NumPy
Numpy 是 Python 数据科学计算的核心库,提供了高性能的多维数组对象及处理数组的工具。它是 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。
使用以下语句导入 Numpy 库:
import numpy as np
NumPy 数组
创建数组
a = np.array([1,2,3])
b = np.array([(1.5,2,3), (4,5,6)], dtype = float)
c = np.array([[(1.5,2,3), (4,5,6)], [(3,2,1), (4,5,6)]], dtype = float)
初始化占位符
np.zeros((3,4)) # 创建值为0数组
np.ones((2,3,4),dtype=np.int16) # 创建值为1数组
d = np.arange(10,25,5) # 创建均匀间隔的数组(步进值)
np.linspace(0,2,9) # 创建均匀间隔的数组(样本数)
e = np.full((2,2),7) # 创建常数数组
f = np.eye(2) # 创建2x2单位矩阵
np.random.random((2,2)) # 创建随机值的数组
np.empty((3,2)) # 创建空数组
输入/输出
保存与载入磁盘上的文件
np.save('my_array', a)
np.savez('array.npz', a, b)
np.load('my_array.npy')
保存与载入文本文件
np.save('my_array', a)
np.savez('array.npz', a, b)
np.load('my_array.npy')
数据类型
np.int64 # 带符号的64位整数
np.float32 # 标准双精度浮点数
np.complex # 显示为128位浮点数的复数
np.bool # 布尔值:True值和False值
np.object # Python对象
np.string_ # 固定长度字符串
np.unicode_ # 固定长度Unicode
数组信息
a.shape # 数组形状,几行几列
len(a) # 数组长度
b.ndim # 几维数组
e.size # 数组有多少元素
b.dtype # 数据类型
b.dtype.name # 数据类型的名字
b.astype(int) # 数据类型转换
调用帮助
np.info(np.ndarray.dtype)
数组计算
算数运算
减法
g = a - b
g2 = np.subtract(a,b)
print(g)
print(g2)
#输出结果为
[[-0.5 0. 0. ]
[-3. -3. -3. ]]
[[-0.5 0. 0. ]
[-3. -3. -3. ]]
加法
b + a
np.add(b,a)
#输出结果为
array([[2.5, 4. , 6. ],
[5. , 7. , 9. ]])
除法
a / b
np.divide(a,b)
#输出结果为
array([[0.66666667, 1. , 1. ],
[0.25 , 0.4 , 0.5 ]])
乘法
a * b
np.multiply(a,b)
#输出结果为
array([[ 1.5, 4. , 9. ],
[ 4. , 10. , 18. ]])
幂
np.exp(b)
#输出结果为
array([[ 4.48168907, 7.3890561 , 20.08553692],
[ 54.59815003, 148.4131591 , 403.42879349]])
平方根
np.sqrt(b)
#输出结果为
array([[1.22474487, 1.41421356, 1.73205081],
[2. , 2.23606798, 2.44948974]])
正弦
np.sin(a)
#输出结果为
array([0.84147098, 0.90929743, 0.14112001])
余弦
np.cos(b)
#输出结果为
array([[ 0.0707372 , -0.41614684, -0.9899925 ],
[-0.65364362, 0.28366219, 0.96017029]])
自然对数
np.log(a)
#输出结果为
array([0. , 0.69314718, 1.09861229])
点积
e.dot(f)
#输出结果为
array([[7., 7.],
[7., 7.]])
比较
a == b # 对比值
a < 2
np.array_equal(a, b) # 对比数组
#输出结果为
array([[False, True, True],
[False, False, False]])
array([ True, False, False])
False
聚合函数
print('数组求和:', a.sum(), # 数组汇总
'\n数组最小值:', a.min(), # 数组最小值
'\n数组最大值,按行:', b.max(axis=0), # 数组最大值,按行
'\n数组元素的累加值:', b.cumsum(axis=1), # 数组元素的累加值
'\n平均数:', a.mean(), # 平均数
'\n中位数:', np.median(b), # 中位数
'\n相关系数:', np.corrcoef(a), # 相关系数
'\n标准差:', np.std(b)) # 标准差
#输出结果为
数组求和: 6
数组最小值: 1
数组最大值,按行: [4. 5. 6.]
数组元素的累加值: [[ 1.5 3.5 6.5]
[ 4. 9. 15. ]]
平均数: 2.0
中位数: 3.5
相关系数: 1.0
标准差: 1.5920810978785667
数组复制
a = np.array([1,3,3])
h = a.view() # 使用同一数据创建数组视图
np.copy(a) # 创建数组的副本
h = a.copy() # 创建数组的深度拷贝
a = np.array([1,2,3])
h
#输出结果为
array([1, 3, 3])
数组排序
a.sort() # 数组排序
c.sort(axis=0) # 以轴为依据对数组排序
子集 、切片 、 索引
子集
a[2] # 选择索引2对应的值
#输出结果为
3
b[1,2] # 选择行1列2对应的值(等同于b[1][2]
#输出结果为
6.0
切片
a[0:2] # 选择索引为0与1对应的值
# 输出结果为
array([1, 2])
b[0:2,1] # 选择第1列中第0行、第1行的值
#输出结果为
array([ 2., 5.])
b[:1] # 选择第0行的所有值(等同于b[0:1,:1]
#输出结果为
array( [[1.5, 2., 3.]])
c[1,...] # 等同于 [1,:,:]
#输出结果为
array( [[[ 3., 2., 1.],
[ 4., 5., 6.]]])
a[ : :-1] # 反转数组a
#输出结果为
array([3, 2, 1])
条件索引
a[a<2] # 选择数组a中所有小于2的值
#输出结果为
array([1])
花式索引
b[[1, 0, 1, 0],[0, 1, 2, 0]] # 选择(1,0),(0,1),(1,2) 和(0,0)所对应的值
#输出结果为
array( [ 4. , 2. , 6. , 1.5])
b [[1, 0, 1, 0]][:,[0,1,2,0]] # 选择矩阵的行列子集
#输出结果为
array( [[ 4. ,5. , 6. , 4. ],
[ 1.5, 2. , 3. , 1.5],
[ 4. , 5. , 6. , 4. ],
[ 1.5, 2. , 3. , 1.5]])
数组操作
转置数组
i = np.transpose(b)
i.T
#输出结果为
array([[1.5, 2. , 3. ],
[4. , 5. , 6. ]])
改变数组形状
b.ravel() # 拉平数组
g.reshape(3,-2) # 改变数组形状,但不改变数据
添加或删除值
h.resize((2,6)) # 返回形状为(2,6)的新数组
np.append(h,g) # 追加数据
np.insert(a, 1, 5) # 插入数据
np.delete(a,[1]) # 删除数据
合并数组
np.concatenate((a,d),axis=0) # 拼接数组
#输出结果为
array([ 1, 2, 3, 10, 15, 20])
np.vstack((a,b)) # 纵向以行的维度堆叠数组
#输出结果为
array([[1. , 2. , 3. ],
[1.5, 2. , 3. ],
[4. , 5. , 6. ]])
np.r_[e,f] # 纵向以行的维度堆叠数组
#输出结果为
array([[7., 7.],
[7., 7.],
[1., 0.],
[0., 1.]])
np.hstack((e,f)) # 横向以列的维度堆叠数组
#输出结果为
array([[7., 7., 1., 0.],
[7., 7., 0., 1.]])
np.column_stack((a,d)) # 以列的维度创建堆叠数组
#输出结果为
array([[ 1, 10],
[ 2, 15],
[ 3, 20]])
np.c_[a,d] # 以列的维度创建堆叠数组
#输出结果为
array([[ 1, 10],
[ 2, 15],
[ 3, 20]])
分割数组
np.hsplit(a,3) # 纵向分割数组为3等份
#输出结果为
[array([1]), array([2]), array([3])]
np.vsplit(c,2) # 横向分割数组为2等份
#输出结果为
[array([[[1.5, 2. , 1. ],
[4. , 5. , 6. ]]]),
array([[[3., 2., 3.],
[4., 5., 6.]]])]