Python学习-Numpy-1

前言

NumPy是一个开源的Python科学计算库，广泛用于数据分析、机器学习、科学计算和金融领域。它由Travis Oliphant等人在2005年开发，并在BSD许可下发布。NumPy是许多其他科学计算库的基础，如SciPy、Pandas和Matplotlib。

Numpy官网

https://numpy.org/

学习参考链接：

Numpy的介绍和安装和性能对比_哔哩哔哩_bilibili

要安装NumPy，可以使用pip：

pip install numpy

Numpy相对List的优势和特点

1、Numpy的数据结构是array数组

2、相较List的性能更好，并且包含大量的便捷的函数，以及数组中元数据的信息

3、array的数据类型必须一致，为int或者float，因此性能更高

1、创建数组

import numpy as np

#创建一维数组
x=np.array([1,2,3,4,5,6])

#创建二维数组
y=np.array([
    [1,2,3],
    [4,5,6]
])
print("x=",x)
print("y=",y)

x= [1 2 3 4 5 6]
y= [[1 2 3]
 [4 5 6]] 

---

2、array的属性

import numpy as np

#创建二维数组
y=np.array([
    [1,2,3],
    [4,5,6]
])

# 数组形状
print("y.shape",y.shape)

# 数组维度
print("y.ndim",y.ndim)

# 所有数据的数目
print("y.size",y.size)

# 数据的类型
print("y.dtype",y.dtype)

y.shape (2, 3)
y.ndim 2
y.size 6
y.dtype int32

---

3、创建array的便捷函数

 3.1 np.arange

import numpy as np

#使用arrange创建数组序列
#arange(start,stop,step,dtype=None),左闭右开

x=np.arange(12)
y=np.arange(2,10,2)
print("x=",x)
print("y=",y)

x= [ 0  1  2  3  4  5  6  7  8  9 10 11]
y= [2 4 6 8]

 3.2 np.ones

import numpy as np

#使用ones创建全为1的数组序列
#ones(shape,dtype=None,order='C')

x=np.ones(12)
y=np.ones((2,3))
print("x=",x)
print("y=",y)

x= [1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
y= [[1. 1. 1.]
 [1. 1. 1.]]

 3.3 np.ones_like

import numpy as np

#使用ones_like创建全为0的形状相同的数组序列
#ones_like(x,dtype=None)
x=np.arange(12).reshape(3,4)

y=np.ones_like(x)
print("x=",x)
print("y=",y)

x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

 3.4 np.empty

empty的数据是未初始化的数据，里面的值是随机值不能直接使用

import numpy as np

#使用empty创建全为0的数组序列
#empty(shape,dtype=None,order='C')
x=np.empty(10)
y=np.empty((2,5))

print("x=",x)
print("y=",y)

x= [6.23042070e-307 1.89146896e-307 1.37961302e-306 6.23053614e-307
 1.60218627e-306 6.23061763e-307 6.23059386e-307 6.23058028e-307
 8.90100844e-307 2.39277352e-203]
y= [[-5.74929044e-186 -3.41963150e+202  8.38577217e-253 -4.80176796e+207
  -8.30082508e+049]
 [ 5.69602577e-219  2.08987787e-290  5.64286538e+290  2.34477072e+222
  -1.62584672e+000]]

Process finished with exit code 0
 

 3.5 np.empty_like

import numpy as np

#使用empty_like创建全为1的形状相同的数组序列
#empty_like(x,dtype=None)
x=np.arange(12).reshape(3,4)

y=np.empty_like(x)
print("x=",x)
print("y=",y)

x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]

 3.6 np.full

import numpy as np

#使用full创建指定值的数组序列
#full(shape,fill_vaule,dtype=None,order='C')
x=np.full(5,10)
y=np.full((2,5),10)

print("x=",x)
print("y=",y)

x= [10 10 10 10 10]
y= [[10 10 10 10 10]
 [10 10 10 10 10]]

 3.7 np.full_like

import numpy as np

#使用full_like创建填充指定值的形状相同的数组序列
#full_like(x,fill_vaule,dtype=None)
x=np.arange(12).reshape(3,4)

y=np.full_like(x,666)
print("x=",x)
print("y=",y)

x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[666 666 666 666]
 [666 666 666 666]
 [666 666 666 666]]

 3.8 np.random.randn

import numpy as np

#使用rand创建随机数组序列
#randn(d0,d1,d2...)
x=np.random.randn(4)
y=np.random.randn(4,3)
z=np.random.randn(4,3,2)

print("x=",x)
print("y=",y)
print("z=",z)

x= [-0.6814137   2.58645822 -0.32107098 -1.16734569]
y= [[-0.12104364 -0.60353561 -0.70747402]
 [-0.78172178  0.56876222 -0.89172026]
 [-0.35139011 -0.53920652  0.66813472]
 [ 0.6570334  -0.59396372 -2.36066397]]
z= [[[ 0.18886269  0.40312599]
  [-0.15651529 -0.28551847]
  [ 0.41414574  1.76023497]]

 [[-0.79363865  0.62441301]
  [ 2.09764425  2.08595285]
  [-0.77915632  0.8259647 ]]

 [[ 0.31214999  1.54711407]
  [ 0.90644711  0.76644429]
  [-1.59445626  1.29589803]]

 [[ 0.97082177 -1.52600754]
  [ 1.4742554   0.07321613]
  [-0.1599697   0.19982069]]]

 4、array用于操作及函数

4.1 shape 

import numpy as np

x=np.arange(12).reshape(3,4)
print(x.shape)

 (3, 4)

 4.2 数组+1

与list的区别在于是对数组内的所有的数字同时操作，而list对所有的数字同时操作则需要用for循环实现。 

import numpy as np

#array+1是对数组内的所有的元素进行加1
x=np.arange(12).reshape(3,4)
y=x+1
print("x=",x)
print("y=",y)

x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

  4.3 数组*3

import numpy as np

#array*3是对数组内的所有的元素进行*3
x=np.arange(12).reshape(3,4)
y=x*3
print("x=",x)
print("y=",y)

x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[ 0  3  6  9]
 [12 15 18 21]
 [24 27 30 33]]

  4.4 sin（数组）

import numpy as np

#np.sin(array)是对数组内的所有的元素进行sin
x=np.arange(12).reshape(3,4)
y=np.sin(x)
print("x=",x)
print("y=",y)

 x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[ 0.          0.84147098  0.90929743  0.14112001]
 [-0.7568025  -0.95892427 -0.2794155   0.6569866 ]
 [ 0.98935825  0.41211849 -0.54402111 -0.99999021]]

 4.5 array间的加减操作

import numpy as np

#np.sin(array)是对数组内的所有的元素进行sin
x=np.arange(12).reshape(3,4)
y=np.random.randint(1,10,(3,4))

print("x=",x)
print("y=",y)

z=x+y
w=x-y
print("z=",z)
print("w=",w)

x= [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
y= [[3 6 2 1]
 [8 2 7 1]
 [6 7 5 9]]
z= [[ 3  7  4  4]
 [12  7 13  8]
 [14 16 15 20]]
w= [[-3 -5  0  2]
 [-4  3 -1  6]
 [ 2  2  5  2]]