温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

Python关于Numpy的操作基础

发布时间:2020-07-14 04:49:59 来源:网络 阅读:390 作者:nineteens 栏目:编程语言

  NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,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。

  NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发,2005 年,Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色,并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。 注:以上是题外话,方便进入主题,本文重在基础的操作。

  一、总述:

  NumPy的基础,方便查阅。

  二、创建ndarray数组:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  data = [1,2,3,4,5,6]

  x = numpy.array(data)#列表生成一维数组

  print(x)#打印数组

  print(x.dtype)#打印数组元素的类型

  data = [[1,2],[3,4],[5,6]]

  x = numpy.array(data)#列表生成二维数组

  print(x )#打印数组

  print(x.ndim )#打印数组的维度

  print(x.shape) #打印数组各个维度的长度。shape是一个元组

  x = numpy.zeros(6) #创建一维长度为6的,元素都是0一维数组

  x = numpy.zeros((2,3)) #创建一维长度为2,二维长度为3的二维0数组

  x = numpy.ones((2,3)) #创建一维长度为2,二维长度为3的二维1数组

  x = numpy.empty((3,3)) #创建一维长度为2,二维长度为3,未初始化的二维数组

  print(numpy.arange(6)) # [0,1,2,3,4,5,] 开区间生成连续元素

  print(numpy.arange(0,6,2) ) # [0, 2,4]生成连续元素

  三、指定ndarray数组元素的类型:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  x = numpy.array([1,2.6,3],dtype = numpy.int64)#生成指定元素类型的数组:设置dtype属性

  x = numpy.array([1,2,3],dtype = numpy.float64)

  print(x )# 元素类型为float64

  print(x.dtype)

  x = numpy.array([1,2.6,3],dtype = numpy.float64)#使用astype复制数组,并转换类型

  y = x.astype(numpy.int32)

  z = y.astype(numpy.float64)

  x = numpy.array(['1','2','3'],dtype = numpy.string_)#将字符串元素转换为数值元素

  y = x.astype(numpy.int32)

  x = numpy.array([ 1., 2.6,3. ],dtype = numpy.float32)#使用其他数组的数据类型作为参数

  y = numpy.arange(3,dtype=numpy.int32)

  print(y)

  print(y.astype(x.dtype))

  四、ndarray的矢量化计算:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''ndarray数组与标量/数组的运算'''

  x = numpy.array([1,2,3])

  print(x*2)

  print(x>2)

  y = numpy.array([3,4,5])

  print(x+y)

  print(x>y)

  五、ndarray数组的基本索引和切片:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''ndarray的基本索引'''

  x = numpy.array([[1,2],[3,4],[5,6]])

  print(x[0]) # [1,2]

  print(x[0][1]) # 2,普通python数组的索引

  print(x[0,1]) # 同x[0][1],ndarray数组的索引

  x = numpy.array([[[1, 2], [3,4]], [[5, 6], [7,8]]])

  print(x[0]) # [[1 2],[3 4]]

  y = x[0].copy() # 生成一个副本

  z = x[0] # 未生成一个副本

  print(y) # [[1 2],[3 4]]

  print(y[0,0] )# 1

  y[0,0] = 0

  z[0,0] = -1

  print(y )# [[0 2],[3 4]]

  print(x[0]) # [[-1 2],[3 4]]

  print(z) # [[-1 2],[3 4]]

  '''ndarray的切片'''

  x = numpy.array([1,2,3,4,5])

  print(x[1:3]) # [2,3] 右边开区间

  print(x[:3] )# [1,2,3] 左边默认为 0

  print(x[1:]) # [2,3,4,5] 右边默认为元素个数

  print(x[0:4:2]) # [1,3] 下标递增2

  x = numpy.array([[1,2],[3,4],[5,6]])

  print(x[:2] )# [[1 2],[3 4]]

  print(x[:2,:1] )# [[1],[3]]

  x[:2,:1] = 0 # 用标量赋值

  print(x )# [[0,2],[0,4],[5,6]]

  x[:2,:1] = [[8],[6]] # 用数组赋值

  print(x) # [[8,2],[6,4],[5,6]]

  六、ndarray数组的布尔索引和其他索引:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''ndarray的布尔型索引'''

  x = numpy.array([3,2,3,1,3,0])

  # 布尔型数组的长度必须跟被索引的轴长度一致

  y = numpy.array([True,False,True,False,True,False])

  print(x[y] )# [3,3,3]

  print(x[y==False]) # [2,1,0]

  print(x>=3) # [ True False True False True False]

  print(x[~(x>=3)]) # [2,1,0]

  print((x==2)|(x==1) )# [False True False True False False]

  print(x[(x==2)|(x==1)] )# [2 1]

  x[(x==2)|(x==1)] = 0

  print(x )# [3 0 3 0 3 0]

  七、ndarray数组的转置和轴对换:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''ndarray数组的转置和轴对换'''

  k = numpy.arange(9) #[0,1,....8]

  m = k.reshape((3,3)) # 改变数组的shape复制生成2维的,每个维度长度为3的数组

  print(k )# [0 1 2 3 4 5 6 7 8]

  print(m )# [[0 1 2] [3 4 5] [6 7 8]]

  # 转置(矩阵)数组:T属性 : mT[x][y] = m[y][x]

  print(m.T )# [[0 3 6] [1 4 7] [2 5 8]]

  # 计算矩阵的内积 xTx

  print(numpy.dot(m,m.T)) # numpy.dot点乘

  # 高维数组的轴对象

  k = numpy.arange(8).reshape(2,2,2)

  print(k )# [[[0 1],[2 3]],[[4 5],[6 7]]]

  print(k[1][0][0])

  # 轴变换 transpose 参数:由轴编号组成的元组

  m = k.transpose((1,0,2)) # m[y][x][z] = k[x][y][z]

  print(m )# [[[0 1],[4 5]],[[2 3],[6 7]]]

  print(m[0][1][0])

  # 轴交换 swapaxes (axes:轴),参数:一对轴编号

  m = k.swapaxes(0,1) # 将第一个轴和第二个轴交换 m[y][x][z] = k[x][y][z]

  print(m )#) [[[0 1],[4 5]],[[2 3],[6 7]]]

  print(m[0][1][0])

  # 使用轴交换进行数组矩阵转置

  m = numpy.arange(9).reshape((3,3))

  print(m )# [[0 1 2] [3 4 5] [6 7 8]]

  print(m.swapaxes(1,0)) # [[0 3 6] [1 4 7] [2 5 8]]

  八、ndarray通用函数:

  

Python关于Numpy的操作基础


  

Python关于Numpy的操作基础


  

Python关于Numpy的操作基础


  九、NumPy的where函数使用:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''where函数的使用'''

  cond = numpy.array([True,False,True,False])

  x = numpy.where(cond,-2,2)

  print(x) # [-2 2 -2 2]

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

  x = numpy.where(cond>2,-2,2)

  print(x) # [ 2 2 -2 -2]

  y1 = numpy.array([-1,-2,-3,-4])

  y2 = numpy.array([1,2,3,4])

  x = numpy.where(cond>2,y1,y2) # 长度须匹配

  print(x) # [1,2,-3,-4]

  '''where函数的嵌套使用'''

  y1 = numpy.array([-1,-2,-3,-4,-5,-6])

  y2 = numpy.array([1,2,3,4,5,6])

  y3 = numpy.zeros(6)

  cond = numpy.array([1,2,3,4,5,6])

  x = numpy.where(cond>5,y3,numpy.where(cond>2,y1,y2))

  print(x) # [ 1. 2. -3. -4. -5. 0.]

  十、ndarray常用的统计方法:

  十一、ndarray数组的去重以及集合运算:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''ndarray的唯一化和集合运算'''

  x = numpy.array([[1,6,2],[6,1,3],[1,5,2]])

  print(numpy.unique(x)) # [1,2,3,5,6]

  y = numpy.array([1,6,5])

  print(numpy.in1d(x,y)) # [ True True False True True False True True False]

  print(numpy.setdiff1d(x,y) )# [2 3]

  print(numpy.intersect1d(x,y) )# [1 5 6]

  十二、numpy中的线性代数:

  十三、numpy中的随机数生成:

  # -*- coding:utf-8 -*-

  # author:

  import numpy as np

  a=np.random.randint(0,10,100)#范围内的整数

  print(a)

  b=np.random.rand(40)#0到1的均匀分布

  print(b)

  c=np.random.randn(10)#标准正态分布

  print(c)

  d=np.random.normal(0,1,100)#生成指定正态分布

  print(d)

  e=np.random.random(20)#0到1的均匀分布

  print(e)

  f=np.random.ranf(20)#0到1的均匀分布

  print(f)

  g=np.random.uniform(-1,1,100)#指定均匀分布

  print(g)

  十四、ndarray数组重塑:

  # -*- coding:utf-8 -*-

  # author:无锡人流医院 http://www.bhnkyy39.com/

  import numpy

  '''ndarray数组重塑'''

  x = numpy.arange(0,6) #[0 1 2 3 4]

  print(x) #[0 1 2 3 4]

  print(x.reshape((2,3))) #) [[0 1 2][3 4 5]]

  print(x )#[0 1 2 3 4]

  print(x.reshape((2,3)).reshape((3,2))) # [[0 1][2 3][4 5]]

  y = numpy.array([[1,1,1],[1,1,1]])

  x = x.reshape(y.shape)

  print(x )# [[0 1 2][3 4 5]]

  print(x.flatten() )# [0 1 2 3 4 5]

  x.flatten()[0] = -1 # flatten返回的是拷贝

  print(x )# [[0 1 2][3 4 5]]

  print(x.ravel()) # [0 1 2 3 4 5]

  x.ravel()[0] = -1 # ravel返回的是视图(引用)

  print(x) # [[-1 1 2][3 4 5]]

  '''"维度大小自动推导"'''

  arr = numpy.arange(15)

  print(arr.reshape((5, -1))) # 15 / 5 = 3

  十五、ndarray数组的拆分与合并:

  

Python关于Numpy的操作基础


  十六、数组的元素重复操作:

  # -*- coding:utf-8 -*-

  # author:

  import numpy

  '''数组的元素重复操作'''

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

  print(x.repeat(2)) # 按元素重复 [1 1 2 2 3 3 4 4]

  print(x.repeat(2,axis=0)) # 按行重复 [[1 2][1 2][3 4][3 4]]

  print(x.repeat(2,axis=1)) # 按列重复 [[1 1 2 2][3 3 4 4]]

  x = numpy.array([1,2])

  print(numpy.tile(x,2)) # tile瓦片:[1 2 1 2]

  print(numpy.tile(x, (2, 2))) # 指定从低维到高维依次复制的次数。

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

  参考:

  NumPy 官网 http://www.numpy.org/

  NumPy 源代码:https://github.com/numpy/numpy

  SciPy 官网:https://www.scipy.org/

  SciPy 源代码:https://github.com/scipy/scipy

  Matplotlib 官网:https://matplotlib.org/

  Matplotlib 源代码:https://github.com/matplotlib/matplotlib

  https://blog.csdn.net/cxmscb/article/details/54583415


向AI问一下细节

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

AI