当前位置： 首页 > news >正文

专业网站改版,西安网站建设方案,网络规划设计师下午考点汇总,你在四川省建设安全与质量监督网站目录 前言1. 一维 array 的生成2. 一维 array 的基本操作2.1. 查看属性2.2. 花式索引2.3. 条件筛查2.4. 数据统计 3. n 维 array 的生成4. n 维 array 的基本操作4.1. 查看属性4.2. 查询和切片4.3. 花式索引4.4. 矩阵 前言 Numpy是Python的常用开源数值计算扩展库#xff0c;用… 目录 前言1. 一维 array 的生成2. 一维 array 的基本操作2.1. 查看属性2.2. 花式索引2.3. 条件筛查2.4. 数据统计 3. n 维 array 的生成4. n 维 array 的基本操作4.1. 查看属性4.2. 查询和切片4.3. 花式索引4.4. 矩阵 前言 Numpy是Python的常用开源数值计算扩展库用于高效存储和处理大型矩阵。本文主要介绍Numpy的数组array的操作及其相关函数的使用。 以下对Numpy库函数的介绍中已传入的参数为默认值并且无返回值的函数不会以赋值形式演示。   

1. 一维 array 的生成 array(p_object, dtype)引用一个列表或元组生成类型为dtype的一维数组arange(start, stop, step)生成相当于array(range(start, stop, step))的整数序列linspace(start, stop, num50, endpointTrue, retstepFalse, dtypefloat64)生成长度为num类型为dtype在[start, stop]上的等差序列endpoint表示区间右端是否封闭retstepTrue时则返回一个元组(array, step)即等差数列和步长empty(shape, dtypefloat64)生成长度为shape类型为dtype元素的值全为空值的一维数组zeros(shape, dtypefloat64)生成长度为shape类型为dtype元素的值全为0的一维数组ones(shape, dtypefloat64)生成*长度为shape类型为dtype元素的值**全为1的一维数组fill(value)将value转换为原数组的数据类型后把原数组的元素的值全部填充为valuerandom.rand(d)在区间[0, 1)生成随机浮点数返回长度为d的一维数组random.randn(d)生成服从正态分布的随机浮点数返回长度为d的一维数组random.randint(low, high, size, dtypeint)在区间[low, high)生成类型为dtype的随机数返回长度为size的一维数组 import numpy as np# 引用创建 l [1, 2, 3, 4] a np.array(l, dtypefloat) # [1. 2. 3. 4.]# 整数序列 a np.arange(1, 10, 2) # [1 3 5 7 9]# 等差数列 a np.linspace(1, 10, 4) # [ 1. 4. 7. 10.]# 全0填充 a np.zeros(3, dtypebool) # [False False False]# 全1填充 a np.ones(4, dtypeint) # [1 1 1 1]# 任意值填充 a.fill(2.5) # [2 2 2 2]# 随机浮点数 a np.random.rand(3) # [0.39581995 0.13435102 0.31592101]# 随机正态分布值 a np.random.randn(3) # [ 1.62916156 0.44159883 -1.85375949]# 随机数 a np.random.randint(1, 3, 5) # [1 1 2 1 1]2. 一维 array 的基本操作 2.1. 查看属性 import numpy as np a np.array([1, 2, 3, 4])# 查看类型即元素的数据类型 print(a.dtype) # int32# 查看维度 print(a.ndim) # 1# 查看长度即元素数目 print(a.size) # 4# 查看尺寸返回一个元组值为对应维度的元素数目 print(a.shape) # (4,)# 类型转换

   a np.array(a, dtypefloat64)

   a a.astype(float64) # [1. 2. 3. 4.]2.2. 花式索引 import numpy as np a np.arange(1, 20, 2) [ 1 3 5 7 9 11 13 15 17 19]# 索引列表获取对应索引的元素 print(a[[2, 2, -3, 6, -1]]) [ 5 5 15 13 19]# 布尔数组和numpy数组长度相等获取布尔值为True的对应位置上的元素 print(a[np.array([1, 1, 0, 1, 0, 1, 1, 0, 1, 0], dtypebool)]) [ 1 3 7 11 13 17]2.3. 条件筛查 import numpy as np a np.arange(1, 20, 2) [ 1 3 5 7 9 11 13 15 17 19]# 对数组中的所有元素做条件判断并在对应位置返回布尔值 print(a 10) [False False False False False True True True True True]# 以元组形式返回所有符合条件的元素的索引 print(np.where(a 10)) (array([5, 6, 7, 8, 9], dtypeint64),)# 返回所有符合条件的元素的数组 print(a[a 10]) print(a[np.where(a 10)]) [11 13 15 17 19]2.4. 数据统计 import numpy as np a np.array([-5, -2, 3, 1, 4])排列

   正序排列

   b np.sort(a) # [-5 -2 1 3 4]# 排列后的元素在原数组中的索引 b np.argsort(a) # [0 1 3 2 4]运算

   应用于所有元素

   b a1 # [-4 -1 4 2 5]# 应用于对应元素 b b*a # [20 2 12 2 20]# 绝对值 abs np.abs(a) # [5 2 3 1 4]# 指数 exp np.exp(a) # [6.73794700e-03 1.35335283e-01 2.00855369e01 2.71828183e00 5.45981500e01]统计

   求和

   s a.sum()

   s np.sum(a) # 1# 最小值

   m a.min()

   m np.min(a) # -5# 最大值

   M a.max()

   M np.max(a) # 4# 均值

   avg a.mean()

   avg np.mean(a) # 0.2# 中值 # mid np.median(a) # 1.0# 累计和(前缀和) cs np.cumsum(a) # [-5 -7 -4 -3 1]# 标准差

   std a.std()

   std np.std(a) # 3.31058907144936983. n 维 array 的生成 array(p_object, dtype)引用一个由 n个相同长度的列表或元组 构成的元组生成类型为dtype的n维数组empty((*dn), dtypefloat64)生成尺寸为(d0, d1, …, dn)类型为dtype元素的值全为空值的n维数组zeros((*dn), dtypefloat64)生成尺寸为(d0, d1, …, dn)类型为dtype元素的值全为0的n维数组ones((*dn), dtypefloat64)生成尺寸为(d0, d1, …, dn)类型为dtype元素的值全为1的n维数组fill(value)将value转换为原数组的数据类型后把原数组的元素的值全部填充为valuerandom.rand(*dn)在区间[0, 1)生成随机浮点数返回尺寸为(d0, d1, …, dn)的n维数组random.randn(*dn)生成服从正态分布的随机浮点数返回尺寸为(d0, d1, …, dn)的n维数组random.randint(low, high, (*dn), dtypeint)在区间[low, high)生成类型为dtype的随机数返回尺寸为(d0, d1, …, dn)的n维数组 import numpy as np# 引用创建 a np.array(([1, 2, 3, 4], (5, 6, 7, 8)))[[1 2 3 4][5 6 7 8]]

   全0填充

   a np.zeros((2, 4))[[0. 0. 0. 0.][0. 0. 0. 0.]]

   全1填充

   a np.ones((2, 4))[[1. 1. 1. 1.][1. 1. 1. 1.]]

   任意值填充

   a.fill(False)[[0. 0. 0. 0.][0. 0. 0. 0.]]

   随机浮点数

   a np.random.rand(2, 2)[[0.11188812 0.83587679][0.98262527 0.79479766]]

   随机正态分布值

   a np.random.randn(2, 2)[[-0.79453966 -1.5958028 ][ 0.89898492 -0.9779685 ]]

   随机数

   a np.random.randint(1, 10, (2, 4))[[9 7 3 9][3 7 4 8]]4. n 维 array 的基本操作 以二维数组为例。 4.1. 查看属性 import numpy as np a np.array(([1, 2, 3, 4], (5, 6, 7, 8)))[[1 2 3 4][5 6 7 8]]

   查看类型

   print(a.dtype) # int32# 查看维度 print(a.ndim) # 2# 查看数目 print(a.size) # 8# 查看尺寸 print(a.shape) # (2, 4)# 对数组所有元素进行运算 a a1[[2 3 4 5][6 7 8 9]]

   两个数组的对应元素进行运算

   a a*(a-1)[[ 2 6 12 20][30 42 56 72]]4.2. 查询和切片 import numpy as np a np.array(([1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]))[[ 1 2 3 4][ 5 6 7 8][ 9 10 11 12][13 14 15 16]]print(a)

   单元查询对于a[x, y]x是行索引y是列索引

   print(a[1, 0]) # 5# 单行查询 print(a[1]) # [5 6 7 8]# 单列查询 print(a[:, 1]) # [ 2 6 10 14]# 连续区域切片 print(a[1:3, 1:3])[[ 6 7][10 11]]

   离散区域切片

   print(a[1::2, 1::2])[[ 6 8][14 16]]

   不完全索引只给出行索引范围时默认对整行切片

   print(a[:3])[[ 1 2 3 4][ 5 6 7 8][ 9 10 11 12]]与列表不同的是Numpy数组的切片是对原数组的引用即它们共同指向一处内存空间这意味元素的修改会同时作用到数组和它的切片上。可以用copy()方法进行拷贝申请新的内存。 import numpy as npa np.array([1, 2, 3, 4]) b a[1: 3] b[0] 0 print(a) # [1 0 3 4]a [1, 2, 3, 4] b a[1: 3] b[0] 0 print(a) # [1, 2, 3, 4]4.3. 花式索引 花式索引是对原数组的拷贝而非引用。 import numpy as np a np.array(([1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]))[[ 1 2 3 4][ 5 6 7 8][ 9 10 11 12][13 14 15 16]]

   索引列表

   print(a[[0, 1, 2, 3], [0, 1, 2, 3]]) [ 1 6 11 16]# 布尔数组需要指定列 mask np.array([0, 1, 0, 1], dtypebool) print(a[mask])[[ 5 6 7 8][13 14 15 16]]print(a[mask, 1]) # [ 6 14] print(a[1, mask]) # [6 8]# 配合切片使用花式索引 print(a[1: 3, [0, 3]])[[ 5 8][ 9 12]]4.4. 矩阵 import numpy as np x np.array([1, 3, 2, 4, 6, 9]) y np.array([13, 25, 37, 42, 54, 69])# 相关系数矩阵 cov np.cov(x, y)[[ 8.56666667 55. ][ 55. 400.8 ]]

   变形

   x x.reshape(2, 3)[[1 3 2][4 6 9]]y.shape (2, 3) print(y) # 原矩阵发生改变[[13 25 37][42 54 69]]

   转置

   x_T x.T

   x_T x.transpose() # 原矩阵不发生改变[[1 4][3 6][2 9]]

   连接

   沿行方向即第一维默认

   z np.vstack((x, y))

   z np.concatenate((x, y), axis0)[[ 1 3 2][ 4 6 9][13 25 37][42 54 69]] 沿列方向即第二维

   z np.hstack((x, y))

   z np.concatenate((x, y), axis1)[[ 1 3 2 13 25 37][ 4 6 9 42 54 69]] 沿垂直方向即第三维 z np.array((x, y)) print(z)[[[ 1 3 2][ 4 6 9]][[13 25 37][42 54 69]]]z np.dstack((x, y))[[[ 1 13][ 3 25][ 2 37]][[ 4 42][ 6 54][ 9 69]]]