Numpy数组与矩阵运算

属性	说明
ndim	返回int。表示数组的维数
shape	返回tuple。表示数组的尺寸，对于n行n列的矩阵，形状为（n，m）
size	返回int。表示数组的元素总数，等于数组形状的乘机
dtype	返回data-type。描述数组中元素的类型
itemsize	返回int。表示数组的每个元素的大小（以字节为单位）

数组创建：

numpy.array(object, dtype=None, copy=True, order='K',subok=False, ndmin=0）

参数名称	说明
object	接收array。表示想要创建的数组。无默认
dtype	接收data-array。表示数组所需的数据类型。如果未给定，则选择保存对象所需的最小类型。默认为None。
ndmin	接收int。指定生成数组应该具有的最小维数。默认为None。

创建数组并查看数组属性：

import numpy as np

#例8.1:创建数组查看属性
import numpy as np  #导入NumPy库

arr1 = np.array([1, 2, 3, 4])  #创建一维数组
print('创建的数组为：', arr1)

arr2 = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])    #创建二维数组
print('创建的数组为：\n', arr2)

#查看数组结构
print('数组维度为：', arr2.shape)

# 查看数组类型
print('数组类型为：', arr2.dtype)

#查看数组元素个数
print('数组元素个数为：', arr2.size)

#查看数组每个元素大小
print('数组每个元素大小为：', arr2.itemsize)

重新设置数组的shape属性

arr2.shape = 4,3 #重新设置 shape
print('重新设置 shape 后的 arr2 为：',arr2)

创建的数组为：

[[ 1 2 3 4]

[ 4 5 6 7]

[ 7 8 9 10]]

数组维度为：（3,4）

重新设置shape维度后的arr2为：

[[ 1 2 3]

[ 4 4 5]

[ 6 7 7]

[ 8 9 10]]

使用arange函数创建数组

print(‘使用arange函数创建的数组为：\n’,np.arange(0,1,0.1))

使用linespace函数创建数组

print(‘使用linespace函数创建的数组为：\n’,np.linespace(0,1,12))

使用logspace函数创建等比数列

print(‘使用logspace函数创建的数组为：\n’,np.logspace(0,5,40))

使用zeros函数创建数组

print(‘使用zeros函数创建的数组为：\n’,np.zeros((2,3)))

使用eye函数创建数组

print(‘使用eye函数创建的数组为：\n’，np.eye(5))

使用diag函数创建数组

print(‘使用diag函数创建的数组为：\n’,np.diag([1,2,3,4]))

使用ones函数创建数组

print(‘使用ones函数创建的数组为：\n’,np.ones((5,3)))

数组数据类型

Numpy基本数据类型与其取值范围
类型	描述
bool	用一位存储的布尔类型（值为TRUE或FALSE）
inti	由所在的平台决定其精度的整数（一般为int32或int64）
int8	整数，范围为-128到127
int16	整数，范围为-32768到32767
int32	整数，范围为-2^31到2^32-1
......	......

数组数据类型转换

#例8.2:数组数据类型转换
import numpy as np  #导入NumPy库

print('转换结果为：', np.float64(42)) #整型转换为浮点型

print('转换结果为：', np.int8(42.0)) #浮点型转换为整型

print('转换结果为：', np.bool(42)) #整型转换为布尔型

print('转换结果为：', np.bool(0)) #整型转换为布尔型

print('转换结果为：', np.float(True)) #布尔型转换为浮点型

print('转换结果为：', np.float(False)) #布尔型转换为浮点型

创建数据类型

do = np.dtype([("name", np.str_, 40), ("numitems", np.int64), ("price",np.float64)]) print('数据类型为：',df)

查看数据类型，可以直接查看或者使用nmpy.dtype函数查看

print('数据类型为：', df["name"]) print('数据类型为：', np.dtype(df["name"]))

在使用array函数创建数组时，数组的数据类型默认是浮点型。自定义数组数据，则可以预先指定数据类型

itemz = np.array([("tomatoes", 42, 4.14), ("cabbages", 13, 1.72)], dtype=df) print('自定义数据为：',itemz)

生成随机数
无约束条件下生成随机数

print('生成的随即数组为：',np.random.random(100))

生成服从均匀分布的随机数

print('生成的随机数组为：\n',np.random.rand(10,5))

生成服从正态分布的随机数

print('生成的随即数组为：\n',np.random.randn(10,5))

生成给定上下范围的随机数，如创建一个最小值不低于2、最大值不高于10的2行5列数组

print('生成的随即数组为：',np.random.randint(2,10,size = [2,5]))

random模块常用随机数生成函数

函数	说明
seed	确定随机数生成器的种子
permutation	返回一个序列的随机排列或返回一个随机排列的范围
shuffle	对一个序列进行随机排序
binomial	产生二项分布的随机数
normal	产生正态（高斯）分布的随机数
beta	产生beta分布的随机数
chisquare	产生卡方分布的随机数
gamma	产生gamma分布的函数
uniform	产生在[0,1]中均匀分布的函数

通过索引访问数组
一维数组的索引

#例8.4:一维数组索引
import numpy as np  #导入NumPy库

arr = np.arange(10)
print(arr)
print('索引结果为：', arr[5]) #用整数作为下标可以获取数组中的某个元素

print('索引结果为：', arr[3:5]) #用范围作为下标获取数组的一个切片，包括arr[3]不包括arr[5]

print('索引结果为：', arr[:5]) #省略开始下标，表示从arr[0]开始

print('索引结果为：', arr[-1]) #下标可以使用负数，-1表示从数组后往前数的第一个元素

arr[2:4] = 100, 101

print('索引结果为：', arr) #下标还可以用来修改元素的值

#范围中的第三个参数表示步长，2表示隔一个元素取一个元素
print('索引结果为：', arr[1:-1:2])

print('索引结果为：', arr[5:1:-2]) #步长为负数时，开始下标必须大于结束下标

多维数组的索引

#例8.5:二维数组索引
import numpy as np  #导入NumPy库

arr = np.array([[1, 2, 3, 4, 5], [4, 5, 6, 7, 8], [7, 8, 9, 10, 11]])
print('创建的二维数组为：', arr)

print('索引结果为：', arr[0, 3:5]) #索引第0行中第3和4列的元素

#索引第2和3行中第3～5列的元素
print('索引结果为：', arr[1:, 2:])

print('索引结果为：', arr[:, 2]) #索引第2列的元素

多维数组的索引（使用整数和布尔值索引访问数据）

#例8.6:二维数组索引2
import numpy as np  #导入NumPy库

arr = np.array([[1, 2, 3, 4, 5], [4, 5, 6, 7, 8], [7, 8, 9, 10, 11]])
#从两个序列的对应位置取出两个整数来组成下标：arr[0,1], arr[1,2], arr[2,3]
print('索引结果为：', arr[[(0,1,2), (1,2,3)]])

print('索引结果为：', arr[1:, (0,2,3)]) #索引第2、3行中第0、2、3列的元素

mask = np.array([1,0,1], dtype=np.bool)
print(mask)
#mask是一个布尔数组，它索引第1、3行中第2列的元素
print('索引结果为：', arr[mask, 2])

变换数组的形态
改变数组形状

#例8.7:变换数组形态
import numpy as np  #导入NumPy库

arr = np.arange(12) #创建一维数组
print('创建的一维数组为：', arr)

print('新的一维数组为：', arr.reshape(3,4)) #设置数组的形状

print('数组维度为：', arr.reshape(3,4).ndim) #查看数组维度
print(arr)

#ravel函数数组展平工作
arr = np.arange(12).reshape(3, 4)
print('创建的二维数组为：\n', arr)

print('数组展平后为：', arr.ravel())

#flatten函数数组展平工作
print('数组展平为：', arr.flatten()) #横向展平

print('数组展平为：', arr.flatten('F')) #纵向展平

使用ravel函数展平数组

使用flatten函数展平数组

组合数组

#例8.8:实现数组组合
import numpy as np
# hstack函数横向组合
arr1 = np.arange(12).reshape(3,4)
print('创建的数组1为：\n',arr1)

arr2 = arr1*3
print('创建的数组2为：\n',arr2)
print('横向组合为：\n',np.hstack((arr1,arr2)))  #hstack函数横向组合

#使用vstack函数实现数组纵向组合
print('纵向组合为：\n',np.vstack((arr1,arr2)))  #vstack函数纵向组合

# 使用concatenate函数实现数组组合
print('横向组合为：\n',np.concatenate((arr1,arr2),axis = 1))  #concatenate函数横向组合
print('纵向组合为：\n',np.concatenate((arr1,arr2),axis = 0))  #concatenate函数纵向组合

# 使用hsplit函数实现数组横向分割
arr = np.arange(16).reshape(4,4)
print('创建的二维数组为：\n',arr)
print('横向分割为：\n',np.hsplit(arr, 2))  #hsplit函数横向分割

# vsplit函数实现数组纵向分割
print('纵向分割为：\n',np.vsplit(arr, 2))  #vsplit函数纵向分割

# split函数分割数组
print('横向分割为：\n',np.split(arr, 2, axis=1))  #split函数横向分割
print('纵向分割为：\n',np.split(arr, 2, axis=0))  #split函数纵向分割

切割数组

创建Numpy矩阵

#例8.9：创建NumPy矩阵
import numpy as np  #导入NumPy库

matr1 = np.mat("1 2 3;4 5 6;7 8 9") #使用分号隔开数据
print('创建的矩阵为：\n', matr1)

matr2 = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print('创建的矩阵为：', matr2)

arr1 = np.eye(3)
print('创建的数组1为：\n', arr1)

arr2 = 3*arr1
print('创建的数组2为：\n', arr2)

print('创建的矩阵为：\n', np.bmat("arr1 arr2; arr1 arr2"))

print('创建的矩阵为：\n', np.bmat("arr1 arr2"))

print('创建的矩阵为：\n', np.bmat("arr1; arr2"))

矩阵的运算

#例8.10：矩阵运算
import numpy as np  #导入NumPy库

matr1 = np.mat("1 2 3;4 5 6;7 8 9")  #创建矩阵
print('创建的矩阵为：', matr1)

matr2 = matr1*3  #矩阵与数相乘
print('创建的矩阵为：', matr2)
print('矩阵相加结果为：', matr1+matr2)  #矩阵相加

print('矩阵相减结果为：', matr1-matr2)  #矩阵相减
print('矩阵相乘结果为：', matr1*matr2)  #矩阵相乘
print('矩阵对应元素相乘结果为：', np.multiply(matr1, matr2))

矩阵的属性

属性	说明
T	返回自身的转置
H	返回自身的共轭转置
I	返回自身的逆矩阵
A	返回自身数据的2维数组的一个视图

ufunc函数

#例8.11：ufunc函数运算
import numpy as np  #导入NumPy库

#四则运算
x = np.array([1,2,3])
y = np.array([4,5,6])
print('数组相加结果为：', x + y)  #数组相加
print('数组相减结果为：', x - y)  #数组相减
print('数组相乘结果为：', x * y)  #数组相乘
print('数组相除结果为：', x / y)  #数组相除
print('数组幂运算结果为：', x ** y)  #数组幂运算

#比较运算
x = np.array([1,3,5])
y = np.array([2,3,4])
print('数组比较结果为：', x < y)
print('数组比较结果为：', x > y)
print('数组比较结果为：', x == y)
print('数组比较结果为：', x >= y)
print('数组比较结果为：', x <= y)
print('数组比较结果为：', x != y)

#逻辑运算
print('数组逻辑运算结果为：', np.all(x == y))  #np.all()表示逻辑and
print('数组逻辑运算结果为：', np.any(x == y))  #np.any()表示逻辑or

一维数组的广播机制

#例8.12：一维数组的广播机制
import numpy as np  #导入NumPy库

arr1 = np.array([[0,0,0],[1,1,1],[2,2,2],[3,3,3]])
print('创建的数组1为：',arr1)
print('数组1的shape为：',arr1.shape)
arr2 = np.array([1,2,3])

print('创建的数组2为：',arr2)
print('数组2的shape为：',arr2.shape)
print('数组相加结果为：',arr1 + arr2)

二维数组的广播机制

#例8.13：二维数组的广播机制
import numpy as np  #导入NumPy库

arr1 = np.array([[0,0,0],[1,1,1],[2,2,2],[3,3,3]])
print('创建的数组1为：',arr1)
print('数组1的shape为：',arr1.shape)

arr2 = np.array([1,2,3,4]).reshape((4,1))
print('创建的数组2为：',arr2)
print('数组2的shape为：',arr2.shape)

print('数组相加结果为：',arr1 + arr2)

问题：
输入：100个点的坐标
处理：计算两个点的距离
输出：距离矩阵

代码演示：

import numpy as np #导入NumPy	
n = 100
dist = np.zeros([n, n])
point = np.random.rand(n,2)
for i in range(n):
    for j in range(n):
        dist[i, j] = np.sqrt(sum((point[i, :] - point[j, :])**2))
print(dist)

以上便是我对numpy数组和矩阵运算的总结，感谢观看，码字不易，如果对你有帮助，点个赞就是给我最大的动力。

洋洋得意呀

关注

9
点赞
踩
39

收藏

觉得还不错? 一键收藏
打赏
0
评论
Numpy数组与矩阵运算

前言：扩展库numpy是Python支持科学计算的一个很重要的库，常用语数据分析和科学计算领域，如sklearn、pandas、scipy等，numpy提供了强大的数组运算能力以及复杂的广播机制。本篇内容将介绍数组与矩阵及其相关运算。基于Numpy的数据分析计算生态系统有：NumPy SciPy Pandas Matplotlib Sckit-image statsmodels scikit-learnCython PyTables Numba SymPy NumExp...
复制链接

扫一扫