Python numpy 的用法

最新推荐文章于 2024-04-15 21:53:33 发布
最新推荐文章于 2024-04-15 21:53:33 发布
阅读量468 收藏 1
点赞数
分类专栏： python
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/youshijian99/article/details/80571979
版权

使用 numpy 打开 .txt 文件 numpy.genfromtxt


import numpy

world_alcohol = numpy.genfromtxt("test.txt", delimiter=",", dtype=str)
print(type(world_alcohol))
print(world_alcohol)
#print(help(numpy.genfromtxt))    # 查看函数说明文档

运行结果

<class 'numpy.ndarray'>
[['qwertyu' 'asdfgh']
 ['asd' 'tyy']]

numpy 矩阵操作    numpy.array 创建的数据必须是统一结构的

# 创建向量
vector = numpy.array([5, 10, 15, 20])
# 创建矩阵
matrix = numpy.array([ [5, 10, 15], [20, 25, 30], [35, 40, 45] ])
print(vector)
print(matrix)


print("-----------------------------------")
# 查看向量或矩阵的维度
print(vector.shape)
print(matrix.shape)


print("-----------------------------------")
# 查看当前是什么格式
vector = numpy.array([5, 10, 15, 20])
print(vector)
# vector.dtype # dtype('int32')
vector = numpy.array([5, 10, 15, 20.0])
print(vector)
vector.dtype
运行结果 
 

 
 
 
  
[ 5 10 15 20]
[[ 5 10 15]
 [20 25 30]
 [35 40 45]]
-----------------------------------
(4,)
(3, 3)
-----------------------------------
[ 5 10 15 20]
[ 5. 10. 15. 20.]
 
 
 

 

 
 
 
  
dtype('float64')
 
 
 

 

读取矩阵样本
 

 

import numpy

# 读取矩阵文本(样本)，并解析，skip_header=1 跳过首行
test = numpy.genfromtxt("test.txt", delimiter=",", dtype=str, skip_header=1)
print(test)

print("-------------------------------")
# 找出第二个样本的 0.5
a = test[1,3]
print(a)

print("-------------------------------")
print(test[0,2]) # 打印第一个样本的第三个列
运行结果 

 

[['2018' ' zhang' ' china' ' 0']
 ['2017' ' wang' ' english' ' 0.5']]
-------------------------------
 0.5
-------------------------------
 china
 

读取矩阵的行列
 

# 读取向量的前三个元素
vector = numpy.array([5,10,15,20])
print(vector[0:3])

print("----------------------------")
# 读取矩阵的第二列
matrix = numpy.array([
    [1, 2, 3],
    [20, 21, 22],
    [30, 31, 32]
])
print(matrix[:,1])

print("----------------------------")
# 读取矩阵的后两列
print(matrix[:,1:])

print("----------------------------")
# 读取矩阵的第二行和第三行的前两列元素
print(matrix[1:3,0:2])
运行结果 

 

[ 5 10 15]
----------------------------
[ 2 21 31]
----------------------------
[[ 2  3]
 [21 22]
 [31 32]]
----------------------------
[[20 21]
 [30 31]]
 

 

取值
 

import numpy

# 判断向量中的元素是否与10相等
vertor = numpy.array([5, 10, 15, 20])
vertor == 10
运行结果 

 

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

import numpy

# 判断矩阵中的元素是否等于25
matrix = numpy.array([
    [5, 10, 15],
    [20, 25, 30],
    [35, 40, 45]
])
matrix == 25
运行结果 

 

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

import numpy

# 把向量中等于 10 的值取出来
vertor = numpy.array([5, 10, 10, 20])
tmp = (vertor == 10) 
print(tmp)
print(vertor[tmp]) # bool 值当做索引，TRUE返回， FALSE 过滤掉了
运行结果 

 

 

[False  True  True False]
[10 10]
 

import numpy

# 把矩阵中等于 10 的值取出来
matrix = numpy.array([
    [5, 10, 15],
    [20, 25, 30],
    [35, 25, 45]
])
# 判断第二列中等于25的值
tmp = (matrix[:,1] == 25)
print(tmp)
# 打印 等于 25 值得行
print(matrix[tmp, :])
 

运行结果
 

 

[False  True  True]
[[20 25 30]
 [35 25 45]]
 

import numpy

# 与或操作
vector = numpy.array([5, 10, 15, 20])
tmp = (vector == 10) & (vector == 5)
print(tmp)
tmp = (vector == 10) | (vector == 5)
print(tmp)

# 修改值
vector[tmp] = 60
print(vector)
 

运行结果
 

 

[False False False False]
[ True  True False False]
[60 60 15 20]
 

类型转换
 

import numpy

# 把string 值 转换为 float
vector = numpy.array(["1", "2", "3"])
print(vector.dtype)
print(vector)
vector = vector.astype(float)
print(vector.dtype)
print(vector)
运行结果 

 

<U1
['1' '2' '3']
float64
[1. 2. 3.]
 

求值
 

import numpy

vector = numpy.array([5, 10, 15, 20])
# 求最小值
print(min(vector))
print(max(vector))
 

运行结果
 

 

5
20
 

import numpy

matrix = numpy.array([
    [5, 10, 15],
    [20, 25, 30],
    [35, 25, 45]
])
# 按维度求和
# 按行求和
print(matrix.sum(axis=1))
# 按列求和
print(matrix.sum(axis=0))
 

运行结果
 

[ 30  75 105]
[60 60 90]
 

矩阵属性
 

import numpy as np  # np 是 numpy 的一个别名

print(np.arange(15)) # 从0开始造15个数，比如造一个索引

print("----------------------------------------")
# 把向量转换成一个矩阵, 如转换成三行五列
a = np.arange(15).reshape(3,5)
print(a)

print("----------------------------------------")
# 打印行列数，常用于 debug 操作
print(a.shape)

print("----------------------------------------")
# 打印维度
print(a.ndim)

print("----------------------------------------")
# 打印当前矩阵的数据类型
print(a.dtype.name)

print("----------------------------------------")
# 打印当前矩阵的元素
print(a.size)
运行结果 

 

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
----------------------------------------
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
----------------------------------------
(3, 5)
----------------------------------------
2
----------------------------------------
int32
----------------------------------------
15
 

矩阵创建
 

import numpy as np  # np 是 numpy 的一个别名

print(np.arange(15)) # 从0开始造15个数，比如造一个索引

print("----------------------------------------")
# 把向量转换成一个矩阵, 如转换成三行五列
a = np.arange(15).reshape(3,5)
print(a)

print("----------------------------------------")
# 打印行列数，常用于 debug 操作
print(a.shape)

print("----------------------------------------")
# 打印维度
print(a.ndim)

print("----------------------------------------")
# 打印当前矩阵的数据类型
print(a.dtype.name)

print("----------------------------------------")
# 打印当前矩阵的元素
print(a.size)
 

运行结果
 

 

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
----------------------------------------
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
----------------------------------------
(3, 5)
----------------------------------------
2
----------------------------------------
int32
----------------------------------------
15
 

import numpy as np 

# 创建空矩阵,默认数据类型为浮点型
np.zeros((3,4))
 

运行结果
 

 

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

 

import numpy as np 

# 创建元素都为1的矩阵，并且指定数据类型
np.ones((2,3,4), dtype=np.int32)
 

运行结果
 

 

array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])
 

 

import numpy as np 

# 产生随机数
np.random.random((2,3))
 

运行结果
 

 

array([10, 15, 20, 25])
 

import numpy as np 

# 产生随机数
np.random.random((2,3))
运行结果 

 

array([[0.03113358, 0.10459384, 0.56249966],
       [0.79602781, 0.13410629, 0.06759049]])
 

import numpy as np 
from numpy import pi

# 在一个区间上平均找出多少个元素，第一个元素起始值，第二个元素终止值，第三个元素是元素个数
np.linspace(0, 2*pi, 100)
运行结果 

 

array([0.        , 0.06346652, 0.12693304, 0.19039955, 0.25386607,
       0.31733259, 0.38079911, 0.44426563, 0.50773215, 0.57119866,
       0.63466518, 0.6981317 , 0.76159822, 0.82506474, 0.88853126,
       0.95199777, 1.01546429, 1.07893081, 1.14239733, 1.20586385,
       1.26933037, 1.33279688, 1.3962634 , 1.45972992, 1.52319644,
       1.58666296, 1.65012947, 1.71359599, 1.77706251, 1.84052903,
       1.90399555, 1.96746207, 2.03092858, 2.0943951 , 2.15786162,
       2.22132814, 2.28479466, 2.34826118, 2.41172769, 2.47519421,
       2.53866073, 2.60212725, 2.66559377, 2.72906028, 2.7925268 ,
       2.85599332, 2.91945984, 2.98292636, 3.04639288, 3.10985939,
       3.17332591, 3.23679243, 3.30025895, 3.36372547, 3.42719199,
       3.4906585 , 3.55412502, 3.61759154, 3.68105806, 3.74452458,
       3.8079911 , 3.87145761, 3.93492413, 3.99839065, 4.06185717,
       4.12532369, 4.1887902 , 4.25225672, 4.31572324, 4.37918976,
       4.44265628, 4.5061228 , 4.56958931, 4.63305583, 4.69652235,
       4.75998887, 4.82345539, 4.88692191, 4.95038842, 5.01385494,
       5.07732146, 5.14078798, 5.2042545 , 5.26772102, 5.33118753,
       5.39465405, 5.45812057, 5.52158709, 5.58505361, 5.64852012,
       5.71198664, 5.77545316, 5.83891968, 5.9023862 , 5.96585272,
       6.02931923, 6.09278575, 6.15625227, 6.21971879, 6.28318531])
 

矩阵运算
 

import numpy as np 

# 加减乘除
a = np.array([20, 30, 40, 50])
b = np.arange(4)
print(a)
print(b)

print("---------------------------")
# 对应位置上的元素相减
c = a - b
print(c)

print("---------------------------")
c = c - 1
print(c)

print("---------------------------")
# 平方
print(b**2)
print(a < 35)
运行结果 

 

[20 30 40 50]
[0 1 2 3]
---------------------------
[20 29 38 47]
---------------------------
[19 28 37 46]
---------------------------
[0 1 4 9]
[ True  True False False]
 

 

import numpy as np 

# 矩阵运算
A = np.array([
    [1,1],
    [0,1]
])

B = np.array([
    [2,0],
    [3,4]
])
print(A)
print("-------------------------")
print(B)
print("-------------------------")
# 求内积，对应位置元素相乘
print(A*B)
print("-------------------------")
# 矩阵相乘，行乘上列，A的行乘上B的列，再相加
print(A.dot(B))
print("-------------------------")
# 等效上边矩阵相乘
print(np.dot(A,B))
运行结果 

 

[[1 1]
 [0 1]]
-------------------------
[[2 0]
 [3 4]]
-------------------------
[[2 0]
 [0 4]]
-------------------------
[[5 4]
 [3 4]]
-------------------------
[[5 4]
 [3 4]]
 

import numpy as np

B = np.arange(3)
print(B)

# e 的 B 次幂
print(np.exp(B))

# 开方
print(np.sqrt(B))
运算结果 

 

[0 1 2]
[1.         2.71828183 7.3890561 ]
[0.         1.         1.41421356]
 

 

import numpy as np

# 产生随机数
A = 10*np.random.random((3,4))
print(A)
print("-----------------------------------")

# 向下取整
a = np.floor(A)
print(a)

print("-----------------------------------")
# 把矩阵转换成向量
print(a.ravel())

print("-----------------------------------")
# 将矩阵转换为 6 行 2 列 
a.shape = (6, 2)
print(a)

print("-----------------------------------")
# 转置 - 列转化为行
print(a.T)
运算结果 

 

[[1.36542801 7.02119261 0.0334998  6.68124413]
 [2.34966133 5.12600052 5.19708676 8.80336892]
 [2.03745319 7.88588516 8.31964932 6.64296087]]
-----------------------------------
[[1. 7. 0. 6.]
 [2. 5. 5. 8.]
 [2. 7. 8. 6.]]
-----------------------------------
[1. 7. 0. 6. 2. 5. 5. 8. 2. 7. 8. 6.]
-----------------------------------
[[1. 7.]
 [0. 6.]
 [2. 5.]
 [5. 8.]
 [2. 7.]
 [8. 6.]]
-----------------------------------
[[1. 0. 2. 5. 2. 8.]
 [7. 6. 5. 8. 7. 6.]]
 

 

矩阵拼接
 

import numpy as np

a = np.floor(10*np.random.random((2,2))) 
print(a)

print("----------------------------------")
b = np.floor(10*np.random.random((2,2))) 
print(b)

print("----------------------------------")
# 矩阵纵拼接
print(np.vstack((a,b)))

print("----------------------------------")
# 矩阵横拼接
print(np.hstack((a,b)))
 

运算结果
 

[[0. 8.]
 [1. 0.]]
----------------------------------
[[9. 1.]
 [1. 1.]]
----------------------------------
[[0. 8.]
 [1. 0.]
 [9. 1.]
 [1. 1.]]
----------------------------------
[[0. 8. 9. 1.]
 [1. 0. 1. 1.]]
 
矩阵切分
 

import numpy as np

a = np.floor(10*np.random.random((2,12))) 
print(a)

print("----------------------------------")
# 把矩阵a 横向平均切成3个矩阵 （按列切分）
print(np.hsplit(a, 3))

print("----------------------------------")
# 在某个位置切分,在第3列之后 和 第4列之后 切分
print(np.hsplit(a, (3,4)))

print("----------------------------------")
a = np.floor(10*np.random.random((12, 2))) 
print(a)
print("----------------------------------")
# 把矩阵a 纵向平均切成3个矩阵 （按列行分）
print(np.vsplit(a, 3))
运算结果 

 

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

 

矩阵赋值
 

import numpy as np
a = np.arange(12)
# 变量赋值, a 和 b 指向同一对象
b = a

# 判断 b 和 a 是不是相等的
print( b is a)

# 打印 b 的行列数
print(b.shape)

# 把 b 的行列数修改成3,4
b.shape = 3,4

# 打印a的行列数
print(a.shape)

# 查看 a, b 的id
print(id(a))
print(id(b))
 

运算结果
 

True
(12,)
(3, 4)
154867712
154867712
 

矩阵拷贝
 

import numpy as np

a = np.arange(12)
print(a)

print("--------------------------------------------")
# view 浅拷贝，创建一个新的对象，指向不一样， 但是共用一组数据
c = a.view()
print(c)
print(c is a)
print("--------------------------------------------")
c.shape = 2,6
print(c)
print(a.shape)
print("--------------------------------------------")
c[0,4] = 1234
print(a)
print("--------------------------------------------")
print(c)
print("--------------------------------------------")
print(id(a))
print(id(c))
运算结果 

 

 

[ 0  1  2  3  4  5  6  7  8  9 10 11]
--------------------------------------------
[ 0  1  2  3  4  5  6  7  8  9 10 11]
False
--------------------------------------------
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]
(12,)
--------------------------------------------
[   0    1    2    3 1234    5    6    7    8    9   10   11]
--------------------------------------------
[[   0    1    2    3 1234    5]
 [   6    7    8    9   10   11]]
--------------------------------------------
154881760
154881920
 

import numpy as np

a = np.arange(12)
a.shape = 3,4
print(a)

print("--------------------------------------------")
# 完全拷贝，不共用数据
d = a.copy()
print(d is a)
d[0,0] = 99
print(d)
print("--------------------------------------------")
print(a)
 

运算结果
 

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
--------------------------------------------
False
[[99  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
--------------------------------------------
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
 

import numpy as np

a = np.arange(0, 40, 10)
print(a)

print("-----------------------------------------------------------")
# 将矩阵扩大 
b = np.tile(a, (2,2))
print(b)
运算结果 

 

[ 0 10 20 30]
-----------------------------------------------------------
[[ 0 10 20 30  0 10 20 30]
 [ 0 10 20 30  0 10 20 30]]
 

矩阵获取最大值
 

import numpy as np
data = np.sin(np.arange(20)).reshape(5,4)
print(data)

print("---------------------------------------------------")
# argmax 返回最大值的索引值 index，下面按列返回
ind = data.argmax(axis=0)
print(ind)

print("---------------------------------------------------")
# 打印出每一列的最大值
data_max = data[ind, range(data.shape[1])]
print(data_max)
运算结果 

 

[[ 0.          0.84147098  0.90929743  0.14112001]
 [-0.7568025  -0.95892427 -0.2794155   0.6569866 ]
 [ 0.98935825  0.41211849 -0.54402111 -0.99999021]
 [-0.53657292  0.42016704  0.99060736  0.65028784]
 [-0.28790332 -0.96139749 -0.75098725  0.14987721]]
---------------------------------------------------
[2 0 3 1]
---------------------------------------------------
4
[0.98935825 0.84147098 0.99060736 0.6569866 ]
 

矩阵排序
 

import numpy as np

a = np.array([
    [4, 3, 5], [1, 2, 1]
])
print(a)

# 排序

print("-------------------------------------------")
# 按行排序
b = np.sort(a, axis=1)
print(b)

print("-------------------------------------------")
a.sort(axis=1)
print(a)

print("-------------------------------------------")
a = np.array([4,3,1,2])
# 返回排序后的索引，从小到大排序
j = np.argsort(a)
print(j)

print("-------------------------------------------")
print(a[j])
运算结果 

 

 

[[4 3 5]
 [1 2 1]]
-------------------------------------------
[[3 4 5]
 [1 1 2]]
-------------------------------------------
[[3 4 5]
 [1 1 2]]
-------------------------------------------
[2 3 1 0]
[1 2 3 4]
 


                

        

        

    




    

      

        

            

              
                
                  Geek猫
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    1
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
Python中Numpy常见用法

				
			

			

				

					bester_man的博客
				

				

					12-06
					
					1万+
					
				

			

		

		

			
				
NumPy

广泛使用的矩阵计算包
一个基础性的包，大量的工具在NumPy上开发，包括matplotlib、scipy、pandas等

首先导入numpy包
import numpy as np
1. 用numpy创建一维数组,并进行运算：
a=np.array([1,2,3,4])
b=np.array([5,6,7,8])
c=a+b
print( c )

2.遍历C数组：
遍历向量：

3.# 将numpy数组转换成python的列表：


...

			
		

	



                

              
                



	

		

			

				
					
python中numpy的基本用法

				
			

			

				

					qq_44039983的博客
				

				

					03-09
					
					8436
					
				

			

		

		

			
				
创建数组
① Numpy提供了array()函数，用来创建数组。

  创建一维和二维数组，多维数组的创建形式是一样的。


arr1 = np.array([1, 2, 3, 4, 5])  # 一维数组
arr2 = np.array([[1.0, 2, 3, 4, 5], [6, 7, 8, 9, 10]])  # 二维数组，可以理解为矩阵形式

② arange()函数
...

			
		

	



                


  
              

                


	

		

			

				
					
Python Numpy的详细使用方法

					
最新发布

				
			

			

				

					2301_77497021的博客
				

				

					04-15
					
					1057
					
				

			

		

		

			
				
axis参数 0表示第一个维度合并（行合并），1表示第二个维度合并（列合并）n=np.dot(n1,n2) （第一个矩阵的列数等于第二个矩阵的行数）print(n[-1,-1])#得到倒数第一行的倒数第一个数字。log：对数 （以e为底的对数）log2(n)以2为底的对数。cumsum：累加 [1，2，3，4] [1，3，6，10]加+，减-，乘*，除/，整除//，次方**，余数%(4).创建全为指定数字的ndarray。(2).创建一个全为1的ndarray。(3).创建全为0的ndarray。

			
		

	





	

		

			

				
					
关于Python中numpy的基本使用详解以及速查

				
			

			

				

					loveCC_orange的博客
				

				

					03-01
					
					3434
					
				

			

		

		

			
				
这篇总结写得可太费劲了，从学习到实现例子到写博客花了将近三个小时~

			
		

	



		

			
		



	

		

			

				
					
Python之Numpy使用详解

				
			

			

				

					huanxiajioabu的博客
				

				

					07-20
					
					1406
					
				

			

		

		

			
				
NumPy 不仅仅是 Python 科学计算中使用最多的库，还是 SciPy，Pandas 等库的基础，它提供了更加高级有效的数据结构，是专门为科学计算而生的库。NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。

			
		

	





	

		

			

				
					
Python - Numpy库的使用（简单易懂）

				
			

			

				

					qq_61386381的博客
				

				

					07-25
					
					3407
					
				

			

		

		

			
				
目录

numpy多维数组——数组的创建

1、array函数创建数组对象

2、通过arange、linspace函数创建等差数组对象

3、通过logspace函数创建等比数列数组

函数 zeros ones diag eye full



numpy多维数组——生成随机数

函数 seed rand randn randint

函数 binomial normal 和不常用函数

shuffle函数



numpy多维数组——数组的属性

属性 .ndim .shape .szie......

			
		

	





	

		

			

				
					
使用python Numpy

				
			

			

				

					11-11
				

			

		

		

			
				
本文将详细介绍 Python Numpy 库的使用方法和相关知识点。  1. Introduction  Numpy 库是 Anaconda 的一部分，不需要额外安装。使用 Numpy 库可以大幅提高 Python 的计算效率，特别是在数值计算和数据分析方面。  2....

			
		

	





	

		

			

				
					
python numpy使用手册

				
			

			

				

					08-19
				

			

		

		

			
				
- 数组索引与切片：与Python列表类似，可以使用索引和切片访问数组元素，但NumPy支持多维索引。 - 数组操作：包括加减乘除、指数和对数运算、比较运算等，这些操作会直接作用于数组的所有元素。 - 数组广播：当两个...

			
		

	





	

		

			

				
					
pythonnumpy教程-PythonNumpy库常见用法入门教程.pdf

				
			

			

				

					06-11
				

			

		

		

			
				
pythonnumpy教程_PythonNumpy库常见⽤法⼊门教程 本⽂实例讲述了Python Numpy库常见⽤法。分享给⼤家供⼤家参考，具体如下： 1、简介 Numpy是⼀个常⽤的Python科学技术库，通过它可以快速对数组进⾏操作，包括形状...

			
		

	





	

		

			

				
					
python numpy总结

				
			

			

				

					12-23
				

			

		

		

			
				
"Python NumPy 总结"  Python 是一种广泛使用的高级编程语言，它提供了大量的库和工具来进行数据分析、科学计算和机器学习等任务。NumPy（Numerical Python）是 Python 中一个非常重要的库，提供了对多维数组和矩阵...

			
		

	





	

		

			

				
					
Python 使用Numpy对矩阵进行转置的方法

				
			

			

				

					09-19
				

			

		

		

			
				
今天小编就为大家分享一篇Python 使用Numpy对矩阵进行转置的方法，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

			
		

	





	

		

			

				
					
Python Numpy库的超详细教程

				
			

			

				

					sinat_40572875的博客
				

				

					11-09
					
					1595
					
				

			

		

		

			
				
Python Numpy库的超详细教程

			
		

	





	

		

			

				
					
python --Numpy详解(科学计算)

				
			

			

				

					weixin_44634704的博客
				

				

					11-03
					
					3669
					
				

			

		

		

			
				
安装
pip install numpy

什么是Numpy：Numeric Python
NumPy系统是Python的一种开源的数值计算扩展

一个强大的N维数组对象Array
比较成熟的（广播）函数库
用于整合C/C++和Fortran代码的工具包
实用的线性代数、傅里叶变换和随机数生成函数
numpy和稀疏矩阵运算包scipy配合使用更加强大

详解
导包
import numpy as np

查看版本
print(np.__version__)  # 获取当前numpy版本号
# 1.21.3


			
		

	





	

		

			

				
					
numpy基本命令

				
			

			

				

					xfd19971030的博客
				

				

					10-18
					
					1775
					
				

			

		

		

			
				
数据创建
1.常量

numpy.nan：空值
numpy.inf：正无穷大
numpy.pi：圆周率
numpy.e：自然常数 e

2.变量
Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。


numpy 的数值类型实际上是 dtype 对象的实例
每个内建类型都有一个唯一定义它的字符代码


日期时间：

创建时

			
		

	





	

		

			

				
					
科学技术库Numpy

				
			

			

				

					banzhi8397的博客
				

				

					06-26
					
					538
					
				

			

		

		

			
				
一、生成矩形操作
1）numpy获取的数据是以 “，” 为分割的数据结构，来生成矩阵
注意：skip_header=1 去掉行首，即说明行


1,Cao jin,28,78978978978,python,2015-11-01
2,张二毛,20,12312312312,IT,2013-11-01
3,三,28,78978978978,python,2015-11-01...

			
		

	





	

		

			

				
					
python里的pi怎么用_Python numpy.pi() 使用实例

				
			

			

				

					weixin_39919948的博客
				

				

					12-12
					
					1万+
					
				

			

		

		

			
				
The following are code examples for showing how to use . They are extracted from open source Python projects. You can vote up the examples you like or vote down the exmaples you don’t like. You can al...

			
		

	





	

		

			

				
					
python 忽略警告继续运行程序_在NumPy中忽略除以0的警告

				
			

			

				

					weixin_39812186的博客
				

				

					12-09
					
					1575
					
				

			

		

		

			
				
I have a function for statistic issues:import numpy as npfrom scipy.special import gamma as Gammadef Foo(xdata):...return x1 * (( #R is a numpy vector( ((R - x2)/beta) ** (x3 -1) ) *( np.exp( - ((R - ...

			
		

	





	

		

			

				
					
Python numpy.fromfile函数方法的使用

				
			

			

				

					weixin_42098295的博客
				

				

					08-03
					
					3425
					
				

			

		

		

			
				
NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍一下NumPy中fromfile方法的使用。
原文地址：Python numpy.fromfile函数方法的使用
...

			
		

	





	

		

			

				
					
Python中Numpy模块的使用

					
热门推荐

				
			

			

				

					谢公子的博客
				

				

					11-05
					
					2万+
					
				

			

		

		

			
				
目录

NumPy

ndarray对象

Numpy数据类型

Numpy数组属性

NumPy

NumPy(Numerical Python) 是 Python 的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Nupmy可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表...

			
		

	





	

		

			

				
					
python numpy用法

				
			

			

				

					09-02
				

			

		

		

			
				
- *3* [Python 使用Numpy对矩阵进行转置的方法](https://download.csdn.net/download/weixin_38693192/12864784)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_...

			
		

	



              



  
“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