python数据分析学习day02：创建数组、属性和类型

已于 2022-06-30 11:42:40 修改
阅读量918 收藏 5
点赞数
分类专栏： nlp学习笔记 文章标签： python numpy
于 2022-06-21 17:07:37 首次发布
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_44748589/article/details/125386249
版权

1. ndarray对象

NumPy 定义了一个 n 维数组对象，简称 ndarray 对象，它是一个一系列相同类型元素组成的数组集合。数组中的每个元素都占有大小相同的内存块

ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排列(行或列)。

2. 创建数组

numpy.array(object, dtype = None, copy = True, order = None,subok=False,ndmin = 0)

序号

参数

描述说明

1

object

表示一个数组序列。

2

dtype

可选参数，通过它可以更改数组的数据类型

3

copy

可选参数，当数据源是ndarray时表示数组能否被复制，默认是 True。

4

order

可选参数，以哪种内存布局创建数组，有 3 个可选值，分别是 C(行序列)

/F(列序列)/A(默认)。

5

ndmin

可选参数，用于指定数组的维度。

6

subok

可选参数，类型为bool值，默认False。为True，使用object的内部数据类

型；False：使用object数组的数据类型。

#array()函数，括号内可以是列表、元祖、数组、迭代对象,生成器等
np.array([1,2,3,4,5])

# 元组
np.array((1,2,3,4,5))

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

# 迭代对象
np.array(range(10))

# 生成器
np.array([i**2 for i in range(10)])

# 列表中元素类型不相同 转化为字符型
np.array([1,1.5,3,4.5,'5']) # 选择所占内存最大的元素类型

# 有整形和浮点型 转化为浮点型
np.array([1,2,3.14,4,5])   # 浮点型

# 二维数组：嵌套序列（列表，元祖均可）
np.array([
              [1,2,3],('a','b','c')
         ])  

# 注意嵌套序列数量不一会怎么样 -> 变成一维
np.array([[1,2,3],[1,2,3,4]]) # array([list([1, 2, 3]), list([1, 2, 3, 4])], dtype=object)

# 设置数组元素类型 整形 -> 浮点
np.array([1,2,3,4,5],dtype='float')

# 浮点 -> 整形 （舍去小数点后的数字）
np.array([1.1,2.5,3.8,4,5],dtype='int')

 关于copy参数

# 设置copy参数,默认为True -> 内存地址不同
a = np.array([1,2,3,4,5])
# 定义b，复制a
b = np.array(a) # 若此时采用b = a 则内存地址相同
# 输出a和b的id
print('a:', id(a), '  b:', id(b)) # a: 2066732212352   b: 2066732213152

# a =--复制
# b ---未复制
b[0] = 10
# 当修改b的元素时，a不会发生变化
print(a) # [1 2 3 4 5]
a = np.array([1,2,3,4,5])
# 定义b，当设置copy参数为Fasle时，不会创建副本，
# 两个变量会指向相同的内容地址，没有创建新的对象
b = np.array(a, copy=False)
# 输出a和b的id
print('a:', id(a), '  b:', id(b)) # a: 2066732267520   b: 2066732267520

# 由于a和b指向的是相同的内存地址，因此当修改b的元素时，a会发生变化
b[0] = 10
print('a:',a,'  b:',b) # a: [10  2  3  4  5]   b: [10  2  3  4  5]

ndmin指定数组纬度

a = np.array([1,2,3]) # [1,2,3]

a = np.array([1,2,3], ndmin=2) # [[1,2,3]]

 subok参数

# 创建一个矩阵
a = np.mat([1,2,3,4])
# 输出为矩阵类型
print(type(a)) # <class 'numpy.matrix'>

# 既要复制一份副本，又要保持原类型
at = np.array(a,subok=True)
af = np.array(a)  # 默认为False
print('at,subok为True:',type(at)) # at,subok为True: <class 'numpy.matrix'>
print('af,subok为False:',type(af)) # af,subok为False: <class 'numpy.ndarray'>
print(id(at),id(a)) # 2066738151720 2066738151608

注意：

#定义个数组
a = np.array([2,4,3,1])
# 在定义b时，如果想复制a的几种方案：

# 1.使用np.array() -> 内存地址不同
b = np.array(a)
print('b = np.array(a)：',id(b),id(a))

# 2.使用数组的copy()方法 -> 内存地址不同
c = a.copy()
print('c = a.copy()：',id(c),id(a))

# 注意不能直接使用=号复制，直接使用=号，会使2个变量指向相同的内存地址
d = a
# 修改d也会相应的修改a
print('d = a：',id(d),id(a))

 NumPy 创建区间数组

根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。

numpy.arange(start, stop, step, dtype)

序号

参数

描述说明

1

start

起始值，默认为0

2

stop

终止值（不包含）

3

step

步长，默认为1

4

dtype

返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 可以使用浮点型数值
np.arange(3.1) # array([0., 1., 2., 3.])

# 注意 range(3.1) 会报错

x = np.arange(5, dtype =  float)  # array([0., 1., 2., 3., 4.])

# 起始10 ，终止值20 步长2
np.arange(10,20,2) # array([10, 12, 14, 16, 18])

# 起始0 ，终止值10 步长3
ar2 = np.arange(0,20,3) # 不能写为np.arange(20,3) 2个参数表示起始值和终止值
print(ar2) # [ 0  3  6  9 12 15 18]
ar3 = np.arange(20,step=3) # array([ 0,  3,  6,  9, 12, 15, 18])

# 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：
np.arange(10000) # array([   0,    1,    2, ..., 9997, 9998, 9999])

 如何防止 float 不精确影响numpy.arange

# 想得到一个长度为3的、从0.1开始的、间隔为0.1的数组，想当然地如下coding，结果意料之外
np.arange(0.1,0.4,0.1) # array([0.1, 0.2, 0.3, 0.4])

注意：ceil((stop - start)/step)确定项目数，小浮点不精确(stop = .400000001)可以向列表中添加意外值。 

 NumPy 创建等差数列

函数用于创建一个一维数组，数组是一个等差数列构成的

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

序号

参数

描述说明

1

start

序列的起始值

2

stop

序列的终止值，如果endpoint为true，该值包含于数列中

3

num

要生成的等步长的样本数量，默认为50

4

endpoint

该值为 true 时，数列中包含stop值，反之不包含，默认是True。

6

retstep

如果为 True 时，生成的数组中会显示间距，反之不显示。 

6

dtype

ndarray 的数据类型

# 以下实例用到三个参数，设置起始点为 1 ，终止点为 10，数列个数为 10。
a = np.linspace(1,10,10) # array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

a = np.linspace(1,10,endpoint=False) 
'''array([1.  , 1.18, 1.36, 1.54, 1.72, 1.9 , 2.08, 2.26, 2.44, 2.62, 2.8 ,
       2.98, 3.16, 3.34, 3.52, 3.7 , 3.88, 4.06, 4.24, 4.42, 4.6 , 4.78,
       4.96, 5.14, 5.32, 5.5 , 5.68, 5.86, 6.04, 6.22, 6.4 , 6.58, 6.76,
       6.94, 7.12, 7.3 , 7.48, 7.66, 7.84, 8.02, 8.2 , 8.38, 8.56, 8.74,
       8.92, 9.1 , 9.28, 9.46, 9.64, 9.82])'''

# 设置起始位置为2.0，终点为3,0 数列个数为5
ar1 = np.linspace(2.0, 3.0, num=5) # array([2.  , 2.25, 2.5 , 2.75, 3.  ])

# 设置参数endpoint 为False时，不包含终止值
ar1 = np.linspace(2.0, 3.0, num=5, endpoint=False) # array([2. , 2.2, 2.4, 2.6, 2.8])

#设置retstep显示计算后的步长
ar1 = np.linspace(2.0,3.0,num=5, retstep=True) # (array([2.  , 2.25, 2.5 , 2.75, 3.  ]), 0.25)

NumPy 创建等比数列

函数用于创建一个一维数组，数组是一个等比数列构成的

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

序号

参数

描述说明

1

start

序列的起始值：序列的起始值为：base ** start

2

stop

序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中

3

num

要生成的等步长的样本数量，默认为50

4

endpoint

该值为 true 时，数列中包含stop值，反之不包含，默认是True。

5

base

对数 log 的底数。 

6

dtype

ndarray 的数据类型

# 起始值为2**0 终止值为2**9 总共生成10个数
a = np.logspace(0,9,10,base=2) # array([  1.,   2.,   4.,   8.,  16.,  32.,  64., 128., 256., 512.])

# 我们先使用前3个参数，将[1,5]均匀分成3个数，得到{1,3,5}，
# 然后利用第4个参数base=2(默认是10）使用指数函数可以得到最终输出结果 {2^1,2^3,2^5}
np.logspace(1,5,3,base=2) # array([ 2.,  8., 32.])

# 起始值为10**1 终止值为10**2 总共生成10个数
np.logspace(1.0,2.0,num=10)

a =  np.linspace(1.0,2.0,num=10)
10 ** a # 等价于np.logspace(1.0, 2.0, num=10)

 NumPy 创建全0或全1数列：初始化矩阵

创建指定大小的数组，数组元素以 0 来填充

numpy.zeros(shape, dtype = float, order = 'C')

序号

参数

描述说明

1

shape

数组形状

2

dtype

ndarray 的数据类型

# 默认为浮点数
np.zeros(5)

# 设置为整形
np.zeros((5,), dtype = 'int') 

# 2行2列的全0数组
np.zeros((2,2))

# zeros_like返回具有与给定数组相同的形状和类型的零数组
ar1 = np.array([[1,2,3],[4,5,6]])
np.zeros_like(ar1)

 创建指定形状的数组，数组元素以 1 来填充

numpy.ones(shape, dtype = None, order = 'C')

序号

参数

描述说明

1

shape

数组形状

2

dtype

ndarray 的数据类型

3. 数组的属性

NumPy 数组的维度称为轴。为了更直观的理解，可以将其与现实世界联系起来，比如在平面中即二维的世界中，我们描述一个点的时候，通常使用 x 轴、y 轴，这样就能确定一个点的具体位置了。因此，这里的两个维度，也就跟两个轴对应了起来。如果是立体的三维世界中，我们就会多出一个z轴，以此更加准确的来反映点的位置。所以，我么可以把以上的维度和轴进行等价。

NumPy 数组的维数称为秩（rank）？它是指轴的数量，或者维度的数量，是一个标量，一维数组的秩为 1，二维数组的秩为 2，以此类推

很多时候可以声明轴axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

使用0值表示沿着每一列或行标签/索引值向下执行方法    

使用1值表示沿着每一行或者列标签横向执行对应的方法     

所以，mean(axis=0)计算的是每一列平均值， mean(axis=1)计算的是每一行平均值。

NumPy 的数组中比较重要 ndarray 对象属性有：

属性

说明

ndarray.ndim

秩，即轴的数量或维度的数量

ndarray.shape

数组的维度，对于矩阵，n 行 m 列

ndarray.size

数组元素的总个数，相当于 .shape 中 n*m 的值

ndarray.dtype

ndarray 对象的元素类型

ndarray.itemsize

ndarray 对象中每个元素的大小，以字节为单位

1.ndarray.shape

返回一个包含数组维度的元组，对于矩阵，n 行 m 列，它也可以用于调整数组维度

a = np.array([1,2,3,4,5, 6])
print('一维数组：',a.shape) # 一维数组： (6,)

b = np.array([[1, 2, 3], [4, 5, 6]])
print('二维数组：', b.shape) # 二维数组： (2, 3)

c = np.array([
    [
        [1, 2, 3],
        [4, 5, 6]
    ],
    [
        [11, 22, 33],
        [44, 55, 66]
        ]
    ])
print('三维数组：', c.shape) # 三维数组： (2, 2, 3)

 调整维度 reshape

返回调整维度后的副本，而不改变原 ndarray。

a = np.array([1,2,3,4,5, 6])
# 使用a数组，创建一个新的数组b，并向形状修改为2行3列
b = a.reshape((2,3))
print('b的形状：',b.shape) # b的形状： (2, 3)
print('b：', b) # b： [[1 2 3],[4 5 6]]

print('a的形状：',a.shape) # a的形状： (6,)
print('a：', a) # a： [1 2 3 4 5 6]

调整维度 resize

numpy.resize(a, new_shape)如果新数组大于原始数组，则新数组将填充a的重复副本。

请注意，此行为与a.resize(new_shape)不同，后者用零而不是重复的a填充。

# a 为2行2列
a=np.array([
        [0,1],
        [2,3]
    ])
# b为原数组创建2行10列的新数组
b = np.resize(a,(2,10))
'''array([[0, 1, 2, 3, 0, 1, 2, 3, 0, 1],
       [2, 3, 0, 1, 2, 3, 0, 1, 2, 3]])'''

a.resize((3,4), refcheck=False)
'''array([0,1,2,3],
         [0,0,0,0],
         [0,0,0,0])'''

2. ndarray.ndim

返回数组的维度（秩）:轴的数量，或者维度的数量，是一个标量，一维数组的秩为 1，二维数组的秩为 2

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

b = a.reshape((2,3))

c = np.array([
    [
        [1, 2, 3],
        [4, 5, 6]
    ],
    [
        [11, 22, 33],
        [44, 55, 66]
        ]
    ])
print('a的ndim：',a.ndim) # a的ndim： 1
print('b的ndim：', b.ndim) # b的ndim： 2
print('c的ndim：', c.ndim) # c的ndim： 3

3. ndarray.size

数组元素的总个数，相当于 .shape 中 n*m 的值

a = np.array([1,2,3,4,5,6])
print('[1,2,3,4,5,6]的size:', a.size) # 6

a = np.array([[1,2,3],[4,5,6]])
print('[[1,2,3],[4,5,6]]的size:', a.size) # 6

len(a) # 2

4. ndarray.dtype

ndarray 对象的元素类型

a = np.array([1,2,3,4,5,6])
print(a.dtype) # int32

b = np.array([1.1,2,3,4,5,6])
print(b.dtype) # float64

方法astype()

numpy数据类型转换，调用astype返回数据类型修改后的数据，但是源数据的类型不会变

a=np.array([1.1, 1.2])
print('a数据类型：',a.dtype)  # float64
print('astype修改数据类型:',a.astype('int').dtype) # int32
print('原数据类型未改变',a.dtype) # float64

5. ndarray.itemsize

以字节的形式返回数组中每一个元素的大小。

例如，一个元素类型为 float64 的数组 itemsize 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节）

a = np.array([1.1,2.2,3.3])
print('dtype:',a.dtype,' itemsize:',a.itemsize) # dtype: float64  itemsize: 8

b = np.array([1,2,3,4,5])
print('dtype:',b.dtype,' itemsize:',b.itemsize) # dtype: int32  itemsize: 4

4. 数组的类型

numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型

名称描述名称描述
bool_布尔型数据类型（True 或者 False）float_float64 类型的简写
int_默认的整数类型（类似于 C 语言中的 long，int32 或 int64）float16/32/64半精度浮点数:1 个符号位，5 个指数位，10个尾数位
单精度浮点数:1 个符号位，8 个指数位，23个尾数位
双精度浮点数,包括：1 个符号位，11 个指数位，52个尾数位
intc和 C 语言的 int 类型一样，一般是 int32 或 int 64complex_复数类型，与 complex128 类型相同
intp用于索引的整数类型（类似于 C 的 ssize_t，通常为 int32 或 int64）complex64/128复数，表示双 32 位浮点数（实数部分和虚数部分）
复数，表示双 64 位浮点数（实数部分和虚数部分）
int8/16/32/64代表与1字节相同的8位整数
代表与2字节相同的16位整数
代表与4字节相同的32位整数
代表与8字节相同的64位整数		str_表示字符串类型
uint8/16/32/64代表1字节（8位）无符号整数
代表与2字节相同的16位整数
代表与4字节相同的32位整数
代表与8字节相同的64位整数		string_表示字节串类型,也就是bytes类型
# 将数组中的类型存储为浮点型
a = np.array([1,2,3,4],dtype=np.float64) # array([1., 2., 3., 4.])

# 将数组中的类型存储为布尔类型
a = np.array([0,1,2,3,4],dtype=np.bool_)
print(a) # [False  True  True  True  True]

a = np.array([0,1,2,3,4],dtype=np.float_)
print(a) # [0. 1. 2. 3. 4.]

# str_和string_区别
str1 = np.array([1,2,3,4,5,6],dtype=np.str_)
string1 = np.array([1,2,3,4,5,6],dtype=np.string_)

str2 = np.array(['我们',2,3,4,5,6],dtype=np.str_)

print(str1,str1.dtype) # ['1' '2' '3' '4' '5' '6'] <U1

print(string1,string1.dtype) # [b'1' b'2' b'3' b'4' b'5' b'6'] |S1

print(str2,str2.dtype) # ['我们' '2' '3' '4' '5' '6'] <U2

在内存里统一使用unicode， 记录到硬盘或者编辑文本的时候都转换成了utf8 UTF-8 将Unicode编码后的字符串保存到硬盘的一种压缩编码方式

int8 :-128~127 ,超过的数值是多少?

 字符串类型长度的选择:

创建字符串数组时,会取最大长度

当修改内部元素时,也最多只能保存长度为5的字符串,超过的舍去

 定长不灵活效率高 可变长度灵活效率低

还可以使其接受可变长度的字符，修改str为object数据类型即可

 数据类型标识码

NumPy 中每种数据类型都有一个唯一标识的字符码，如下所示：

字符

对应类型

字符

对应类型

b

代表布尔型

c

复数浮点型

i

带符号整型

m

时间间隔（timedelta）

u

无符号整型

M

datatime（日期时间）

f

浮点型

O

Python对象

S,a

字节串（S）与字符串（a）

U

Unicode

int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替

# 首先创建结构化数据类型
dt = np.dtype([('age','U1')]) 
print(dt) # [('age', '<U1')]

# 将数据类型应用于 ndarray 对象
students = np.array([("我们"),(128)],dtype=dt)
print(students,students.dtype,students.ndim) # [('我',) ('1',)] [('age', '<U1')] 1

print(students['age']) # ['我' '1']

以下示例描述一位老师的姓名、年龄、工资的特征，该结构化数据其包含以下字段：

str 字段：name
int 字段：age
float 字段：salary
teacher = np.dtype([('name',np.str_,2), ('age', 'i1'), ('salary', 'f4')])

#将其应用于ndarray对象
b = np.array([('wl', 32, 8357.50),
              ('lh', 28, 7856.80)], dtype = teacher) 
print(b) # [('wl', 32, 8357.5) ('lh', 28, 7856.8)]

b['name'] # array(['wl', 'lh'], dtype='<U2')
b['age'] # array([32, 28], dtype=int8)

 

weixin_44748589
关注
专栏目录
（机器学习深度学习常用库、框架|Numpy篇）第二节：Numpy数组生成、数组属性
快乐江湖的博客
04-17 603
部分参考：菜鸟教程 文章目录一：生成数组（1）由底层ndarray构造器创建：np.arrary()（2）其他创建方法（3）特殊数组创建方法二：数组属性（1）N维数组-ndarray（2）轴的概念（axis）（3）ndarray属性三：索引和切片（1）基本操作（2）高级操作 一：生成数组 （1）由底层ndarray构造器创建：np.arrary() 上一节简单说明了array()函数的用法，其完整形式如下 numpy.array(object, dtype = None, copy = True, or.
【100天精通Python】Day52：Python 数据分析_Numpy入门基础与数组操作
qq_35831906的博客
09-03 1719
NumPy（Numerical Python）是Python中用于数值计算的核心库之一。它提供了多维数组对象（称为ndarray），以及用于在这些数组上执行各种数学、逻辑、统计和线性代数操作的函数。本文介绍Numpy的入门应用，数组的相关操作。
Python基础学习012——对象、属性、方法
Chrisliuluo的博客
11-05 94
【代码】Python基础学习012——对象、属性、方法。
python实现数组属性
colin
02-17 3913
属性的简单用法属性看起来像是对成员进行直接访问，但又可以像函数一样对成员访问进行其他处理，所以属性是一种兼具易用性和数据封装的语言设施。
python的数组属性_Numpy数组的创建及其属性
weixin_29969209的博客
02-21 633
在《Python Numpy基础：多维数组ndarray对象》我们对 ndarray 数组对象有了基本的认识，ndarray 数组由数据本身以及描述性元数据构成，且分开存放，从而减少对数据本身的访问频率，进而优化了效率，ndarray 数组，也可以称为 Numpy 数组，该数组所有的数据类型必相同，即具有同质性；且数组的下标也是从 0 开始的。在上一节中大多数情况下是生成的是随机数组但是这与我们的...
python创建值相同一维数组_Numpy对数组的操作：创建、变形(升降维等)、计算、取值、复制、分割、合并...
weixin_39770165的博客
12-04 672
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...
Python数据分析实践：气温数据热力图.pdf
06-14
总结来说，这个实践案例涵盖了Python数据分析的关键步骤，包括数据采集（使用爬虫技术）、数据预处理（清洗和转换）以及数据可视化（创建热力图）。这些技能对于任何从事数据分析或数据科学的人来说都是至关重要的。...
Python数据分析实战：物流业数据分析
最新发布
AI天才研究院
02-19 852
在当今快速发展的全球经济中，物流业作为连接生产和消费的重要纽带，正面临着前所未有的机遇与挑战。随着电子商务的蓬勃发展和消费者对快速、高效配送的需求不断增长，物流公司需要更智能、更精准的决策支持系统来优化其运营流程、提高服务质量并降低成本。然而，物流业每天产生的海量数据往往未被充分利用，其中蕴含的巨大价值尚待挖掘。这些数据包括但不限于订单信息、配送路线、车辆状态、仓储管理等各个环节的详细记录。如何有效地收集、处理、分析这些数据，并从中提取有价值的洞察，成为了物流业亟待解决的关键问题。
【100天精通Python】Day59：Python 数据分析_Pandas高级功能-多层索引创建访问切片和重塑操作，pandas自定义函数和映射功能
qq_35831906的博客
09-10 817
Pandas 多层索引（MultiIndex）的创建访问切片和重塑，自定义函数和映射——set_index(),apply(),map()等，以及pandas性能优化常用技巧和操作。
【100天精通Python】Day51：Python 数据分析_数据分析入门基础与Anaconda 环境搭建
qq_35831906的博客
09-03 1762
本文介绍数据分析入门基础，数据分析通用流程，python 数据分析常用库，以及Anaconda 环境搭建
python怎样定义一个数组_Python自定义一个数组类，支持数组之间的四则运算和其他常见方法...
weixin_39681486的博客
11-24 267
class MyArray:'''保证输入的内容是整型、浮点型'''def ___isNumber(self, num):if not isinstance(num, (int,float)):return Falsereturn True#开始写构造函数,接受可变长度的数组def __init__(self, *args):if args == None:self.__value = []els...
day2 数组创建和属性（Numpy的简单运用）
weixin_47006934的博客
05-26 253
*本文章需要用到numpy第三方库，jupyter notebook自带 笔记： 常用的数组创建函数：array, arrange, linspace, logspace, zeros, ones, eyes, diags 常用的属性：ndim, shape, size, dtype 运算 数组创建函数 可以用array创建任意维数组 import numpy as np arr1 = np.array([1,2,3,4], [5,6,7,8], [9,10,11,12]) 这样就创建了一个二维数组。
利用python进行数据分析（二）：Numpy数组
zlrai5895的博客
11-22 802
使用前 import numpy as np Numpy的重要特点是ndarray数组，里面存储的必须是同一种对象。 data.dtype 可以查看数组data里面元素的类型。 data.shape 可以查看数组data的大小。 （1）数组的创建 np.array(列表) 直接将列表转换为数组。 np.zeros(n) np.ones(n) 可以直接生
Numpy介绍
llf000000的博客
02-17 2826
Numpy介绍 Numpy是Python语言的第三方库，其支持大量高纬度数组与运算，此外NumPy也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，NumPy就成了必不可少的工具之一。 一、如何创建 1.导入Numpy库，并命名为np： import numpy as np 2.查看版本 np.__version__ 创建数组 NumPy的主要对象是多维数组Ndarray。在NumPy中维度Dimensions叫做轴Axes，轴的个数叫做秩Rank。注意，numpy.array和P
python入门（8）面向对象 ：类、对象、属性与方法
喜欢历史的码农
05-25 4930
当我们谈论Python的面向对象思想时，主要指的是Python中的类和对象的概念以及与之相关的特性和原则。面向对象编程（Object-Oriented Programming，简称OOP）是一种常用的编程范式，它将程序中的数据和操作数据的方法组织在一起，形成对象，通过对象之间的交互来实现程序的功能。在Python中，面向对象编程主要围绕以下几个核心概念展开：（1）：类是面向对象编程的基础，它是一种自定义的数据类型，用于描述对象的属性和行为。
78. python中元组的创建，特性及应用
qq_43687755的博客
09-06 412
Lesson 78 python中元组的创建，特性及应用 文章目录1. 元组的创建2. 元组的特性2.1 索引 切片2.2 重复2.3 连接2.4 成员操作符2.5 for循环3. 元组的应用 1. 元组的创建 元组：元组本身是不可变数据类型，没有增删改查 元组可以存储任意数据类型 t = (1,2.3,'westos',True) print(t,type(t)) 元组里包含可变数据类型，可...
python之Numpy
qq_45801179的博客
08-21 356
计算机科学家edsger w.djkstra(艾兹格·W·迪科斯彻)，delattr这一风格的解释应该是比较好的:- 当只有最后一个位置信息时，我们可以快速看出切片和区间里有几个元素: range(3)和my_list[:3]- 当起始位置信息都可见时，我们可以快速计算出切片和区间的长度，用有一个数减去第一个下表(stop-start)即可- 这样做也让我们可以利用任意一个下标把序列分割成不重叠的两部分，只要写成my_list[x]和my_list[x:]就可以了。
数组类算法题
vivian233的博客
04-06 448
1. 求两数和 给出一个整数数组，请在数组中找出两个加起来等于目标值的数，你给出的函数twoSum 需要返回这两个数字的下标（index1，index2），需要满足index1 小于index2.。注意：下标是从1开始的 public int[] twoSum (int[] numbers, int target) { // write code here Map<Integer, Integer> map = new HashMap<>();.
python(NumPy库）
qq_58530396的博客
12-03 2344
1.NumPy 数组对象 ndarray （1）NumPy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。 （2）Numpy 提供了两种基本的对象，ndarray(多维数组) 和ufunc(对数组进行处理的函数)。 （3）使用时，需要引用： import numpy as np 1.1创建数组 （1）数组属性（ndim,shape,size,dtype,itemsize) ndarray（数组）是存储单一数据类型的多维数组 序号
Python Numpy入门：数组操作与数据分析基础
在Python Day 2的学习资料中，重点讲解了Numpy库，这是一个强大的Python库，专为数值计算和科学计算设计，提供高效、灵活的多维数组对象以及一系列用于处理这些数组的工具。以下是主要内容的详细解读： **1. 导入...
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