发布
silenceallat的博客
05-31 645
本文介绍了Python中NumPy库在图像处理与计算机视觉领域的应用。通过实际案例，展示本文主要介绍了Python中NumPy库在音频信号处理与分析方面的应用。通过音频信号的预处理和特征提取，可以实现音乐编辑、语音识别等功能。文章还提供了短时傅里叶变换和声音可视化等实用技巧，帮助读者更好地理解和处理音频信号。最后，本文推荐了一些进阶学习资源，以助读者在音频信号处理了NumPy在图像操作、特征提取、目标检测和图像分类等方面的强大功能。同时，文章还提供了一些实用的技巧和资源，帮助读者更好地理解和应用NumPy。
NumPy之:ndarray中的函数
程序那些事
05-24 2780
在NumPy中，多维数组除了基本的算数运算之外，还内置了一些非常有用的函数，可以加快我们的科学计算的速度。
对ndarray的操作：一元函数、二元函数、聚合函数、三元函数
追梦小乐的博客
01-07 1037
python高级应用与数据分析学习笔记 10 1、概念笔记 # ndarray的一元函数 # abs fabs 计算整数、浮点数、复数的绝对值，对于非复数，fabs更快 # sqrt 计算各个元素的平方根 相当于arr**0.5 要求arr的每个元素必须非负数 # square 计算各个元素的平方 相当于arr**2 # exp 计算各个元素的指数e的x次方 # log log10
初识数据分析之NumPy 笔记一 ndarray一种多维数组对象
乱写乱画
05-17 623
来源：《利用Python进行数据分析·第2版》 numpy -- Numerical Python 数值的python numpy弥补了作为通用编程语言的python在数值计算方面能力弱，速度慢的能力不足 numpy VS Python测试代码 import datetime as dt import numpy as np # np是约定俗成的 n = 100000 start = d...
python中ndarray对象_Numpy 理解ndarray对象的示例代码
weixin_39559097的博客
12-04 202
numpy作为python科学计算的基础模块，支撑起了pandas、matplotlib等使用。其中，ndarray作为numpy的重要使用对象不得不研究理解一下。ndarray，存储单一数据类型的多维数组结构，在内存中连续存在，以行索引和列索引的方式标记数组中的每一个元素。采用预编译好的C语言代码，性能上的表现十分不错。1、ndarray的数据结构2、ndarray的创建numpy主要有以下几种...
[转载] NumPy 基本操作(ndarray通用函数 / 常用函数)
u013946150的博客
02-01 350
参考链接： Python中的numpy.cosh ndarray通用函数 / 常用函数 一、ufunc：numpy 模块中对 ndarray 中数据进行快速元素级运算的函数，也可以看做是简单的函数（接受一个或多个标量值，并产生一个或多个标量值）的矢量化包装器。 二、一元函数： 一元ufunc 描述 调用方式 abs，fabs 计算整数、浮点数或者复数的绝对值，对于非复数，可以使用更快的fabs ...
Python基础 Numpy菜鸟教程
weixin_46262668的博客
10-09 3036
Numpy Python
python基础教程：python、PyTorch图像读取与numpy转换实例
python编程基础教程
03-21 1114
今天小编就为大家分享一篇python、PyTorch图像读取与numpy转换实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧 Tensor转为numpy np.array(Tensor) numpy转换为Tensor torch.Tensor(numpy.darray) PIL.Image.Image转换成numpy np.array(PIL.Image.Image) nump...
162、探索PythonNumPy：开源力量，科学计算的加速器
silenceallat的博客
05-31 719
本文介绍了Python中强大的科学计算库NumPy，其高效的数组处理能力和广泛的应用场景。我们深入探讨了如何参与NumPy的开发和贡献代码，包括克隆仓库、创建分支、开发测试、提交PR等步骤。同时，我们也提到了NumPy的代码准则、性能优化方法以及未来的发展方向。最后，我们鼓励读者加入NumPy社区，共同推动项目的发展，并利用NumPy解决实际问题。
python中 有关 numpy.ndarray 类似字典操作方法
xjtdw的博客
08-14 6234
numpy.ndarray 类似字典操作方法 假如，b和c是一一对应关系，则输入 a这个key值，可以通过b位置,对应的找到c位置 a = np.asarray(["8002"]) b = np.asarray(["8000","8001","8002","8003"]) c = np.asarray([1,2,3,4]) print (a == b) print (c[a == b]) re...
Numpy 之 ndarray 的常用属性及函数
Lonelypatients°的博客
05-08 980
A NumPy函数和属性： 类型 类型代码 说明 int8、uint8 i1、u1 有符号和无符号8位整型（1字节） int16、uint16 i2、u2 有符号和无符号16位整型（2字节） int32、uint32 i4、u4 有符号和无符号32位整型（4字节） int64、uint64 i8、u8 有符号和无符号64位整型（8字节） float16 f2 半精度...
python 数组打包_python – 如何将numpy bool数组打包成一串位？
weixin_39551993的博客
12-29 355
概观在numpy,我有一系列bools.从图像中检索出数组;它是二维的,包含1024列和768行.我想通过以太网电缆推送这些数据.有多种方法可以做到这一点,但就我的目的而言,速度非常关键,因此记忆也非常重要.由于每个数组中有1024 x 768 = 786432个元素(像素),并且每个元素都是True或False,理论上可以将数组打包成98,304个未压缩字节或96千字节.786432 bits ...
python numpy--数组的索引和切片
qq_43287650的博客
10-20 458
numpy库多维数组的类型和列表的类型非常类似，同样有索引和切片功能： 索引：获取数组中特定位置元素的过程 切片：获取数组元素子集的过程 1.一维数组 # 准备一个数组 arr1=np.array(np.arange(9)) arr1 array([0, 1, 2, 3, 4, 5, 6, 7, 8]) # 索引 arr[-1] #8 arr1[arr1.size-2] #7 arr1[arr1...
python中rsplit的用法_Numpy string rsplit()用法及代码示例
weixin_39636226的博客
11-28 370
numpy.core.defchararray.rsplit(arr, sep=None, maxsplit=None)是另一个在numpy中执行字符串操作的函数。它使用sep作为arr中每个元素的分隔符字符串，返回字符串中单词的列表。的rsplit()方法从右侧开始将每个字符串数组元素拆分为一个列表，而split()方法从左侧开始将每个字符串数组元素拆分为一个列表。参数：arr :str或uni...
ndarray创建
weixin_45879334的博客
04-13 302
创建ndarray 即 使用array函数 首先导包：import numpy as np 1.一维数组： data1 = [1, 2.3, 4, -5] arr = np.array(data1) print(arr) 得到： 2.多维数组： data2 = [[1, 2, 3], [4, 6, 7]] arr = np.array(data2) print(arr) 得到： 还可以使用 asa...
import numpy 和 from numpy import*的区别
热门推荐
ecliiipse的博客
10-22 2万+
import numpy，如果使用numpy的属性都需要在前面加上numpy from numpy import *，则不需要加入numpy 后者不建议使用，如果下次引用和numpy里的函数一样的情况，就会出现命名冲突。
python 数组打包_使用python中的struct模块打包和解包变长数组/字符串
weixin_35073008的博客
02-09 899
结构模块只支持固定长度的结构。对于可变长度的字符串，您的选项是：>动态地构造你的格式字符串(一个str将被转换为一个字节，然后传递给pack())：s = bytes(s, 'utf-8') # Or other appropriate encodingstruct.pack("I%ds" % (len(s),), len(s), s)>跳过结构，只需使用普通字符串方法将字符串添...
struct.unpack和struct.pack打包、解包图像和npy类型文件
Alocus的博客
08-16 1958
一、简介 有些情况下，直接对文件夹中的大量图像等文件进行处理，可能会影响程序执行的速度。这时，如果能够先将图像等文件打包合并为一个（二进制bytes流）文件，从内存中读取bytes，一定程度上能够提高读取的速度。 本文中对各种图片类型文件和numpy生成的存储矩阵的npy类型文件进行打包。 我的文件目录如下安排： test |--image |--1.jpg |--2.jpg |--... ...
python numpy.ndarray
03-16
ndarray是Python中的一种多维数组，可以用来存储和操作大量的数值数据。它具有许多有用的属性和方法，可以让用户更容易地处理数据。`numpy.ndarray` 是 NumPy 库中的一个类，用于表示 N 维数组（即多维数组）。它是 NumPy 的核心数据结构之一，提供了许多高效的操作，例如数组索引、切片、算术运算、数学函数等等。 在使用 `numpy.ndarray` 时，通常需要先导入 NumPy 库，然后通过 `numpy.array()` 函数将 Python 列表或元组转换成 N 维数组，例如： ```python import numpy as np # 从列表创建一个一维数组 a = np.array([1, 2, 3]) print(a) # 输出：[1 2 3] # 从元组创建一个二维数组 b = np.array([(1, 2, 3), (4, 5, 6)]) print(b) # 输出： # [[1 2 3] # [4 5 6]] ``` 可以通过 `ndarray.shape` 属性获取数组的维度信息，通过 `ndarray.dtype` 属性获取数组元素的数据类型，例如： ```python # 获取数组的形状 print(a.shape) # 输出：(3,) print(b.shape) # 输出：(2, 3) # 获取数组元素的数据类型 print(a.dtype) # 输出：int64 print(b.dtype) # 输出：int64 ``` 还可以使用各种方法对数组进行操作，例如： ```python # 数组加法 c = a + b print(c) # 输出： # [[2 4 6] # [5 7 9]] # 数组乘法 d = a * b print(d) # 输出： # [[ 1 4 9] # [ 4 10 18]] # 数组转置 e = b.T print(e) # 输出： # [[1 4] # [2 5] # [3 6]] ``` 这些只是 `numpy.ndarray` 类提供的一些基本功能，NumPy 库还有更多高级的特性和函数可以探索。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值