numpy笔记

numpy笔记

课程是b站的莫烦Python,原网址链接:https://www.bilibili.com/video/BV1Ex411L7oT

import numpy as np

##把数组化为矩阵
array=np.array([[1,2,3],[2,3,6],[3,4,4]]) #二维数组
print(array)
print('number of dim',array.ndim) #nidm求数组维度
print('shape',array.shape)
print('size',array.size)

a=np.array([1,2.3,3],dtype=np.float32) #一维
print(a.dtype) #dtype数组类型
b=np.zeros((3,4))#生成一个三行四列值都为0的矩阵
#print(np.ones((3,4)))#生成一个三行四列值为1的矩阵
c=np.empty((3,4))#生成空矩阵,但是里面有值,无限趋于零,若前面print其他矩阵,则输出之前print矩阵的值
print(c)
print(np.arange(10,20,2))#生成有序矩阵,步长为2
print(np.arange(12).reshape((3,4)))#生成3行4列有序数组,数字要和总数对上
print(np.linspace(1,10,20))#生成从1到10的数列,共20个数
print(np.linspace(1,10,6).reshape(2,3))#把生成的数量变为2行3列,还是要注意数字匹配

##numpy基础运算
a2 = np.array([10,20,30,40])
b2 = np.arange(4)
c2=a2-b2
print(a2,b2)
print(c2)#每位数依次相减
print(b2**2)#b2的平方
print(np.sin(b2))#b2的sin值
print(b2<3)#判断b2的值<3
a3=np.array([[2,1],[1,4]])
b3=np.arange(4).reshape((2,2))
print(a3,'\n',b3)
print(a3*b3)#数字逐个相乘
print(np.dot(a3,b3))#运用矩阵的乘法
print(a.dot(b))#也是矩阵的乘法,不同表达

a4=np.random.random((2,4))#c0到1随机生成二行四列的矩阵
print(a4)
print(np.sum(a4))#求和
print(np.min(a4))#找最小
print(np.max(a4))#找最大
print(np.sum(a4,axis=0))#axis定义维度,axis=0,在列中求和,axis=1,在行中求和
print(np.max(a4,axis=1))

print(np.argmin(a4))#索引最小值的位置
print(np.argmax(a4))#索引最大值的位置

print(np.mean(a4))#求平均值
print(a4.mean())#也是求平均值
print(np.average(a4))#还是平均值

print(np.median(a4))#求中位数

print(np.cumsum(a4))#依次累加

print(np.diff(a4))#逐差

print(np.nonzero(a4))#返回每个数行列的索引

print(np.sort(a4))#对矩阵逐行排序

print(np.transpose(a4))#矩阵转置
print(a4.T.dot(a4))#转置矩阵与原矩阵相乘

print(np.clip(a4,0.2,0.8))#让所有小于0.2的数变为0.2,所有大于0.8的数变为0.8,中间部分不改变
"以上所有np.函数都可以加axis=0 或 axis=1对行和列单独计算"

##numpy索引
A1=np.arange(3,15)
print(A1[3])#索引第3个元素(从0开始数第3个,即第4个)
A=np.arange(3,15).reshape((3,4))
print(A[2])#索引第二行
print(A[1][1])#二维数组索引第1行第1列
print(A[1,2])#功能和A[1][2]一样
print(A[:,1])#打印第一列所有数
print(A[0:1,2])#打印第0行从1到2的值(取左不取右)

for row in A:
    print(row)#迭代每一行
for column in A.T:
    print(column)#迭代每一列
for item in A.flat:#.flat把A转换为一维数组
    print(item)#迭代每一个数

##array的合并
B=np.arange(5,17).reshape((3,4))
print(np.vstack((A,B)))#把A,B向下合并
print(np.hstack((A,B)))#把A,B左右合并

print(A[np.newaxis,:])#在行上增加一个维度
print(A[:,np.newaxis])#在列上增加一个维度

C=np.concatenate((A,B,B,A),axis=1)#在上下维度进行合并,与前面的合并方法相比可以定义纵向合并还是横向合并,通过axis=1 or 0
print(C)

##array的分割
print(np.split(A,2,axis=1))#把A分成横向的两部分
print(np.split(A,3,axis=0))#把A分成纵向的三部分
print(np.array_split(A,4,axis=1))#进行不等距分割

print(np.vsplit(A,3))#把A纵向分割成三部分
print(np.hsplit(A,2))#把A横向分割成二部分

##numpy的赋值
ai = np.arange(4)
print(ai)
bi=ai
ci=ai
di=bi
ai[0]=11
print(ai)
print(bi,ci,di)
di[1:3]=[22,33]
print(ai)#ai与bi,ci,di关联了

bii=ai.copy()#把ai的值赋给bii后,ai改变bii也不变
print(bii)
ai[3]=44
print(ai)
print(bii)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: numpy是一个高性能的科学计算库,用于处理大型数据集和矩阵运算。它是Python科学计算生态系统中最重要的库之一,提供了丰富的功能和工具。 在numpy的学习过程中,我创建了一个名为"numpy笔记.xmind"的思维导图来总结和记录重要的概念和函数。 首先,我在思维导图中列出了numpy的基本数据结构,包括多维数组(ndarray)、切片和索引。我理解了如何创建和操作这些数据结构,以及如何使用切片和索引访问数组中的元素。 其次,在思维导图中,我详细记录了numpy中的常用函数和方法。这些函数包括数学运算(如加法、乘法和指数运算)、统计函数(如平均值、标准差和方差)和数组操作(如形状变换、拼接和切割)。对于每个函数,我还注明了其参数和用法,以便以后参考。 此外,我还在思维导图中添加了numpy的广播功能和ufunc函数。广播允许我们在不同形状的数组之间进行元素级别的操作,而ufunc函数则可以对数组进行逐元素的函数调用。对于这两个功能,我记录了它们的应用场景和使用方法。 最后,我在思维导图中补充了一些numpy的高级特性和应用,如随机数生成、文件IO以及与其他科学计算库(如pandas和matplotlib)的集成。这些特性和应用使numpy成为了进行数据分析和科学计算的重要工具。 通过创建和总结"numpy笔记.xmind"这个思维导图,我能够更好地理解和掌握numpy的知识。这份笔记将成为我学习和使用numpy的重要参考资料,帮助我在科学计算和数据分析的过程中提高效率和准确性。 ### 回答2: numpy(Numerical Python)是Python中用于进行科学计算的一个库。它提供了丰富的高性能数值计算工具,特别是对于大规模多维数组的操作。下面是关于numpy的一些笔记。 1. 数组的创建:numpy使用ndarray对象来存储多维数组。可以使用numpy.array()函数创建数组,也可以使用numpy.zeros()、numpy.ones()等函数创建特定初始值的数组。 2. 数组的属性:可以使用ndarray的属性来获取数组的形状、大小、数据类型等信息。例如,shape属性可以得到数组的维度大小,dtype属性可以得到数组的数据类型。 3. 数组的索引和切片:可以通过索引来访问数组中的元素。numpy中的索引从0开始,可以使用负数表示相对于数组尾部的位置。切片可以用来获取数组的部分元素。可以使用冒号分隔切片的起始、结束和步长值。 4. 数组的运算:numpy支持对数组的逐元素运算,包括加减乘除、求幂、取余等。可以使用numpy的函数进行常见的数学运算,也可以使用ndarray对象的方法进行相应的操作。 5. 广播:numpy中的广播机制可以自动处理形状不一致的数组之间的运算。广播可以使得形状不一致的数组能够按需扩展以便进行元素运算,而不需要进行明确的形状调整操作。 6. 数组的重塑和转置:可以使用reshape()函数对数组进行重新排列,改变其形状。transpose()函数可以用来进行数组的转置操作。 7. 数组的聚合操作:numpy提供了很多用于数组聚合操作的函数,例如对数组进行求和、求平均、求最大最小值等。 8. 数组的存储和读取:可以使用numpy提供的函数将数组保存到文件中,也可以使用numpy的load()函数从文件中加载数组。 以上是关于numpy的一些基础笔记numpy在科学计算、数据分析等领域具有广泛的应用。掌握numpy的基本操作和常用函数,能够更高效地进行数值计算和数据处理任务。 ### 回答3: numpy是一个开源的Python库,提供了高效的多维数组对象以及对数组操作的函数。笔记.xmind是一种思维导图的文件格式。结合两者,我可以将numpy的使用方法和相关概念通过思维导图的方式记录下来。 在笔记.xmind中,我可以使用中心主题表示numpy,然后通过子主题展开numpy的各个方面。例如,我可以创建一个子主题来介绍numpy的数组对象,包括数组的创建、形状、类型等信息。另外,我还可以创建子主题来记录numpy数组操作的函数,例如数组的索引与切片操作、数组的运算操作等。在每个子主题中,我可以使用节点来记录具体的代码示例,以及相关的说明和注意事项。 除了记录numpy的使用方法外,我还可以创建子主题来介绍numpy中的常用概念和特性。例如,我可以创建一个子主题来介绍numpy中的广播机制,以及在数组运算中的应用。另外,我还可以创建子主题来介绍numpy中的向量化操作和矩阵运算,以及其在科学计算中的重要性。 在整个思维导图中,我可以使用不同的颜色、字体和图标来区分不同的主题或节点,以便更好地组织和呈现信息。可以使用箭头来表示不同主题之间的关系,例如通过箭头表示某个主题是另一个主题的子主题或相关主题。 通过将numpy的使用方法和相关概念以思维导图的形式记录在笔记.xmind中,我可以更清晰地了解和掌握numpy的知识,并且可以随时查阅和复习。这样可以帮助我更好地应用numpy进行数据分析和科学计算,并提高工作效率和代码质量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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