第十章 NumPy 库

已于 2022-05-04 00:48:41 修改
阅读量951 收藏 3
点赞数
文章标签： python
于 2022-04-23 12:33:21 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_52560205/article/details/124361707
版权

文章目录

一、创建数组：

例题10-1：创建数组并查看数组属性

代码如下：

import numpy as np                        # 导入Numpy库


arr1 = np.array([1, 2, 3, 4])             # 创建的一维数组,参数为列表
print("数组的尺寸：", np.shape(arr1))      # (4, )  ,  一个元素的元组，表示是一维数组

arr2 = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])   # 创建二维数组
print("数组的尺寸：", np.shape(arr2))  # 2个元素的元组:  (3, 4)
# 返回二维数组的行数：3
print(arr2.shape[0])
print(arr2.shape[1])

运行结果：

构造复杂数组

代码如下：

import numpy as np


a = np.arange(5)                  # a= [0 1 2 3 4]
b = np.tile(a, 2)                    # 对变量a重复2次：b = [0 1 2 3 4 0 1 2 3 4]
c = np.tile(a, (3, 2))               # 对a 行重复3次，列重复2次


# 重复元素: repeat,如:
d = a.repeat(2)  # 对变量a里的元素依次重复2次： d= [0 0 1 1 2 2 3 3 4 4]

print(b)
print(c)
print(d)

运行结果：
在这里插入图片描述

生成随机数

代码如下：

import numpy as np


np.random.seed(0)
A = np.random.rand(4)               # 生成区间[0,1)上的均匀分布的4个随机浮点数的一维数组
print(A)  # [0.5488135  0.71518937 0.60276338 0.54488318]
a = [i for i in range(10)]  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
b = [np.random.choice(a) for i in range(6)]  # 每次从 a 中随机返回一个元素，共迭代6次
# [3, 0, 3, 5, 0, 2]
print(b)

# 打乱数组顺序
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
y = np.random.permutation(x)      # x的数据不动，把随机打乱后的数据返给y
np.random.shuffle(x)                                     # 直接随机打乱数组x的数据
print(x)

运行结果：
在这里插入图片描述

例题10-2：绘制：随机生成10000数据，服从均值为0，方差为1的正态分布的直方图（间隔个数：50）

代码如下：

import numpy as np
import matplotlib.pyplot as plt


np.random.seed(0)
data = np.random.normal(0, 1, 10000)
print(min(data), max(data))
n, bins, patches = plt.hist(
    data, 50, facecolor='red', edgecolor='white')
plt.grid(True)
plt.show()

运行结果：
在这里插入图片描述

通过索引访问数组

代码如下：

import numpy as np


arr = np.arange(10)  # arr = [0 1 2 3 4 5 6 7 8 9]
print(arr[5])  # 首个索引号从0开始，输出：5
print(arr[3:5])                      # 索引号从第3个，到第4个，输出：[3  4]
print(arr[:5])  # 索引号从第0个，到第4个，输出：[0 1 2 3 4]
print(arr[-1])                            # -1表示数组最后一个元素：9
print(arr[6:-1:2])  # 索引号从第6个，到最后一个，2为步长，表示每隔一个元素：[6 8]
print(arr[5:1:-2])  # 步长为负数时，开始索引号必须大于结束索引号，输出：[5 3]

arr = np.array([[1, 2, 3, 4, 5], [4, 5, 6, 7, 8], [7, 8, 9, 10, 11]])
print(arr[2, 3])            # 索引号第2行第3列的元素，输出：10

print(arr[0, 3:5])          # 索引号第0行中第3和4列的元素：[4 5]

print(arr[1:, 2:])  # 索引号第1行、第2列后面所有元素
print(arr[1:, 2:])  # 索引号第1行、第2列后面所有元素
print(arr[2:])                         # 索引号第2行所有列：[  7  8  9 10 11 ]
print(arr[:, 2])                        # 索引号第2列所有行：[ 3  6  9 ]

运行结果：
在这里插入图片描述

数组的迭代

代码如下：

import numpy as np


a = np.arange(2, 8, 2)
for i in a:
    print(i, end=',')  # 2, 4, 6
for i in enumerate(a):
    print(i, i[0], i[1])

运行结果：
在这里插入图片描述

二、四则运算：

数组间的四则运算

代码如下：

import numpy as np


x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
z = np.array("1,2,3")
# 数组元素对应相加，结果为：[5 7 9]
print(x + y)
# 数组元素对应相减，结果为：[-3 -3 -3]
print(x - y)
# 数组元素相乘，结果为：[4 10 18]
print(x * y)
# 数组元素对应相除，结果为：[0.25  0.4  0.5 ]
print(x / y)
# 数组元素对应幂运算，结果为：[ 1  32  729]
print(x ** y)
# 注意：
# print(z.dtype)
# print(z.ndim)  # z 的数据类型：<U5 ，z 的维数：0
# x + z  # 报错 ，数据形状不一样，不能进行运算

运行结果：

在这里插入图片描述

一个数与数组的四则运算

代码如下：

import numpy as np


# np.shape(a)：(3,4 )
a = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])
b = 2 * a
c = b.reshape(4, 3)  # 将数组b的形状改为(4,3)，b不动
print(a)
print(b)
print(c)

运行结果：
在这里插入图片描述

比较运算

代码如下：

import numpy as np


x = np.array([1, 3, 5])
y = np.array([2, 3, 4])
print(x < y)         	    	         # 输出：[ True  False  False]
print(x >= y)        		           	 # 输出：[False  True  True]
print(x == y)       			         # 输出：[False  True  False]
print(x != y)         			         # 输出：[ True  False  True]

运行结果：
在这里插入图片描述

逻辑运算

代码如下：

import numpy as np


x = np.array([1, 3, 5])
y = np.array([2, 3, 4])
print(np.all(x == y))    			# 输出：False
print(np.all(x != y))    		    # 输出：False
print(np.any(x != y))    	        # 输出：True

运行结果：
在这里插入图片描述

数组的转置

代码如下：

import numpy as np


# np.shape(a) = (4,) 表示一维数组
a = np.array([1, 2, 3, 4])
b = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])    # (3,4) 表示二维数组
# 一维数组 a 的转置：np.shape(c) = (4,)
c = np.transpose(a)
# 二维数组 b 的转置：np.shape(d) = (4,3)
d = np.transpose(b)
print(c)
print(d)

运行结果：
在这里插入图片描述

数组的点积运算

代码如下：

import numpy as np


a = np.array([1, 2, 3, 4])  # (4,) 表示一维数组
b = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])    # (3,4) 表示二维数组
e = np.dot(b, a)  # (3, 4) 与 (4,) 点积运算
print(np.shape(e), e)  # (3,) [30 60 90]
#e = np.dot(a, b)  # Error： shapes (4,) and (3,4)

运行结果：
在这里插入图片描述

三、NumPy矩阵运算：

NumPy矩阵运算

代码如下：

import numpy as np


matr1 = np.matrix("1 2 3;0 5 6;0 0 9")
matr2 = matr1 * 3                               # 矩阵数乘
matr3 = matr1 + matr2                           # 矩阵加法
matr4 = matr1 - matr2                           # 矩阵减法
matr5 = matr1 * matr2                           # 矩阵相乘（乘法）
matrB = np.multiply(matr1, matr2)       # 矩阵对应元素相乘
matr6 = matr1.T                                     # 矩阵的转置
matr8 = matr1.H                                     # 矩阵的共轭转置
matr9 = matr1.I                                     # 矩阵的逆

运行结果：
在这里插入图片描述

例题10-4：数组、矩阵之间的线性代数运算

代码如下：

import numpy as np


x = np.array([[1, 2, 3], [0, 1, -1], [1, 0, 0]])  # x 为二维数组：形状为 (3,3)
print(np.linalg.det(x))                                # x 对应矩阵的行列式，输出：-5
y = np.linalg.inv(x)               # x 对应矩阵的逆(AB=BA=E)，此时的 y 为二维数组：形状为 (3,3)
a = np.dot(x, y)                      # 数组 x 与 y 做点积运算，等价于两个矩阵相乘
b = np.mat(x)*np.mat(y)  # 将数组 x 与 y 转为矩阵，再做矩阵乘法，等价于 np.dot(x,y)
c = x * y                              # 数组x与y相乘，即两个数组对应元素相乘，注意：不同于np.dot(x,y)
print(a == b)                          # 完全相同，全为True
d = np.linalg.eigvals(x)       # x 对应矩阵的特征值，返回的 d 为列表
# [-1.51154714+0.j  1.75577357+0.47447678j  1.75577357-0.47447678j ]
print(d)
e = np.linalg.eig(x)  # x 对应矩阵的特征值及特征向量，返回的 e 为元组
print(e[0], e[1])  # e[0]为 x 的特征值，e[1]为 x 的特征向量

运行结果：
在这里插入图片描述

四、NumPy读写文件：

保存一个数组

代码如下：

import numpy as np


arr = np.array([[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6]])
# np.save()只能保存一个数组
print(arr)
np.save("save_arr", arr)                          # 保存时，默认后缀名为npy
load_arr = np.load("save_arr.npy")       # 打开时，必须有后缀名 (若没写路径，默认为当前路径下)
print(load_arr)                                          # 返回的是 'numpy.ndarray'

运行结果：
在这里插入图片描述

保存多个数组

代码如下：

import numpy as np


# 将0-19共20个数，生成一个三维数组：（2,2,5）
x = np.array(range(20)).reshape((2, 2, 5))
y = np.array(range(10, 34)).reshape(2, 3, 4)
# 将10-33共24个数，生成一个三维数组：（2,3,4）
print('x:\n', x)
print('y:\n', y)
filename = 'c:\\qun1\\test\\test.npz'
# 写文件，如果不指定key，那么默认key为'arr_0'、'arr_1'，一直排下去。
np.savez(filename, x, key_y=y)          # 数组x没有指定键名，访问时用arr_0，数组y指定了键名
c = np.load(filename)                   # 读文件 ： 多个数组，通过键名访问
print('keys of NpzFile c:\n', c.keys())
print("c['arr_0']:\n", c['arr_0'])
print("c['key_y']:\n", c['key_y'])

运行结果：
在这里插入图片描述

例题10-5：编写程序，读取数据，保存在文件.csv中。

代码如下：

# 编写程序，将这3个列数据，及对应的年份读取出来，保存在文件“历年总人口、新生人口和死亡人口.csv”中。
import numpy as np
import xlrd


wb = xlrd.open_workbook("历年总人口.xls")
sheet = wb.sheet_by_index(0)                      # 通过索引号0获取整个sheet数据
col_0 = sheet.col_values(0)                           # 第0列数据，返回一个列表：年度
col_1 = sheet.col_values(1)                           # 第1列数据，返回一个列表：总人口
# 年份：从第1个元素开始，到最后一个元素
year = col_0[1:]
# 总人口：从第1个元素开始，到最后一个元素
total = col_1[1:]
year = [int(c) for c in year]                           # 用列表推导式，把每个元素转为整数
total = [int(c) for c in total]                         # 用列表推导式，把每个元素转为整数

wb = xlrd.open_workbook("历年新生人口和死亡人口.xls")
sheet = wb.sheet_by_index(0)                  # 通过索引号0获取整个sheet数据
col_1 = sheet.col_values(1)                   # 通过列索引号1获取列内容：出生人口
col_2 = sheet.col_values(2)                   # 通过列索引号2获取列内容：死亡人口
add = col_1[1:]                               # 出生人口：从第1个元素开始，到最后一个元素
die = col_2[1:]                               # 死亡人口：从第1个元素开始，到最后一个元素
add = [int(c[0:-1]) for c in add]             # 用列表推导式，把最后一个‘万’字去掉
die = [int(c[0:-1]) for c in die]             # 用列表推导式，把最后一个‘万’字去掉
y = np.array(add)-np.array(die)               # 将两个列表变成数组相减，生成每年净增人口
m = len(year)

arr = np.array(year).reshape(m, 1)            # 将年份的列表转为数组，形状调整为：（m，1）
arr = np.insert(arr, 1, values=total, axis=1)           # 在第1列后面插入1列
arr = np.insert(arr, 2, values=add, axis=1)             # 在第2列后面插入1列
arr = np.insert(arr, 3, values=die, axis=1)             # 在第3列后面插入1列
arr = np.insert(arr, 4, values=y, axis=1)               # 在第4列后面插入1列

file = 'c:\\qun1\\test\\大陆历年总人口、新生人口和死亡人口.csv'
np.savetxt(file, arr, fmt='%i', delimiter=',',
           comments='', header='年份,总人口,出生人口,死亡人口,净增人口')
x = np.loadtxt(file, dtype=np.int, delimiter=',', skiprows=1)
print(x)

运行结果：
在这里插入图片描述
在这里插入图片描述

例题10-6：读.txt文件

代码如下：

import numpy as np


f = np.loadtxt('testSet.txt')                              # 打开文本文件
print("返回的二维数组f的形状：", np.shape(f))
print(f)

运行结果：
在这里插入图片描述

总结

通过本次练习学会了对数组、矩阵进行操作，并通过loadtxt读取和保存csv文件

清兮.
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python数据分析25-32
Han_python的博客
06-27 286
np.random模块 np.random.seed 生成随机数时候的种子 np.random,rand()产生一个0-1之间的随机数 np.random.rand(2,3)生成一个两行三列的0-1之间的随机数数组 np.random.randn()生成均值为0，标准差为1的标准正态分布 np.random.randint(1,20,size=(3,4))随机整数 np.random.choice([2,3,1,4],2) 从一个列表或者数组中随机采样，采样个数可以通过参数指定 np.random.sh
Python Numpy库常见用法入门教程
09-18
主要介绍了Python Numpy库常见用法,结合实例形式详细Fenix了Python numpy库基本功能、原理以及数组常见操作技巧,需要的朋友可以参考下
浅谈numpy库的常用基本操作方法
09-20
下面小编就为大家分享一篇浅谈numpy库的常用基本操作方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
第十一章 Numpy库（jupyter版 人工智能编程基础）
最新发布
05-13
第十一章 Numpy库（jupyter版 人工智能编程基础）
Python强大的库和框架——NumPy
SmiledrinkCat的博客
03-16 350
NumPy（Numerical Python）是一个用于科学计算的强大库，提供了支持大型、多维数组和矩阵的数据结构，以及用于处理这些数组的大量数学函数。
Python NumPy库安装使用笔记
09-22
主要介绍了Python NumPy库安装使用笔记,本文讲解了NumPy的安装和基础使用,并对每一句代码都做了详细解释,需要的朋友可以参考下
numpy库
12-21
numpy库的使用 创建数组 x1 = np.array([1, 2, 3], dtype="int8") print(x1) print(x1.dtype) # 数据类型 x2 = np.array(range(1, 10), dtype="int8") print(x2) print(x2.dtype) x3 = np.arange(1, 10, 2, dtype="int8") print(x3) print(x3.dtype) 数据类型 x3 = np.arange(1, 10, 2, dtype="int8") print(x3) print(x3.dtype) # 改变数据类
数据分析基础之Numpy库
qq_27924553的博客
09-27 2577
1、numpy库介绍 1.1、Numpy库概述 主要用于对多维数组执行计算，是一个非常高效的用于处理数值运算的包 特点 1、numpy底层内置了并行运算功能,当系统有多个核心时,做某种计算时,numpy会自动做并行计算 2、Numpy底层使用C语言编写，内部解除了GIL(全局解释器锁)，对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。 3、有一个强大的N维数组对象Array（一种类似列表的东西） 4、使用的线性代数、傅里叶变换和随机生成函数 1.2、numpy数组和Py
Numpy库
热门推荐
qq_46458188的博客
01-10 1万+
数据CSV文件存取（一维/二维） CSV (Comma‐Separated Value, 逗号分隔值)，是一种常见的文件格式，用来存储批量数据 存 %d：整数；%1f：一位小数的浮点数类型； 取 CSV文件的局限性： 只能有效存储一维和二维数组，np.savetxt()和np.loadtxt()只能有效存储一维和二维数组。 多维数据的存取 二进制空间 ...
NUMPY矩阵
weixin_37721058的博客
07-01 67
https://blog.csdn.net/xtingjie/article/details/72510834 numpy ， 增加维度
numpy随机数模块介绍
- 青崖 -
08-31 824
目录1：随机数模块1.1：random.random(size)方法演示运行效果1.2：random.randint(start,end,size)方法演示运行效果1.3：random.randn(size)方法演示运行效果1.4：random.normal(loc,scale,size)方法演示运行效果1.5：random.seed(1)方法演示运行效果1.6：random.shuffle(a)方法演示运行效果1.7：random.permutation(a)方法演示运行效果1.8：random.choi
数据归一化
koukou的博客
07-25 1106
数据归一化就是使数据的均值变为０，方差变为１ 第一步，将数据的均值变为０ 第二步，将数据的方差变为１ 在均值为０的基础上将数据的方差变为１
定长顺序表--合并操作
秦怀杂货店
11-04 930
代码如下： #include #include using namespace std; class SeqList { private: int *list; int maxsize; int size; public: SeqList(int n, int *p); ~SeqList(); void add(SeqList &a); }; SeqList::SeqList
python3基础学习与巩固（2） 运算符
soderayer的博客
04-23 505
运算符是用于对各类变量及值进行各种操作。 这里就按照W3school里面的（Python运算符）顺序和表格加强学习和巩固以下吧 运算符类型 算术运算符 赋值运算符 比较运算符 逻辑运算符 身份运算符 成员运算符 位运算符 一、Python算数运算符 1.算数运算符有哪些？ 算术运算符与数值一起使用来执行常见的数学运算 运算符 名称 表达式 示例（x=2,y=3,z=0) + 加 x + y z=x+y; 结果5 - 减 x..
科学计算numpy库——基础入门
swpucwf的博客
02-29 166
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。 # NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合...
Python中的numpy库
meini32的博客
08-02 1263
这里的np是我们在使用库时起的别名。

“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