上一篇文章简单讲述了Numpy的特点和数据构造方面的优势,本文将介绍一些Numpy的基础方法。
1、创建基于列表或者元组的数组
# 基于嵌套列表创建二维数组
arr1 = np.array([[1,3,5,7],
[2,4,6,8],
[11,13,15,17],
[12,14,16,18],
[100,101,102,103]])
# 基于嵌套元组创建二维数组
arr2 = np.array(((8.5,6,4.1,2,0.7),(1.5,3,5.4,7.3,9),
(3.2,3,3.8,3,3),(11.2,13.4,15.6,17.8,19)))
# 二维数组的打印结果
print(arr1,'\n')
print(arr2)
看一下结果:
[[ 1 3 5 7]
[ 2 4 6 8]
[ 11 13 15 17]
[ 12 14 16 18]
[100 101 102 103]]
[[ 8.5 6. 4.1 2. 0.7]
[ 1.5 3. 5.4 7.3 9. ]
[ 3.2 3. 3.8 3. 3. ]
[11.2 13.4 15.6 17.8 19. ]]
可以看出不管是列表还是元组都可以通过np.array的方法转换成numpy数组,值得注意的是,必须保证每个列表的长度都是一致的
# 一维数组
import numpy as np
age = np.array([13,19,22,14,19,11])
print(age[-1])
print(age[:3])
print(age[[0,3,5]])
# # 逻辑索引
print(age[age < 18])
输出结果:
11
[13 19 22]
[13 14 11]
[13 14 11]
通过上面的例子可以看出,列表的索引在数组中照样可以用,对于多位数组,索引具有同样的意义,但是在二维数组中,分表表示x,y轴的索引
arr1 = np.array([[1,3,5,7],
[2,4,6,8],
[11,13,15,17],
[12,14,16,18],
[100,101,102,103]])
print(arr1[3,:])
print(arr1[:,1])
输出:
[12 14 16 18]
[ 3 4 13 14 101]
数组元素的返回
1)在一维数组中,列表的所有索引方法都可以使用在数组中,而且还可以使用间断索引 和逻辑索引;
2)在二维数组中,位置索引必须写成[rows,cols]的形式,方括号的前半部分用于锁定二 维数组的行索引,后半部分用于锁定数组的列索引;
3)如果需要获取二维数组的所有行或列元素,那么,对应的行索引或列索引需要用英文 状态的冒号表示;
除了索引,数组还具备运算的功能。我们使用两种方对数组的每一行求和,对每一列求平均值
Sum = []
for row in range(4):
Sum.append(np.sum(arr2[row,:]))
print(Sum)
# 计算每一列的平均
Avg = []
for col in range(5):
Avg.append(np.mean(arr2[:,col]))
print(Avg)
输出:
[21.3, 26.2, 16.0, 77.0]
[6.1, 6.35, 7.225, 7.525, 7.925]
当然,还有更简单的方法, 如下
# 求每一行的和,axis=1表示行
print(arr2.sum(axis = 1))
print(np.sum(arr2, axis = 1))
# 求每一列的平均值
print(np.mean(arr2, axis = 0))
常用的运算符(供参考)
函数 | 函数说明 |
np.round(arr) | 对各元素四舍五入 |
np.sqrt(arr) | 计算各元素的算术平方根 |
np.square(arr) | 计算各元素的平方值 |
np.exp(arr) | 计算以e为底的指数 |
np.power(arr, α) | 计算各元素的指数 |
np.log2(arr) | 计算以2为底各元素的对数 |
np.log10(arr) | 计算以10为底各元素的对数 |
np.log(arr) | 计算以e为底各元素的对数 |
np.min(arr,axis) | 按照轴的方向计算最小值 |
np.max(arr,axis) | 按照轴的方向计算最大值 |
np.mean(arr,axis) | 按照轴的方向计算平均值 |
np.median(arr,axis ) | 按照轴的方向计算中位数 |
np.sum(arr,axis) | 按照轴的方向计算和 |
np.std(arr,axis) | 按照轴的方向计算标准差 |
np.var(arr,axis) | 按照轴的方向计算方差 |
随机数生成函数了解一下:
import numpy as np
# 随机整数
np.random.randint()
# 随机均匀分布
np.random.randuniform()
# 随机正态分布
np.random.normal()