Numpy学习笔记

最新推荐文章于 2022-08-07 14:46:55 发布
最新推荐文章于 2022-08-07 14:46:55 发布
阅读量1.3k 收藏
点赞数
分类专栏： 小白学Py 文章标签： 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/yueyi0221/article/details/121514387
版权
本文详细介绍了Numpy库的使用，包括新建二维矩阵、数值运算、排序操作、数组操作、数组连接、数组生成、矩阵运算以及文件读写。重点讲解了各种函数的使用，如np.sort()、np.argsort()、np.concatenate()、np.random模块以及文件保存和加载的方法。
摘要由CSDN通过智能技术生成

目录

一、 利用Numpy新建一个二维矩阵

二、数值运算：

三、排序操作

1、定义个矩阵

2、 np.sort()函数

3、axis参数

4、np.argsort()函数

 5、np.linspace（）函数

6、np.lexsort()函数

四、数组操作

1 np.arange()

2 array.shape()函数

3 增加维度以及压缩无用维度信息

4 转置操作transpose(),.T()函数表达的效果是一样的

五、数组的连接

1 np.concatenate()函数连接，注意传入的参数需使用元组的形式

2 压平操作，np.flatten(),np.ravel()

六、数组的生成

1np.arange()，np.linspace()，np.logspace()

2 生成网格坐标

3 行向量,列向量np.r_[],np.c_[]函数

4 np.zeros(),np.ones(),np.empty 

#全0向量 np.zeros()

#生成全0或者全1矩阵，传入传输需使用元组形式 

#矩阵填充 x.fill(1)

#生成相同维度的矩阵 np.zeros_like(x)

#生成单位矩阵 np.identity(5)

5 随机模块 

#生成随机矩阵，元素范围0-1之间，维度3*2

 #生成元素个位为7，元素值范围在0-10的数组，左闭右开

 #生成元素值范围在0-10的数组，维度为（2,5）的矩阵

 #生成服从高斯分布的数组，数量为10，均值为0，标准差为0.3

#设置打印精度 

 #随机种子

 6 洗牌

七、矩阵运算

1 点乘，np.multiply(x,y)

2 矩阵内积及相乘

3 逻辑运算

八、文件读写

1 %%writefile '文件名'

 2 读取含矩阵信息的文件np.loadtxt()

3.使用np.savetxt()函数进行保存

 4 使用np.save()函数，保存为npy文件，np.load()函数读取文件

 5 使用np.savez()函数，保存为npz文件，np.load()读取文件

一、 利用Numpy新建一个二维矩阵

输入：

wang_array = np.array([[1,2,3],[4,5,6]])
wang_array

二、数值运算：

# 矩阵所有元素求均值
wang_array.mean()

# 矩阵所有元素求和
wang_array.sum()

# 矩阵所有元素求标准差
wang_array.std()

# 矩阵所有元素求方差
wang_array.var()

# 矩阵所有元素高低阈值修改
wang_array.clip(2,4)

# 矩阵所有元素四舍五入
wang_array.round()
wang_array.round(decimals = 1) #保留一位小数

 上面均是对矩阵内所有元素进行操作，如果说对矩阵中行或者列进行求和，求标准差等运算的话，可以在函数中使用 axis=0或者1参数，如果axis=0，表示沿着列进行操作，如果axis=1，则表示沿着行进行操作。

三、排序操作

1、定义个矩阵

In [15]:
wang_array = np.array([[1.1,2.2,3.3],
                       [4.2,4.4,1.2],
                       [1.0,2.1,3.2]])
wang_array

Out[15]:
array([[1.1, 2.2, 3.3],
       [4.2, 4.4, 1.2],
       [1. , 2.1, 3.2]])

2、 np.sort()函数

对wang_array所有元素进行排序

#对wang_array所有元素进行排序
In [18]:
np.sort(wang_array)


Out[18]:
array([[1.1, 2.2, 3.3],
       [1.2, 4.2, 4.4],
       [1. , 2.1, 3.2]])

3、axis参数

同样，如果加上axis参数，则会依据参数的值，分别进行行排序或者列排序 

#同样，如果加上axis参数，则会依据参数的值，分别进行行排序或者列排序，
#比如axis=0时，每列进行排序，axis=1时，每行进行排序
In [6]:
np.sort(wang_array,axis=0)


Out[6]:
array([[1. , 2.1, 1.2],
       [1.1, 2.2, 3.2],
       [4.2, 4.4, 3.3]])

4、np.argsort()函数

获取排序后原值的索引值 

#获取排序后原值的索引值
In [7]:
np.argsort(wang_array)


Out[7]:
array([[0, 1, 2],
       [2, 0, 1],
       [0, 1, 2]], dtype=int64)

 5、np.linspace（）函数

产生一个5个元素的行向量，各元素之间等距。

In [11]:
wang_array1 = np.linspace(0,10,5)
wang_array1

Out[11]:
array([ 0. ,  2.5,  5. ,  7.5, 10. ])

向向量中插入一些数字，比如[1,3,6,7,9]，或者插入后的索引位置，使用np.searchsorted()函数

In [14]:
values = np.array([1,3,6,7,9])
np.searchsorted(wang_array1,values)


Out[14]:
array([1, 2, 3, 3, 4], dtype=int64)

6、np.lexsort()函数

对矩阵进行排序操作，首先第一列降序排列，然后第三列升序排列，在然后第一列降序排列

In [30]:
wang_array2 = np.array([[2,2,6,9],
                       [4,1,4,3],
                       [3,5,1,7],
                       [2,2,4,4]])
wang_array2
Out[30]:
array([[2, 2, 6, 9],
       [4, 1, 4, 3],
       [3, 5, 1, 7],
       [2, 2, 4, 4]])


#对矩阵进行排序操作，首先第一列降序排列，然后第三列升序排列
In [38]:
index = np.lexsort([-1*wang_array2[:,0],wang_array2[:,2]])
In [39]:
wang_array2 = wang_array2[index]
wang_array2
Out[39]:
array([[3, 5, 1, 7],
       [4, 1, 4, 3],
       [2, 2, 4, 4],
       [2, 2, 6, 9]])

四、数组操作

1 np.arange()

wang_array.shape

#生成0-9向量，10个元素
In [41]:
wang_array =np.arange(10)
wang_array

Out[41]:
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

2 array.shape()函数

输出向量的长度或者矩阵的行、列数

#显示该向量的长度
In [42]:
wang_array.shape
#因为wang_array是向量，所以输出只有1个数字
Out[42]:
(10,)

#通过给一维矩阵的形状赋值，可以修改矩阵的行、列数，如：
In [44]:
wang_array.shape=2,5
wang_array

Out[44]:
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

3 增加维度以及压缩无用维度信息

压缩维度使用squeeze()函数

#增加维度
In [47]:
_array = wang_array[np.newaxis,:]
wang_array

Out[47]:
array([[[0, 1],
        [2, 3],
        [4, 5],
        [6, 7],
        [8, 9]]])
#增加维度后，显示矩阵的维度信息
In [48]:
wang_array.shape

Out[48]:
(1, 5, 2)

#对应是压缩无效的维度信息
In [52]:
wang_array=wang_array.squeeze()
wang_array

Out[52]:
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7],
       [8, 9]])

In [53]:
wang_array.shape
Out[53]:
(5, 2)

4 转置操作transpose(),.T()函数表达的效果是一样的

#transpose(),.T()函数表达的效果是一样的
In [54]:
wang_array.transpose()

Out[54]:
array([[0, 2, 4, 6, 8],
       [1, 3, 5, 7, 9]])

In [56]:
wang_array.T

Out[56]:
array([[0, 2, 4, 6, 8],
       [1, 3, 5, 7, 9]])

五、数组的连接

1 np.concatenate()函数连接，注意传入的参数需使用元组的形式

axis=0表示按列进行连接，axis=1表示按行连接

--还有2个等价的连接方式，np.vstack(),np.hstack()

#a,b两个矩阵，使用np.concatenate()函数连接，注意传入的参数需使用元组的形式
#axis=0表示按列进行连接，axis=1表示按行连接
In [57]:
a = np.array([[1,3,43,21],
             [21,32,5,2]])
b = np.array([[10,213,2143,121],
             [241,332,52,22]])

In [61]:
c = np.concatenate((a,b),axis = 0)
c


Out[61]:
array([[   1,    3,   43,   21],
       [  21,   32,    5,    2],
       [  10,  213, 2143,  121],
最低0.47元/天 解锁文章
yueyi0221
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
numpy学习（五）——文件的保存和读写(np.save()、np.load()、np.savez()、np.savetxt()、np.loadtxt())
leilei7407的博客
07-22 19万+
NumPy提供了多种存取数组内容的文件操作函数。保存数组数据的文件可以是二进制格式或者文本格式。 参考链接 （1）np.save()和np.load() np.load和np.save是读写磁盘数组数据的两个主要函数，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中。 他们会自动处理元素类型和形状等信息 np.save(file, arr, allow_pickle=True, fix_imports=True) 解释：Save an array to a binary f.
Numpy 常见函数及使用
Darchan的博客
07-28 1423
Numpy 常见函数及使用，一边补充，一边更新！
numpy 导入数据 ——np.loadtxt()
pylittlebrat的博客
05-02 2万+
numpy.loadtxt()的详细使用介绍
numpy设置输出精度
热门推荐
skyecs的博客
03-05 3万+
使用set_printoptions设置输出的精度import numpy as np x=np.random.random(10) print(x) # [ 0.07837821 0.48002108 0.41274116 0.82993414 0.77610352 0.1023732 # 0.51303098 0.4617183 0.33487207 0.71162095...
Numpy精度设置
FrankDura的博客
05-08 5853
综述 近期遇到了一个很有意思的问题，在这里记录一下： 一般来说我们设置numpy的精度： np.round(V,decimals=6) 而我们也知道在保存txt时候， np.savetxt(cur_dir+"/imgs/V0_.txt",V,fmt='%1.6f') 可以使用fmt参数来设置。 但是使用这种方式： np.savetxt(cur_dir+"/imgs/V0_.txt", np....
Numpy学习笔记pdf
10-19
Numpy学习笔记pdf Numpy是Python中一个非常流行的科学计算库，提供了大量的数学函数和高性能的多维数组对象。下面是Numpy学习笔记pdf的摘要信息： Ndarray Ndarray是Numpy中最基本的数据结构，表示一个多维数组。...
Numpy学习笔记整理.pdf
03-04
Xmind脑图形式
numpy学习笔记二，第二次课的笔记
05-18
numpy学习笔记二，第二次课的笔记，大家可以下载下来一步一步的操作，里面有详细的文字介绍，包括函数的调用方法，函数作用，以及参数说明等等
NumPy学习笔记_134实用知识库分享
最新发布
11-01
以下是对NumPy学习笔记中涉及知识点的详细说明： 1. **NumPy Ndarray对象**： - Ndarray是NumPy的核心数据结构，用于存储和操作多维数组。每个数组都是一系列相同类型的元素组成的。 - `numpy.array()`函数用于...
python-numpy学习笔记
08-26
python-numpy学习笔记，带你快速上手numpy，排版精美。
python 使用np.load()加载数据 报错 Object arrays cannot be loaded when allow_pickle=False
edward_zcl的博客
12-31 1580
使用np.load()加载数据 报错 Object arrays cannot be loaded when allow_pickle=False 问题： 在python中调用 data=np.load(file) 报错： **ValueError: Object arrays cannot be loaded when allow_pickle=False** 解决： 修改代码 data=np.load...
【NumPy】 快速构建 ndarray 对象（np.empty、np.full、np.titl、np.r_、np.linspace）
tz_zs的博客
02-19 2万+
____tz_zs numpy 提供了多了函数来快速创建不同需求的数组。对于普通的 ndarray 的创建、切片、复制、改变维度和数据类型等操作，见我另一篇博客：https://blog.csdn.net/tz_zs/article/details/73929778 empty np.empty 构造一个长度为 shape 的未初始化数组，这个数组的元素可能是内存位置上存在的任何数值。 e...
Numpy介绍
weixin_43788986的博客
08-07 1281
使用之前需要导入Numpy NumPy 的主要对象是同构多维数组。它是一个元素表（通常是数字），所有类型都相同，由非负整数元组索引。在 NumPy 中，维度称为轴。 例如，3D 空间中一个点的坐标[1, 2, 1]只有一个轴。该轴有 3 个元素，因此我们说它的长度为 3。在下图中的示例中，数组有 2 个轴。第一个轴的长度为 2，第二个轴的长度为 3。NumPy 的数组类称为ndarray。它也被称为别名 array。请注意，numpy.array这与标准 Python 库类不同array.array，后者仅
IDEA重新生成 iml 文件
cxrlover的博客
12-09 1万+
IDEA中的.iml文件是项目标识文件，缺少了这个文件，IDEA就无法识别项目。 重新生成iml文件： mvn idea:module
numpy中文件读取操作np.loadtxt(),np.savetxt()的使用
weixin_43402718的博客
02-03 3640
@[TOC]在进行文档的存取操作时，有可能会用到np.loadtxt(),np.savetxt(）方法。下面分别介绍下这两种方法。 这两个方法的官方文档链接为 https://docs.scipy.org/doc/numpy/reference/generated/numpy.loadtxt.html https://docs.scipy.org/doc/numpy/reference/gener...
numpy loadtxt函数学习笔记
李啸林的专栏
03-12 2万+
def loadtxt(fname, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0)Returns: str or recarray or tuple or list返回：字符串，recarray,元组，列表从文本文件中导入数据 ...
Python--numpy（np.loadtxt）
gn102038的博客
05-10 3万+
import numpy as np np.loadtxt         作用是把文本文件（*.txt）读入并以矩阵或向量的形式输出。它有几个参数：skiprows，delimiter，usecoles和unpack。skiprows作用是跳过头行。在默认情况下是通过空格来分割列的，如果想通过其他来分割列则需要通过delimiter来设置。如果你想跳过几列来读取则需要用usecoles来设置
numpy.loadtxt() 详细用法
枫城雪-----学习空间
10-25 2万+
1.numpy.loadtxt 用法 读取txt文件 numpy.loadtxt(fname, dtype=, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0) 参数的作用如下： fname import numpy as np # 首先给出最简单的l...
numpy学习笔记
05-29
好的，我可以和你分享一些关于numpy的学习笔记。 首先，numpy是一个Python的库，用于科学计算和数据分析。它提供了高性能的多维数组对象以及相关的工具和函数。 下面是一些常用的numpy操作： 1. 创建数组 可以使用numpy中的array函数创建数组，例如： ```python import numpy as np a = np.array([1, 2, 3]) print(a) # [1 2 3] ``` 也可以使用numpy中的arange函数创建等差数组，例如： ```python b = np.arange(0, 10, 2) print(b) # [0 2 4 6 8] ``` 2. 数组运算 numpy中的数组支持各种数学运算，例如： ```python a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b print(c) # [5 7 9] d = a * b print(d) # [ 4 10 18] e = np.dot(a, b) print(e) # 32 ``` 3. 数组切片和索引 可以使用numpy中的切片和索引来访问数组中的元素，例如： ```python a = np.array([1, 2, 3, 4, 5]) print(a[0]) # 1 print(a[1:4]) # [2 3 4] print(a[::2]) # [1 3 5] ``` 4. 数组形状操作 可以使用numpy中的reshape函数改变数组的形状，例如： ```python a = np.array([1, 2, 3, 4, 5, 6]) b = a.reshape(2, 3) print(b) # [[1 2 3] # [4 5 6]] c = a.reshape(3, -1) # -1表示自动计算 print(c) # [[1 2] # [3 4] # [5 6]] ``` 以上是一些常用的numpy操作，希望能够帮助你更好地学习numpy。
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