AI中必不可少的工具库numpy

最新推荐文章于 2024-04-24 13:35:29 发布

XXXXiaojie

最新推荐文章于 2024-04-24 13:35:29 发布

阅读量422

点赞数 3

分类专栏： python 文章标签： python numpy 机器学习人工智能数据分析

本文链接：https://blog.csdn.net/xiao_jie123/article/details/105430581

版权

python 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

numpy的简介
numpy是python中科学计算的基础包。他是一个python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅里叶变换、基本线性代数、基本统计运算和随机模拟等
numpy和pandas的安装
pip install numpy

numpy

导包
import numpy as np

numpy的属性
代码

import numpy as np

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

print(array)  #打印矩阵
print('number of dim',array.ndim)  #输出矩阵的维度
print('shape:',array.shape)  #输出矩阵的形状
print('size:',array.size)   #输出矩阵中的元素个数

输出

 [[1 2 3]
 [2 3 4]]
 number of dim 2
 shape: (2, 3)
 size: 6

numpy的创建
代码

import numpy as np

a = np.array([2,3,4],dtype=np.float32) #创建一维向量  #dtype的类型可以有 np.float32 np.float np.int32 np.int
b = np.array([[1,2,3],
             [2,3,4]])  #创建二维向量
c = np.zeros((3,4))  #创建三行四列全为0的矩阵
d = np.ones((3,4))  #创建三行四列全为1的矩阵
e = np.empty((3,4))  #创建三行四列值接近0的矩阵
f = np.arange(10,20,2)  #创建起始值为10，终止值为20(但不包括20)，步长为2的向量
g = np.arange(12).reshape(3,4)  #创建一个数位为12位的三行四列的矩阵
h = np.linspace(1,10,5)  #创建一个起始值为1，中止值为10的，5段的数列
print(a)
print(b)
print(c)
print(d)
print(e)
print(f)
print(g)
print(h)

输出

 [2. 3. 4.]
 [[1 2 3]
 [2 3 4]]
 [[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
 [[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]
 [[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]
 [10 12 14 16 18]
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
 [ 1.    3.25  5.5   7.75 10.  ]

numpy基本运算
代码：

import numpy as np

a = np.array([10,20,30,40])
b = np.arange(4)

c = a + b  #加
print(c)
c = a - b  #减
print(c)
c = b**2   #幂运算
print(c)
c = 10*np.sin(a)  #三角函数 sin() cos() tan()  反三角函数 arcsin() arccos() arctan()
print(c)
print(b<3)  #判断b中的每一个元素是否小于3

a = np.array([[1,1],
              [0,1]])
b = np.arange(4).reshape((2,2))
c = a * b  #矩阵中的每一个元素相乘
c_dot = np.dot(a,b)  #矩阵相乘   另一种形式  c_dot = a.dot(b)
print(c)
print(c_dot)

a = np.random.random((2,4))  #生成一个2行4列的随机数字
print(a)
print(np.sum(a,axis = 0))  #进行求和  axis = 0表示的是对列进行操作   axis = 1表示的是对行进行操作
print(np.min(a))  #求最小值
print(np.max(a))  #求最大值

A = np.arange(2,14).reshape((3,4))
print(A)
print(np.argmin(A))  #求最小值的索引
print(np.argmax(A))  #求最大值的索引
print(np.mean(A))  #求平均值
print(np.average(A))  #求平均值
print(np.median(A))  #求中位数
print(np.cumsum(A))  #逐步的累加
print(np.diff(A))  #求相邻两个数的差
print(np.nonzero(A))  #输出值不为0的两个数组内容分别为行和列  
print(np.sort(A))  #进行逐行排序
print(np.transpose(A))  #进行矩阵的转置
print(np.clip(A,5,9))  #将数值小于5的置为5，大于9的置为9，中间值不管

输出：

 [10 21 32 43]
 [10 19 28 37]
 [0 1 4 9]
 [-5.44021111  9.12945251 -9.88031624  7.4511316 ]
 [ True  True  True False]
 [[0 1]
 [0 3]]
 [[2 4]
 [2 3]]
 [[0.14637532 0.77514504 0.40537369 0.58750185]
 [0.17383035 0.83159482 0.18020054 0.99902121]]
 [0.32020567 1.60673986 0.58557422 1.58652306]
 0.14637532169737644
 0.9990212129900695
 [[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
 0
 11
 7.5
 7.5
 7.5
 [ 2  5  9 14 20 27 35 44 54 65 77 90]
 [[1 1 1]
 [1 1 1]
 [1 1 1]]
 (array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))
 [[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
 [[ 2  6 10]
 [ 3  7 11]
 [ 4  8 12]
 [ 5  9 13]]
 [[5 5 5 5]
 [6 7 8 9]
 [9 9 9 9]]

numpy索引
代码：

import numpy as np

A = np.arange(3,15)
print(A[3])  #输出第4个数字
A = np.arange(3,15).reshape((3,4))
print(A[2])  #输出第三行  print(A[2,:])
print(A[1][1])  #输出第二行第二列的数值  print(A[1,1])
print(A[:,1])  #返回第一列的所有数
print(A[1,1:3])  #返回第一行 第一到第三列的数值
for row in A:
    print(row)  #迭代行
for column in A.T:
    print(column)  #迭代列
print(A.flatten())  #将A转换成一维的数组
for item in A.flat:
    print(item)  #迭代每一个项

输出：

 6
 [11 12 13 14]
 8
 [ 4  8 12]
 [8 9]
 [3 4 5 6]
 [ 7  8  9 10]
 [11 12 13 14]
 [ 3  7 11]
 [ 4  8 12]
 [ 5  9 13]
 [ 6 10 14]
 [ 3  4  5  6  7  8  9 10 11 12 13 14]
 3
 4
 5
 6
 7
 8
 9
 10
 11
 12
 13
 14

numpy中array的合并和分割

合并
代码：

import numpy as np

A = np.array([1,1,1])
B = np.array([2,2,2])
C = np.vstack((A,B))  #将A和B进行垂直合并
D = np.hstack((A,B))  #将A和B进行水平合并
print(C)
print(D)

输出：

 [[1 1 1]
  [2 2 2]]
 [1 1 1 2 2 2]

分割
代码：

import numpy as np

A = np.arange(12).reshape(3,4)
print(A)
print(np.split(A,2,axis=1))  #将A按列分成两块  第一个参数表示数组，第二个参数表示分割的块数，第三个参数是维度 这个函数智能进行均等分块 不能进行不均等分块
print(np.split(A,3,axis=0))
print(np.array_split(A,3,axis=1))  #将A按列进行不等量的分割
print(np.vsplit(A,3))  #将A进行纵向分割成3块
print(np.hsplit(A,2))  #将A进行横向分割成2块

输出：

 [[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]
 [array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]
 [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
 [array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2],
        [ 6],
        [10]]), array([[ 3],
        [ 7],
        [11]])]
 [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
 [array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]

copy和deep copy
代码：

import numpy as np

#copy  a、b、c、d都只指向同一个内容
a = np.arange(4)
b = a
c = a
d = b
a[0] = 11
print(a)
print(b)
print(c)
print(d)
#deep copy  a、b分别指向不同的内容
a = np.arange(4)
b = a.copy()
a[0:3] = [11,22,33]
print(a)
print(b)

输出：

 [11  1  2  3]
 [11  1  2  3]
 [11  1  2  3]
 [11  1  2  3]
 [11 22 33  3]
 [0 1 2 3]

下面的是笔者的微信公众号，欢迎关注，会持续更新c++、python、tensorflow、机器学习、深度学习、计算机视觉等系列文章。
在这里插入图片描述
如果你对JAVA方面感兴趣，可以关注下面JAVAERS公众号，陪你一起学习，一起成长，一起分享JAVA路上的诗和远方。在公众号里面都是JAVA这个世界的朋友，公众号每天会有技术类文章，面经干货，也有进阶架构的电子书籍，如Spring实战、SpringBoot实战、高性能MySQL、深入理解JVM、RabbitMQ实战、Redis设计与实现等等一些高质量书籍，关注公众号即可领取哦。
在这里插入图片描述

XXXXiaojie

关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
3
评论
AI中必不可少的工具库numpy

numpy和pandas的简介numpy是python中科学计算的基础包。他是一个python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅里叶变换、基本线性代数、基本统计运算和随机模拟等pandas是基于numpy的一种工具，他是为了解决数据分析任务而创建的。pandas引入了大量库和一些...
复制链接

扫一扫