python——numpy库操作，快速入门笔记(全)

已于 2023-02-06 17:52:20 修改
阅读量884 收藏 4
点赞数 4
分类专栏： 数据分析 文章标签： numpy python 数据分析 pandas anaconda
于 2023-02-06 12:06:54 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_63676550/article/details/128899288
版权

文章目录

第二章numpy

2.1——numpy介绍

相比列表来说，具有更高效的数据运算方式，主要就是产生一个numpy数组，对着个numpy数组进行一系列的操作

2.1.1——numpy基础定义

  • 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

产生一个numpy数组，用np.array()

import numpy as np
score=np.array([[80,89,93],[99,100,97],[100,91,89]])
print(score)

>>>

[[ 80 89 93]

[ 99 100 97]

[100 91 89]]

2.1.2.numpy创建方式：

  • ANumpy.array(列表嵌套，dtype=”数据类型”)
score=np.array([[80,89,93],[99,100,97],[100,91,89]])

2.2——Numpy的数学运算/基础使用

2.2.1——数据运算

数据相加（直接将numpy数组相加）

import numpy as np
a=np.array([1,2,3,4])
b=np.array([2,5,7,9])
print(a+b)

>>> [ 3 ,7, 10, 13]

数据相乘（直接将numpy数组相乘，对应位置相乘）

import numpy as np
l=np.array([0,1,2,3])
m=np.array([1,5,6,7])
print(l*m)

>>>[0,5,12,21]

2.2.2——产生数组/数组中的操作

1. 从列表产生数组
l=[0,1,2,3]

a=np.array(l)

print(a)

>>>[0 1 2 3]

2. 从列表传入
a=np.array([1,2,3,4])

print(a)

>>>[0,1,2,3]

3. 生成全0的数组：（np.zeros(n)）
np.zeros(5)

>>>[0. 0. 0. 0. 0.]#这里全都是以浮点数形式呈现
4 .生成全是1的数组：(np.ones())
import numpy as np

#dtype参数可以用来设置数据类型

a=np.ones(5,dtype='bool')

print(a)

>>>[ True True True True True]

5. 使用fill方法将数组设为指定值（np.fill(指定数字)）
import numpy as np

#dtype参数可以用来设置数据类型

a=np.ones(5,dtype='bool');

a.fill(False)

b=np.ones(5,dtype='int')

b.fill(8)

print(f'{a}\n{b}')

>>>

[False False False False False]

[8 8 8 8 8]
  • Fill中写的数据必须与上面列表中的数据类型一致

若不一致：如下

b=np.ones(5,dtype='int') 			
b.fill(2.5) 			
print(f'{a}\n{b}')

>>>[2 2 2 2 2] 自动取整

6. 强制转换数组数据类型:
a=a.astype(‘float’) 			
a.fii(a) 		
print(a)

>>> [2.5 2.5 2.5 2.5 2.5] 这样就不会取整了

7. 生成整数数列：

Np.arange(min，max，步长)

import numpy as np						
a=np.arange(1,10,2)#左闭右开，第三个参数是步长			
print(f'{a}\n')

>>> [1 3 5 7 9]

8. 生成等差数列：

np.linspace()

  • 第一个参数：起始值；

  • 第二个参数：末尾值；

  • 第三个参数：数列元素总数

  • 该数列为左闭右闭的

import numpy as np						
a=np.linspace(2,10,5)#左闭右开，第三个参数是步长			
print(f'{a}\n')

>>> [ 2. 4. 6. 8. 10.] (default as float)

9. 生成随机数：

np.rand(begin，stop，step)

import numpy as np					
a=np.random.rand(10)#左闭右开，第三个参数是步长		
print(f'{a}\n')

>>> [0.91932804 0.09148843 0.33195572 0.53666308 0.84589437
0.03116192

0.59439441 0.71651447 0.23198908 0.40219744]

生成0到1之间的10个浮点数——np.randn()

import numpy as np 					
a=np.random.randn(10)#左闭右开，第三个参数是步长 				
print(f'{a}\n')

>>>

[ 2.36241182 -1.94827648 -0.38120604 2.1457075 -0.47019724 1.10687691

0.38223196 1.01900408 0.95301641 -0.48533215]

生成0到1的十个随机浮点数，但是是按照正态分布的——np.randint()

import numpy as np 			
a=np.random.randint(1,10,10)#左闭右开，第三个参数是随机数个数
print(f'{a}\n')

>>> [2 1 7 1 8 8 7 2 4 9]

10. numpy生成随机矩阵

①数值在0-1之间

np.random.randome(m,n) #生成一个m*n的矩阵

②数值为整数

np.random.randint(min,max,size=(m,n))

生成一个数值在min~max之间的m*n的矩阵，max是取不到的，min可以取到

2.3——数组属性

2.3.1——查看数组类型

import numpy as np 			
a=np.array([8,22,3,1]) 			
print(type(a))

>>> <class ‘numpy.ndarray’>

2.3.2——查看数组中的数据类型

import numpy as np
a=np.array([8,22,3,1])
print(a.dtype)

>>> int32

2.3.3——查看数组形状

① a.shape 查看形状，会返回一个元组
import numpy as np
a=np.array([[8,22,3,1],[3,1,2,9]])
print(a.shape)

>>> (2, 4) 两行四列

② np.size(a) 查看a数组中的元素个数
import numpy as np
a=np.array([[8,22,3,1],[3,1,2,9],[5,6,7,8]])
print(np.size(a))

>>> 12

③ a.ndim 查看数组维度
import numpy as np
a=np.array([[8,22,3,1],[3,1,2,9],[5,6,7,8]])
print(a.ndim)

>>>2

2.4——索引与切片

2.4.1——常规索引

  • 与python列表的索引用法一致

  • 每一维度都支持切片的规则，注意这个切片操作是从一维上去进行的，如果是多维，那么每个维度之间用逗号隔开，且每个维度都是如下的切片操作，步长可以省略，默认为1

[lower：upper：step]

2.4.2——多维数组索引

A[行索引，列索引]

  • 可以使用单个索引来索引一整行内容
A[0,3:5]  #得到第一行的第四和第五两个元素
  • 得到第三列：（行索引不填，即为要得到一整列的内容）

本质：行索引为[不填：不填]所以行索引和列索引之间要加一个逗号。a[:,2]

2.4.3——切片的引用机制

2.4.3.1——切片引用机制
  • Numpy数组的切片引用机制，用一个变量以切片取出另一个numpy数组变量中的值，则用改变前者的同时也会改变后者
import numpy as np
a=np.array([0,1,2,3,4])
b=a[2:4]
print(b)
b[0]=10
print(a)

  • 引用机制意味着，python并没有为b分配新的空间来储存它的值，而是让b指向了a所分配的内存空间，因此，改变b会改变a的值。

  • b指向[2,3]，所以后期改变的也是这个位置

2.4.3.2——如何避免切片机制
  • 使用copy方法这样改变b的同时不会改变a
import numpy as np
a=np.array([0,1,2,3,4])
b=a[2:4].copy()
print(b)
b[0]=10
print(a)

>>>[2 3]

[0 1 2 3 4]

2.4.4——花式索引

2.4.4.1——花式索引需要指定索引位置
import numpy as np
a=np.array([0,1,2,3,4])
index=[0,3]//第一行的第4列
print(a[index])

>>>[0 3]

2.4.4.2——使用布尔数组来花式索引：
mask=np.array([0,1,1,0,2],dtype='bool')
print(mask)

Mask必须是布尔数组，长度必须和数组长度相等。

​ print(a[mask])

>>>[1 2 4] 布尔花式索引与上面的数组对应，取出为True的元素

2.4.4.3——二维花式索引
  • 需要给定行和列的值，索引分别用括号包含每一维度的位置，中间用逗号隔开
  1. 返回对角线数据
import numpy as np
b=np.random.rand(5,5)
print(b[(0,1,2,3,4),(0,1,2,3,4)])

>>>[0.33667912 0.57474909 0.15822414 0.58057992 0.04927936]

可见取出了对角线的数据

  1. 返回最后三行的第1，3，5列
import numpy as np
b=np.random.rand(5,5)
print(b)
print(f'取出数据为：\n{b[3:,[0,2,4]]}')

>>>

[[0.24637232 0.02090892 0.47057795 0.17539054 0.68465151]

[0.77696115 0.22541052 0.96777386 0.61846717 0.85367903]

[0.38041631 0.97900975 0.93722615 0.59153615 0.39870354]

[0.43944809 0.61795432 0.99711014 0.16310237 0.67411796]

[0.63311709 0.8688676 0.94573147 0.41703868 0.23195399]]

取出数据为：

[[0.43944809 0.99711014 0.67411796]

[0.63311709 0.94573147 0.23195399]]

外面[]，[]里面()或者[]都可以，不会报错

2.4.4.4——不完全索引
  • 只给定行索引的时候，返回整行：
import numpy as np
b=np.random.rand(5,5)
print(b)
print(f'取出第四行到最后一行数据为：\n{b[3:]}')

>>>取出第四行到最后一行数据为：

[[0.78723266 0.2606867 0.31336913 0.43824877 0.23370714]

[0.26809932 0.37805853 0.87038233 0.8518646 0.55466361]]

2.5——Where 语句

  1. 查找符合条件的数组中的元素的
  2. Where(array)

Where函数会返回所有非零元素的索引

2.5.1——判断数组中元素的大小与否

a=np.random.randint(1,5,5)
print(a)
b=np.where(a>3)
print(b)

>>>[2 4 1 4 4]

(array([1, 3, 4], dtype=int64),)

  • Where返回的是一个元组，返回的是索引位置，索引[1,3,4]大于3的数

2.6——数组类型

2.6.1——基本数组类型

基本类型可用Numpy类型备注
布尔型bool占1个字节
整型int8，int16，int32，int64，int128，intint跟C语言中的unsigned long一样大
无符号整型float16，float32，float64，float，longfloatuint 跟C语言中的unsigned long一样大
浮点数float16，float32，float64，float，longfloat默认为双精度float64，longfloat精度大小与系统有关
复数complex64，complex128，complex，longcomplex默认为complex128，即实部虚部都为双精度
字符串string，unicode可以使用dtype表示一个4字节字符串的数组
对象Object数组中可以使用任意值
时间datatime64，timedelta64

2.6.2——类型转换

2.6.2.1——使用dtype
a=np.array([1，5，-3]，dtype=float)
2.6.2.2——使用asarray函数
  • 具有赋值功能
a=np.array([1,2,3])
np.asarray(a,dtype=float)

>>>array([1.，2.，3.])

2.6.2.3——使用astype函数
  • Astype方法会返回一个新数组，所以并不会改变a的值，意思就是不具备赋值功能
a=np.array([1,2,3])
a.astype(float)
#>>>array([1.，2.，3.])

2.7——数组操作

2.7.1——数组排序

  • sort函数，默认按照从小到大顺序排列，返回数组排序的副本
b=[956,456,789]
b=np.sort(b)
print(b)

>>>[456 789 956]

补充

  • 按行排列：np.sort(b，axis=1) 返回的每行数组中元素都已经从小到大排序过了

2.7.2——argsort函数

  1. 返回从小到大排列在数组中索引的位置
b=[956,456,789]
b=np.argsort(b)
print(b)

>>>[1 2 0]

补充

  • argsort函数使得numpy数组按照行排列或列排序

Np.argsort(数组[行索引,列索引])

举例：

  • 按第一行排列：
Np.argsort(b[0，：])
  • 按第一列排列：
Np.argsort(b[：，0])

2.7.3——求和

np.sum(数组名)

b=[956,456,789]
b=np.sum(b)
print(f'结果是{b}')

>>>结果是2201

2.7.4——最大值

np.max(数组名)

b=[956,456,789]
b=np.max(b)
print(f'结果是{b}')

>>>结果是956

2.7.5——最小值

2.7.6——均值

np.mean()

b=[956,456,789]
b=np.mean(b)
print(f'结果是{b}')

>>>结果是733.6666666666666

还可以写成 b.mean()

2.7.7——标准差

np.std()

b=[956,456,789]
b=np.std(b)
print(f'结果是{b}')

>>>结果是207.84021640566957

2.7.8——相关系数矩阵

a=np.array([546,888,777])
b=np.array([956,456,789])
corr_coef=np.corrcoef(a,b)
print(f'相关系数矩阵是：\n{corr_coef}')

>>>相关系数矩阵是：

[[ 1. -0.92519115]

[-0.92519115 1. ]]

Cov是协方差

2.7.9——shape方法

2.7.9.1——shape
import numpy as np
a=np.arange(6)//默认步长为1
print(a)
a.shape=2,3
print(a)

>>>[0 1 2 3 4 5]

[[0 1 2]

[3 4 5]]

  • 与之对应的是reshape，但他不会修改原来数组的值，而是返回一个新的数组
  • Shape可以用来转置矩阵
2.7.9.2——reshape()

np.reshape(m，n)

  • 将数组转换成m行n列

eg: a.reshape

reshape(m，-1)

将数组转换成m行的形式，加上-1意思为，列由计算机自行计算

  • 注意，不仅仅是二维的，n维的都可以。

2.7.10——转置矩阵

a.T
a.transpose()
  • 这两种方法都可以用来转置矩阵，但是都不具备赋值的功能，而是返回一个新的数组

2.7.11——数组连接

  • 将不同的数组按照一定的顺序连接起来
2.7.11.1——concatenate

Concatenate(（a0，a1,…aN），axis=0)

  • 0是按行拼接，1是按列拼接，默认为0
import numpy as np
a=np.arange(6)
a.shape=2,3
b=np.array([[2,5,7],[5,8,9]])
z=np.concatenate((a,b),axis=0)
print(f'a为\n{a}\nb为\n{b}\n拼接后的矩阵为{z}\n')

>>>

a为

[[0 1 2]

[3 4 5]]

b为

[[2 5 7]

[5 8 9]]

拼接后的矩阵为[[0 1 2]

[3 4 5]

[2 5 7]

[5 8 9]]

2.7.11.2——其他拼接函数
  1. vstack 纵向拼接
  2. hstack 横向拼接
  3. datack 三维拼接

2.8——numpy内置函数

abs绝对值
exp（a）e的a次方
median求平均数
cumsum求累计和（返回一个矩阵，每个元素累积到这为止的一个累计和）

2.9 numpy矩阵操作

2.9.1 两个数组的矩阵乘积，matmul（）函数。

np.matmul(arr1，arr2)
耶耶LCY
关注
  • 4
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
Python数据分析入门--Numpy基础学习笔记
m0_55202222的博客
12-25 611
以上就是笔记的内容，本文简单介绍了NumPy的基础使用，而NumPy提供了大量能使我们快速便捷地处理数据的函数和方法，继续学习一下Numpy进阶
numpy点滴
李树花开，风中摇曳
12-31 608
numpy点滴这篇博文会陆陆续续更新的,因为numpy这个东西,还是熟一点的话,会更加得心应手.约定后面的东西中,都已经假设我们做了如下的导入:import numpy as np1. 构建一个对称矩阵其实并没有很好的办法,但是我们可以通过几个命令的组合来构建一个对角矩阵,举个栗子,假设我们有这样一个矩阵:In [88]: a = np.arange(9).reshape((3, 3))In [89
Python学习笔记——NumPy
小橙子的博客
02-23 363
①概念向量数据是指存储一系列同类数据的有序数据结构。②分类python中的列表和元组可以用来存储向量数据。分为 一维列表，二维列表，三(多)维列表。③向量数据结构的理解。
Python--Numpy学习笔记
weixin_43238102的博客
01-09 622
简单全面易懂的numpy教程
Python学习笔记（十六）——Numpy
weixin_60535956的博客
11-14 4485
详细解释Numpy数据库，为广大读者启蒙数据分析！
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...
Python Analysis —— Numpy 和 Pandas 实际应用.html
06-09
Python Analysis —— Numpy 和 Pandas 实际应用
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
Python学习笔记——Numpy数组的排序和搜索
12-21
函数说明 sort函数 sort函数能将数组中的数据从小到大进行排序 argsort函数 argsort函数会从小到大返回对应元素的索引值 一维数组 先构建一个一维数组 a（元素随机输入） 用sort函数进行排序，默认升序 ...
Python Numpy库安装与基本操作示例
09-19
Python Numpy库是数据分析、科学计算领域不可或缺的工具，它为Python提供了高效的多维数组对象，以及大量的数学函数来操作这些数组。Numpy的核心数据结构是`ndarray`，一个可以容纳同类型元素的多维数组。这个库的...
numpy学习笔记
WentianGodlike的博客
04-15 356
Numpy是Numerical Python的简称，它是Python数值计算中最重要的基础包。大多数的计算包都提供基于NumPython的科学函数功能，把NumPy的数组对象作为数据交换的通用语。NumPy主要包括：1.nd.array这一种高效的数组结构，提供了多种基于数组的便捷操作。2.能够对所有的数据进行快速的矩阵计算而无需使用python的循环结构。3.对硬盘的数组数据进行读写的工具，并对内存映射文件进行操作。4.线性代数、随机数生成以及傅里叶变换功能。
Numpy 中clip函数的使用
热门推荐
qq1483661204的博客
10-02 14万+
Numpy 中clip函数的使用numpy.clip(a, a_min, a_max, out=None)[source]其中a是一个数组，后面两个参数分别表示最小和最大值，怎么用呢，老规矩，我们看代码：import numpy as np x=np.array([1,2,3,5,6,7,8,9]) np.clip(x,3,8) Out[88]: array([3, 3, 3, 5, 6, 7, 8
【Numpy】解决：关于 dtype=object 的含义及坑点
Weng Shihao's blog
08-04 1万+
numpy数组存储为连续的内存块。它们通常有单一的数据类型(例如整数、浮点数或固定长度的字符串)，然后内存中的位被解释为具有该数据类型的值。 创建dtype=object的数组是不同的。数组占用的内存现在充满了存储在内存其他地方的Python对象的指针(很像Python列表实际上只是对象指针的列表，而不是对象本身)。............
一键获取新技能，玩转NumPy数据操作
BigDataDigest的博客
07-03 350
大数据文摘出品 编译：李雷、宁静 NumPy是Python中用于数据分析、机器学习、科学计算的重要软件包。它极大地简化了向量和矩阵的操作及处理。python的不少数据处理软件包依赖于NumPy作为其基础架构的核心部分（例如scikit-learn、SciPy、pandas和tensorflow）。除了数据切片和数据切块的功能之外，掌握numpy也使得开发者在使用各数据处理库调试和处理...
Numpy速通笔记
陆沙的博客
07-06 198
add、subtract、multiply、divide、floor_divide、power、maximum、fmax（取最大值，但是忽略NaN）、minimum、fmin（取最小只，忽略NaN）、mod、copysign（将第二个数组的符号复制给第一个数组）、greater/greater_equal/less/less_equal/equal/not_equal、logical_and、logical_or、logical_xor。多维的时候默认是按行，即1，如果按列用0。
NumPy(三)：numpy基本属性fill/ndim/size演示，numpy数组索引和切片、索引数组、布尔类型索引
weixin_46529778的博客
05-03 1883
numpy基本属性fill/ndim/size补充和演示，numpy数组索引和切片、索引数组、布尔类型索引介绍
python numpy np.full(shape, fill_value, dtype=None, order='C')函数 以指定数值填充指定形状的数组
Dontla的博客
11-08 7697
def full(shape, fill_value, dtype=None, order='C'): """ Return a new array of given shape and type, filled with `fill_value`. 返回具有给定形状和类型的新数组，并填充“ fill_value”。 Parameters --------...
怎么学习python中的numpy库？
weixin_35756637的博客
01-10 47
学习 NumPy 库的一种方法是从官方文档入手。它提供了 NumPy 库的详细介绍，包括安装方法、基本概念、函数以及常见用法等。 此外，还可以尝试查看一些教程或视频，了解 NumPy 库的基本使用方法。例如，可以在网上搜索“NumPy 教程”或“NumPy 视频教程”，找到一些适合自己的资源进行学习。 另外，可以尝试自己动手写一些小程序练习 NumPy 的使用，比如创建数组、计算矩阵乘法、求矩阵的...
Python Numpy库 最快入门教程（最详细最简单）
hanmo22357的博客
10-10 1542
ndarray数组的索引和切片方式与Python中列表的索引和切片操作相同。
Python库——Numpy
最新发布
09-11
Numpy是一个Python库，用于进行科学计算。它提供了一个强大的多维数组对象ndarray，并且包含了许多用于数组计算的函数和方法。通过Numpy，我们可以进行数组的创建、索引和切片操作，还可以进行矩阵运算和使用通用...

“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 1
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

打赏作者

耶耶LCY

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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