Numpy基础

扩展库Numpy简介

参考资料：《Python可以这样学》（董付国）
本文原来是写在jupyter notebook上的，转成了.md格式再复制到这里来的，如果你觉得这样看起来不方便，需要.ipynb格式，请私信我：）

import numpy as np #导入numpy模块

1.生成数组

np.array((1,2,3,4,5)) #把Python列表转换成数组

array([1, 2, 3, 4, 5])

np.array(range(5)) #把range对象转换成数组

array([0, 1, 2, 3, 4])

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

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

np.linspace(0,10,11) #生成等差数组 表示从0到10生成11个数

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

np.linspace(0,1,11) #表示0到1生成11个数

array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ])

np.logspace(0,100,10) #对数数组  从0到100等差取十个数，做幂运算。令公差为d，返回的十个为10的0次方、d次方、2d次方

array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,
       2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,
       7.74263683e+088, 1.00000000e+100])

np.zeros((3,3)) #全0二维数组

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

np.zeros((3,1))

array([[0.],
       [0.],
       [0.]])

np.zeros((1,3))

array([[0., 0., 0.]])

np.ones((3,3)) #全1二维数组

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

np.identity(4) #单位矩阵

array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

np.empty((3,3)) #空数组，只申请空间而不初始化，元素值是不确定的

array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

2.数组与数值的算术运算

x=np.array((1,2,3,4,5))  #创建数组对象
x

array([1, 2, 3, 4, 5])

x*2

array([ 2,  4,  6,  8, 10])

x/2

array([0.5, 1. , 1.5, 2. , 2.5])

x//2

array([0, 1, 1, 2, 2], dtype=int32)

x **3

array([  1,   8,  27,  64, 125], dtype=int32)

x+2  #数组与数值相加

array([3, 4, 5, 6, 7])

x%3 #余数

array([1, 2, 0, 1, 2], dtype=int32)

3.数组与数组的算术运算

a = np.array((1,2,3))
b = np.array(([1,2,3],[4,5,6],[7,8,9]))
c = a*b   #数组相乘，a中的每个元素乘以b中的每一列元素
c

array([[ 1,  4,  9],
       [ 4, 10, 18],
       [ 7, 16, 27]])

c/b

array([[1., 2., 3.],
       [1., 2., 3.],
       [1., 2., 3.]])

c/a

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

a+a

array([2, 4, 6])

a*a

array([1, 4, 9])

a-a

array([0, 0, 0])

a/a

array([1., 1., 1.])

4.二维数组转置

b = np.array(([1,2,3],[4,5,6],[7,8,9]))
b

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

b.T

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

a=np.array((1,2,3,4))
a

array([1, 2, 3, 4])

a.T  #一维数组转置以后和原来是一样的

array([1, 2, 3, 4])

5.向量内积

a=np.array((5,6,7))
b=np.array((6,6,6))
a.dot(b) #向量内积

(108, 108)

np.dot(a,b) #向量内积

108

c = np.array(([1,2,3],[4,5,6],[7,8,9]))
cT=c.T
c.dot(a)

array([ 38,  92, 146])

c[0].dot(a)

38

c[1].dot(a)

92

a.dot(cT[2])

114

6.数组元素访问

b=np.array(([1,2,3],[4,5,6],[7,8,9]))
b

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

b[0]

array([1, 2, 3])

b[0][0]

1

多元素同时访问

x=np.arange(0,100,10)
x

array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

index = np.random.randint(1,len(x),5)
index

array([6, 6, 2, 3, 7])

x[index]

array([60, 60, 20, 30, 70])

x[index] = [1,2,3,4,5]  #同时修改多个元素的值
x

array([ 0, 10,  3,  4, 40, 50,  2,  5, 80, 90])

x[[1,2,3]]  #同时访问多个元素的值

array([10,  3,  4])

7.对数组进行函数运算

x=np.arange(0,100,10)
np.sin(x)  #一维数组中所有元素求正弦值

array([ 0.        , -0.54402111,  0.91294525, -0.98803162,  0.74511316,
       -0.26237485, -0.30481062,  0.77389068, -0.99388865,  0.89399666])

b=np.array(([1,2,3],[4,5,6],[7,8,9]))
np.cos(b)

array([[ 0.54030231, -0.41614684, -0.9899925 ],
       [-0.65364362,  0.28366219,  0.96017029],
       [ 0.75390225, -0.14550003, -0.91113026]])

np.round(np.cos(b)) #四舍五入

array([[ 1., -0., -1.],
       [-1.,  0.,  1.],
       [ 1., -0., -1.]])

x=np.random.rand(10)
x*=10
x

array([0.72528784, 7.46094155, 0.94747503, 2.10896222, 9.50620225,
       2.64778271, 0.68896693, 1.19711742, 7.17753355, 0.93906123])

np.floor(x) #向下取整

array([0., 7., 0., 2., 9., 2., 0., 1., 7., 0.])

np.ceil(x) #向上取整

array([ 1.,  8.,  1.,  3., 10.,  3.,  1.,  2.,  8.,  1.])

8. 对矩阵不同维度上的元素进行计算

x=np.arange(0,10).reshape(2,5) #创建二维数组
x

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

np.sum(x) #求和

45

np.sum(x,axis = 0)# 纵向求和

array([ 5,  7,  9, 11, 13])

np.sum(x,axis = 1) #横向求和

array([10, 35])

np.mean(x,axis = 0) #纵向求算术平均值

array([2.5, 3.5, 4.5, 5.5, 6.5])

np.mean(x,axis = 1) #横向求算术平均值

array([2., 7.])

weight = [0.3,0.7] #权重
np.average(x,axis = 0,weights = weight) # 二维数组纵向计算加权平均值

array([3.5, 4.5, 5.5, 6.5, 7.5])

np.max(x)

9

np.max(x,axis = 0)  #纵向求最大值，即每列的最大值

array([5, 6, 7, 8, 9])

x=np.random.randint(1,10,size=(3,3))
x

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

np.std(x) #求所有元素的标准差

3.1269438398822866

np.std(x,axis=1) #横向求标准差  即每行元素的标准差

array([2.94392029, 1.41421356, 0.81649658])

np.var(x,axis = 0) #纵向求方差  即每列元素的方差

array([10.88888889,  6.        , 10.88888889])

np.sort(x,axis = 0) #纵向排列 从小到大

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

9. 改变数组大小

a=np.arange(1,11,1)
a

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

a.shape = 2,5  #改为两行五列
a

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

a.shape=5,-1  # -1表示自动计算
a

array([[ 1,  2],
       [ 3,  4],
       [ 5,  6],
       [ 7,  8],
       [ 9, 10]])

b=a.reshape(2,5) #reshape（）方式返回新数组
b

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

10.切片操作

a=np.arange(10)
a

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

a[::-1] #反向切片

array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

a[::2] #隔一个取一个元素

array([0, 2, 4, 6, 8])

a[:5] #前五个元素

array([0, 1, 2, 3, 4])

c=np.arange(25)
c.shape=5,5
c

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24]])

c[0,2:5]  #第0行中下标[2,5)之间的元素

array([2, 3, 4])

c[1]  #第0行中所有元素

array([5, 6, 7, 8, 9])

c[2:5,2:5] #行下标和列下标都结语[2,5)之间的元素值

array([[12, 13, 14],
       [17, 18, 19],
       [22, 23, 24]])

11.布尔运算

x=np.random.rand(10) #10个数的随机数组
x

array([0.66334709, 0.82328621, 0.41857429, 0.28620644, 0.26740633,
       0.95842834, 0.94531951, 0.6467254 , 0.41522248, 0.64909167])

x>0.5 #比较数组中每个元素值是否大于0.5

array([ True,  True, False, False, False,  True,  True,  True, False,
        True])

x[x>0.5] #获取数组中大于0.5的元素

array([0.66334709, 0.82328621, 0.95842834, 0.94531951, 0.6467254 ,
       0.64909167])

a=np.array([1,2,3])
b=np.array([3,2,1])
a>b  #对应位置上元素比较大小

array([False, False,  True])

a[a>b]

array([3])

a ==b

array([False,  True, False])

a[a==b]

array([2])

12.广播

a = np.arange(0,60,10).reshape(-1,1)  #列向量， -1表示自动计算
a

array([[ 0],
       [10],
       [20],
       [30],
       [40],
       [50]])

b=np.arange(0,6)
b

array([0, 1, 2, 3, 4, 5])

a+b    #广播 

array([[ 0,  1,  2,  3,  4,  5],
       [10, 11, 12, 13, 14, 15],
       [20, 21, 22, 23, 24, 25],
       [30, 31, 32, 33, 34, 35],
       [40, 41, 42, 43, 44, 45],
       [50, 51, 52, 53, 54, 55]])

a*b

array([[  0,   0,   0,   0,   0,   0],
       [  0,  10,  20,  30,  40,  50],
       [  0,  20,  40,  60,  80, 100],
       [  0,  30,  60,  90, 120, 150],
       [  0,  40,  80, 120, 160, 200],
       [  0,  50, 100, 150, 200, 250]])

13.分段函数

x=np.arange(10)
x

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.where(x<5,0,1)  # 小于5的元素值对应0，其他对应1

array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])

np.piecewise(x,[x<4,x>7],[lambda x:x*2,lambda x:x*3])  #满足小于4大于7的数字乘以3，其他乘以2

array([ 0,  2,  4,  6,  0,  0,  0,  0, 24, 27])

14.计算唯一值以及出现次数

x= np.random.randint(0,10,7)
x

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

a=np.bincount(x)#元素出现的次数， 这个不太好讲 忘了的话查一下bincount（）
a

array([0, 0, 1, 1, 1, 1, 1, 2], dtype=int64)

np.sum(a) # 所有元素出现次数之和等于数组长度

7

len(x)

7

np.unique(x) #返回唯一元素值

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

x=np.random.randint(0,10,10)
x

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

y = np.random.rand(10)  #随机小数，模拟权重
y = np.round_(y,1) #保留一位小数
y

array([0.2, 0.3, 0.7, 0.9, 0.3, 0.2, 0.4, 0.2, 0. , 0.2])

np.sum(x*y)/np.sum(np.bincount(x)) #加权总和/出现总次数或元素个数

1.7399999999999998

15.矩阵运算

a_list=[3,5,7]
a_mat=np.matrix(a_list)
a_mat

matrix([[3, 5, 7]])

a_mat.T

matrix([[3],
        [5],
        [7]])

a_mat.shape #矩阵形状

(1, 3)

a_mat.size

3

b_mat=np.matrix((1,2,3))
b_mat

matrix([[1, 2, 3]])

a_mat * b_mat.T # 矩阵相乘

matrix([[34]])

a_mat.mean() #元素平均值

5.0

a_mat.sum() #求和

15

a_mat.max()

7

c_mat=np.matrix([[1,5,3],[2,9,6]]) #创建二维矩阵
c_mat

matrix([[1, 5, 3],
        [2, 9, 6]])

c_mat.argsort(axis =0) #纵向排序后的元素序号

matrix([[0, 0, 0],
        [1, 1, 1]], dtype=int64)

c_mat.argsort(axis = 1) #横向排序后的元素序号

matrix([[0, 2, 1],
        [0, 2, 1]], dtype=int64)

d_mat=np.matrix([[1,2,3],[4,5,6],[7,8,9]])
d_mat

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

d_mat.diagonal()  #对角线元素

matrix([[1, 5, 9]])

d_mat.flatten()  #矩阵平铺

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

`