Numpy库

最新推荐文章于 2023-12-07 00:42:01 发布
最新推荐文章于 2023-12-07 00:42:01 发布
阅读量144 收藏 1
点赞数
分类专栏： python基础知识 数据分析 文章标签： python numpy
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_51617086/article/details/117091194
版权

这部分使用jupyter notebook写的，输出语句简化了

文章目录

一、Numpy科学计算库

Numpy中单一数据类型的多维数组以ndarray的形式存储

二、创建ndarray数组

1.创建数组

import numpy as np
a = [1.1, 2.2, 3.3, 4.4]
arr = np.array(a)
arr
# out
array([1.1, 2.2, 3.3, 4.4])

2.shape函数

查看每个数组各维度的大小，返回结果是一个元祖对象

arr.shape
# out
(4,)

3.reshape函数

更改数组的结构，原数组的shape仍然保持不变

(1).更改数组结构

arr1 = np.array([[1,2,3,4],[5,6,7,8]])
arr1_reshape = arr1.reshape(4, 2)
arr1_reshape
#out
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])

(2).更改数组共享内存区域

arr1[0,0] = 10
arr1
arr1_reshape
#out
array([[10,  2,  3,  4],
       [ 5,  6,  7,  8]])

array([[10,  2],
       [ 3,  4],
       [ 5,  6],
       [ 7,  8]])

4.创建特殊数组

print('zero_array1: {}'.format(np.zeros(5)))  # 创建都为0的一维数组
print('zero_array2: {}'.format(np.zeros((3,6))))  # 创建都为0的多维数组
print('one_array: {}'.format(np.ones((2,3))))  # 创建都为1的多维数组
print('arange_array: {}'.format(np.arange(10)))  # 创建指定序列数组（常用）
print('eye_array: {}'.format(np.eye(3,3)))  # 创建单位数组
# out
zero_array1: [0. 0. 0. 0. 0.]
zero_array2: [[0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0.]]
one_array: [[1. 1. 1.]
 [1. 1. 1.]]
arange_array: [0 1 2 3 4 5 6 7 8 9]
eye_array: [[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

5.创建随机数组

np.random.randn()  # 服从正态分布的随机数  一维数组
np.random.rand()  # 0~1之间的随机数  一维数组
a = np.random.randint(0, 10, [4,4])  # 随机整数，二维数组

三、数组的数据类型

数组的数据类型保存在dtype这个特殊的对象中，可以使用dtype函数查看

arr.dtype
arr1.dtype
# out
dtype('float64')  # arr中的元素以浮点类型储存

dtype('int32')  # arr1中的元素都为整形数值
类型名称
int8、unit8有符号和无符号的8位整型（1个字节）
int16、unit16有符号和无符号的16位整型（2个字节）
int32、unit32有符号和无符号的32位整型（4个字节）
int64、unit64有符号和无符号的64位整型（8个字节）
float16半精度浮点数
float32标准的单精度浮点数
float128标准的双精度浮点数
bool布尔类型，True和False
objectPython对象类型
string_固定长度的字符串类型（每个字符1个字节）
unicode_固定长度的unicode类型

对于已经创建好的ndarray，可以使用astype函数转换其数据类型

arr2 = np.array([1,2,3,4,5], dtype=np.int32)  # 创建时指定数据类型
arr2_float = arr2.astype(np.float32)
arr2_float
arr2_float.dtype
# out
array([1., 2., 3., 4., 5.], dtype=float32)

dtype('float32')

四、数组的索引与切片

1.一维数组索引

arr3 = np.arange(15)
arr3
arr3[8]
arr3[8:12]
# out
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

8  # 索引为8位置的数为8

array([ 8,  9, 10, 11])

使用索引与切片可以对原Numpy数组进行修改，与列表不同之处在于，数组切片的操作对象是原数组，会改变其原始值，所以处理时，可以用copy函数对原数组保存

2.切片索引

arr4 = np.arange(25).reshape(5, 5)
arr4[1,2:4]  # 取出索引为2:3对应得数字7、8
arr4[1:3, 2:4]  # 取出行索引为1:2，列索引为2:3的二维数组
arr4[::, 2:]  # 取出第三列之后的二维数组
arr4[::2, 2:]  # 第三列之后各行取数的二维数组
# out
array([7, 8])

array([[ 7,  8],
       [12, 13]])

array([[ 2,  3,  4],
       [ 7,  8,  9],
       [12, 13, 14],
       [17, 18, 19],
       [22, 23, 24]])

array([[ 2,  3,  4],
       [12, 13, 14],
       [22, 23, 24]])

3.布尔值索引

x = np.array([0,1,2,3,1])
print(x==1)
arr4[x==1]
# out
[False  True False False  True]

array([[ 5,  6,  7,  8,  9],
       [20, 21, 22, 23, 24]])

注意：布尔型数组的长度必须与原索引数组的行数相同
布尔型索引可以与切片结合使用

还可以设置反向条件

  1. ！= 表示不等于
  2. ~ 表示条件否定
  3. logical_not函数用于设置反向条件

布尔运算符& | 可用于设置多个布尔条件

五、数组常用方法

1 数组的拼接

np.vstack((t1, t2))  # 竖直拼接
np.hstack((t1, t2))  # 水平拼接

2数组的行列交换

t[[1, 2],: ] = t[[2, 1], :]  # 行交换
t[:, [0, 2]] = t[:, [2, 0]]  # 列交换

3获取最大值和最小值的位置

np.argmax(t, axis=0)  
np.argmin(t, axis=1)

4生成随机数

print(np.random.randint(10, 20, (4,5)))

在这里插入图片描述
希望每次生成的随机数都一样在前面加一行

np.random.seed()

六、nan的注意点

1、nan为float类型
2、两个nan是不想等的
3、

np.nan != np.nan
# out
True

4、l利用以上性质，判断数组中nan的个数
5、由于3，通过np.isnan(a)判断一个数字是否为nan，返回bool类型
6、nan和任何数值计算都是nan
7、inf表示无穷

七、数学与统计函数

1.统计运算

arr6 = np.arange(25).reshape(5,5)
print('arr6.sum(): {}'.format(arr6.sum()))  # 对所有元素求和
print('arr6.mean(): {}'.format(arr6.mean()))  # 求所有元素的均值
print('arr6.std(): {}'.format(arr6.std()))  # 求所有元素的标准差
print('arr6.var(): {}'.format(arr6.var()))  # 求所有元素的方差
print('arr6.max(): {}'.format(arr6.max()))  # 求所有元素的最大值
print('arr6.min(): {}'.format(arr6.min()))  # 求所有元素的最小值
print('arr6.cumsum(): {}'.format(arr6.cumsum()))  # 求所有元素的累计和
print('arr6.cumprod(): {}'.format(arr6.cumprod()))  # 求所有元素的累计积
print('arr6.argmin(): {}'.format(arr6.argmin()))  # 求最小元素的索引
print('arr6.argmax(): {}'.format(arr6.argmax()))  # 求最大元素的索引
# out
arr6.sum(): 300
arr6.mean(): 12.0
arr6.std(): 7.211102550927978
arr6.var(): 52.0
arr6.max(): 24
arr6.min(): 0
arr6.cumsum(): [  0   1   3   6  10  15  21  28  36  45  55  66  78  91 105 120 136 153
 171 190 210 231 253 276 300]
arr6.cumprod(): [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
arr6.argmin(): 0
arr6.argmax(): 24

2.矩阵运算

(1)矩阵的转置

.T函数或者.transpose()或者.swapaxes()

arr7 = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr7
arr7.T
# out
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

array([[1, 4, 7],
       [2, 5, 8],
       [3, 6, 9]])

(2)矩阵的逆

np.linalg.inv函数

(3)矩阵的加减法

直接用加减号，要保证亮两个矩阵的结构相同

(4)矩阵的乘法和点乘

点乘直接用乘号
点乘用.dot函数

(5)矩阵的迹

trace函数

(6)特征值、特征向量

eigvalue,eigvector = np.linalg.eig(arr7)
eigvalue  # 特征值
eigvector  # 特征向量
# out
array([ 1.61168440e+01, -1.11684397e+00, -1.30367773e-15])

array([[-0.23197069, -0.78583024,  0.40824829],
       [-0.52532209, -0.08675134, -0.81649658],
       [-0.8186735 ,  0.61232756,  0.40824829]])

3.数据处理

(1)排序

sort函数对数组排序，当函数中的参数axis=0时，每一列上的元素按照行的方向排序，axis=1时，每一行上的元素按照列的方向排序
arr9 = np.array([[2,4,3],[5,4,2],[9,0,3]])
arr9.sort(axis=1)
print('arr9: {}'.format(arr9))
print('按行排序后的矩阵：{}'.format(arr9))
arr10 = np.array([[2,4,3],[5,4,2],[9,0,3]])
np.sort(arr10,axis=0)  # np.sort函数返回的是已排序的副本，对原数组已做修改
print('按列排序后得矩阵：{}'.format(arr10))
print('排序后的arr10: {}'.format(np.sort(arr10,axis=0)))  # 按列排序
# out
arr9: [[2 3 4]
 [2 4 5]
 [0 3 9]]
按行排序后的矩阵：[[2 3 4]
 [2 4 5]
 [0 3 9]]
 按列排序后得矩阵：[[2 4 3]
 [5 4 2]
 [9 0 3]]
 排序后的arr10: [[2 0 2]
 [5 4 3]
 [9 4 3]]

(2)去重

unique函数

arr11 = np.array([3,2,1,5,4,3,2,1])
np.unique(arr11)
# out
array([1, 2, 3, 4, 5])

(3)数值处理

# 三元运算符
np.where(t < 10,  0 , 10)

表示把数组t中小于10的数置为0，大于10的数置为10

t.clip(10, 18)

表示小于10的替换为10，大于18的替换为18

八、文件读入和读取

写入 savetxt

np.savetxt('arr.txt',arr)

读取 loadtxt

np.loadtxt('arr.txt',arr)

如果数据文件是以逗号分割的csv文件，则在loadtxt函数中，设置参数delimiter=’,’ 即可

np.load(frame, dtype=np.float, delimiter=None, skiprows=0, usecols=None, unpack=False)
参数解释
frame文件、字符串或产生器，可以是.gz或bz2压缩文件
dtype数据类型，可选，默认为np.float
delimiter分割字符串，默认是空格，改为逗号
skiprows跳过前x行，一般跳过第一行表头
usecols读取指定的列，索引，元组类型
unpack如果True，读入属性将分别写入不同数据变量，False读入数据只写入一个数据变量，默认False,其实就是做了一个转置，了解即可

总结

学习笔记

《Python3快速入门与实战》

飞飞帅傅
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python -- Numpy库的使用
衍生星球的博客
04-18 4057
模块8：numpy库的使用   要点：numpy是用于处理含有同种元素的多维数组运算的第三方库。 1.numpy库概述 Python标准库中提供了一个array类型，用于保存数组类型数据，然而这个类 型不支持多维数据，处理函数也不够丰富，不适合数值运算。因此，Python语言的第三方库numpy得到了迅速发展，至今，numpy已经成为了科学计算事实上的标准库。 numpy库处理的最基础数据类型是由同种元素构成的多维数组（ndarray），简称“数组”。数组中所有元素的类型必须相同，数组中元素可以用整数索引，
python下载numpy库_安装numpy库
weixin_39845406的博客
12-03 3954
1.先安装pip：下载地址：http://pypi.python.org/pypi/pip#downloads下载pip-8.1.2.tar.gz(md5,pgp)完成之后，解压到一个文件夹，cmd控制台进入解压目录，输入：python setup.py install安装好pip之后，将C:\Python27\Scripts 添加至环境变量。(一般你windows装python2.7的时候，会自...
python中关于numpy库
最新发布
l3308487908的博客
12-07 1328
学习numpy真的会在日常工作中提高工作效率，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 就成了程序员必不可少的工具之一。
Numpy库的介绍及使用
qq_53763141的博客
12-20 1万+
本文章介绍了python常用库numpy的常用方法，对于数据分析入门、机器学习的入门有良好的帮助。
python安装numpy库
houjienanhai1025的博客
10-14 4139
利用python快速安装numpy库
如何安装numpy库
weixin_35755188的博客
01-06 3692
要安装numpy库，你需要先安装Python，然后打开命令行或终端并使用以下命令： pipinstall numpy 如果你使用的是Anaconda，你可以使用conda命令来安装numpy： condainstall numpy 这样就可以在你的Python程序中使用numpy了。 ...
python numpy库
qq_52109814的博客
12-21 9803
NumPy( Numeric Python) numpy是python中一个可以用来处理多维数组的库。
numpy库
qq_30747875的博客
06-19 1万+
前言 numpy库是一种高性能的数据创立和处理包，它常常用于一些数据的处理上，现在来总结一下（这是期末人的倔强）。一般我们把numpy建立的数组可以叫做矩阵，它是不同于列表的。 目录前言numpy库的一些函数一.数组的建立的函数1.使用array来直接建立2. 等差数列的建立 arange linspace(1)arange(2)linspacenumpy库的检索、切片numpy库的运算 numpy库的一些函数 一.数组的建立的函数 1.使用array来直接建立 import numpy as np A=[
Python Numpy库常见用法入门教程
09-18
Python Numpy库是进行数值计算和科学计算的强大工具，它提供了高效的多维数组对象——ndarray，以及大量的数学函数来处理这些数组。本教程将深入介绍Numpy库的基础知识和常用操作。 首先，Numpy的核心是ndarray对象...
浅谈numpy库的常用基本操作方法
09-20
本篇文章将深入探讨NumPy库中的基本操作方法，帮助你更好地理解和运用这个强大的工具。 首先，我们要了解`ndarray`的两个关键概念：秩（rank）和轴（axes）。秩指的是数组的维度，即数组中有多少个轴。例如，一维...
Numpy库入门
07-20
python Numpy库入门
学习numpy库
09-13
入门学习numpy，对小白很友好，有兴趣的朋友可以查阅。
python根据字典的值获取键
热门推荐
Tacit_zfy99的博客
07-02 2万+
方法一：列表推导式，使用字典的items方法 d = {'a': 1, 'b': 2, 'c': 3, 'd': 4} # 取值为2的键 k2 = [k for k, v in d.items() if v == 2] print(k2) 包装为函数 def get_key(d, value): k = [k for k, v in d.items() if v == value] return k 方法二：交换key和value的值 def get_key1(dct, value):
正则表达式 re模块
Tacit_zfy99的博客
05-19 750
1、re模块 re模块中常用的是match函数，用于对字符串进行正则匹配 用法：match(pattern, string) 参数说明：pattern表示正则表达式，string表示待匹配字符串 import re str = "python java python c++" rs = re.match("python",str) print(rs) 获取匹配的字符串，调用group方法 import re str = "python java python c++" rs = re.match("py
jupyter notebook输出
Tacit_zfy99的博客
11-19 730
开头插入这俩行 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity = "all" 会连续输出四个内容 若开头不加这俩行只会输出 str
python 虚拟环境
Tacit_zfy99的博客
12-08 704
pipenv 工作流 Pipenv是基于pip的Python包管理工具，它和pip的用法非常相似，可以看作pip的加强版，它的出现解决了旧的pip+virtualenv+requirements.txt的工作方式的弊端。具体来说，它是pip、Pipfile和Virtualenv的结合体 1 .安装 查看pip版本 pip --version 安装pipenv pip install pipenv 查看版本号 pipenv --version 2.创建虚拟环境 在Python中，虚拟环境（virtua
用turtle库画一个钻石
Tacit_zfy99的博客
05-20 342
import turtle as pic pic.bgcolor('black') pic.speed(1) pic.pensize(2) for i in range(1, 5): pic.pencolor('white') pic.circle(46, steps = 3) pic.circle(40, steps = 7) pic.circle(30, steps = 6) pic.circle(26, steps = 5) pic.circle(2

“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

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