首页 > 编程语言 >【技术积累】Python中的NumPy库【二】

【技术积累】Python中的NumPy库【二】

时间：2023-06-14 13:34:52浏览次数：46  
标签：积累 arr 函数 Python print 数组 np NumPy

NumPy库的主要类有哪些？

NumPy库的主要类包括：

  1. ndarray：N维数组对象，是NumPy最重要的类之一。它是Python中数组的基本数据结构，可以进行高效的数学计算和数据处理操作。

  2. ufunc：通用函数对象，是NumPy库中的另一个重要类。它是一种高效的元素级运算工具，提供了基本的数学运算、逻辑运算和位运算等基本的数学和逻辑操作。

  3. linspace：生成一定数量的等差数列，返回一个一维数组。

  4. meshgrid：用于生成二维的坐标矩阵，常用于三维绘图和计算机图形学等领域。

  5. random：随机数生成器，提供了众多生成随机数和随机样本的函数，常用于模型训练和数据分析。

  6. matlib：矩阵库，提供了各种矩阵操作和矩阵运算的函数，包括矩阵乘法、矩阵分解和矩阵求逆等。

  7. fft：快速傅里叶变换（FFT）类，提供了高效的傅里叶变换算法，常用于信号处理和图像处理等领域。

  8. poly：多项式类，提供了多项式求解、多项式拟合和多项式积分等数学运算。常用于数据拟合和模型建立。

  9. linalg：线性代数类，提供了各种线性代数运算的函数，包括矩阵求逆、特征值求解和奇异值分解等。常用于数据分析和机器学习等领域。

NumPy库和Python自带的列表有什么区别？

NumPy库是Python中用于科学计算和数学计算的常用库，它提供了多维数组对象和各种数学函数和操作。相比于Python自带的列表，NumPy数组具有以下几点优势：

  1. 内存占用少：NumPy数组中的所有元素都是相同的数据类型，因此内存占用更小，运行速度更快。

  2. 数组操作方便：NumPy数组可以进行各种数学运算和逻辑运算，例如矩阵乘法、数组切片、数组重塑等操作，这些操作可以在不使用循环的情况下完成。

  3. 广播功能：NumPy数组可以进行广播操作，即对形状不同的数组进行相应的操作，这大大减少了数组形状不同需要循环处理的情况。

而Python自带的列表则是一种基本的数据结构，可以存储任意的对象。相较于NumPy数组，其灵活性更高，可以进行各种操作，同时也更容易理解和使用。但列表的操作性能在大型数据集时会比NumPy数组慢。

如何将Python数列转换为NumPy数组？

将Python数列（即列表）转换为NumPy数组可以使用NumPy库中的array()函数。该函数接受一个列表参数，返回一个NumPy数组。

下面是一个示例代码：

import numpy as np

# 定义一个Python数列
lst = [1, 2, 3, 4, 5]

# 转换为NumPy数组
arr = np.array(lst)

# 输出结果
print(arr)

输出结果为：

[1 2 3 4 5]

在上面的代码中，我们首先导入了NumPy库。然后，我们定义了一个Python数列lst。接着，我们使用array()函数将lst转换为NumPy数组arr。最后，我们输出了arr的值。

注意，当我们将Python数列转换为NumPy数组时，NumPy会自动根据数列中的值的类型来推断生成的数组的数据类型。例如，上面的代码中lst是一个包含整数的数列，因此生成的数组也是整数类型的。如果数列中包含浮点数，则生成的数组将是浮点数类型的。

NumPy库中的数组是什么？有哪些特征？如何创建

NumPy库中的数组是一种多维数组对象，又称为ndarray。这些数组是用来存储相同数据类型的元素（例如int、float等），它是一个可变的对象，可以在其中进行快速且有效的数据操作。

以下是NumPy数组的一些特征：

  1. 数组是一种类似于列表的对象，但在NumPy中，它们可以包含更多的维度。
  2. 数组中的元素必须是相同的类型。
  3. NumPy数组的大小是固定的，也就是说，一旦创建，就无法再加入新元素。
  4. 数组可以通过下标访问，也可以使用NumPy提供的高效的函数对数组进行操作。

以下是创建NumPy数组的几种方式：

1. 通过列表创建

import numpy as np

a = np.array([1, 2, 3])  # 一维数组
b = np.array([[1, 2, 3], [4, 5, 6]])  # 二维数组

2. 通过arange函数创建

import numpy as np

a = np.arange(10)  # 生成一维数组[0 1 2 3 4 5 6 7 8 9]
b = np.arange(0, 10, 2)  # 生成一维数组[0 2 4 6 8]，步长为2
c = np.arange(12).reshape(3, 4)  # 生成二维数组

3. 使用zeros和ones函数创建

import numpy as np

a = np.zeros(5)  # 生成一维数组[0. 0. 0. 0. 0.]
b = np.zeros((2, 3))  # 生成二维数组
c = np.ones((2, 4, 3))  # 生成三维数组，全部元素为1

4. 使用random函数创建

import numpy as np

a = np.random.rand(3)  # 生成一维数组，元素是[0, 1)之间的随机数
b = np.random.randn(3, 2)  # 生成二维数组，元素是标准正态分布的随机数
c = np.random.randint(1, 10, size=(2, 3))  # 生成二维数组，元素是1-10之间的随机整数

 如何使用NumPy数组进行算术运算

import numpy as np

# 创建两个NumPy数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 加法
c = a + b
print("加法：", c)  # [5 7 9]

# 减法
c = a - b
print("减法：", c)  # [-3 -3 -3]

# 乘法
c = a * b
print("乘法：", c)  # [ 4 10 18]

# 除法
c = a / b
print("除法：", c)  # [0.25 0.4  0.5 ]

# 指数
c = np.power(a, 2)
print("指数：", c)  # [1 4 9]

# 平方根
c = np.sqrt(a)
print("平方根：", c)  # [1.         1.41421356 1.73205081]

# 取反
c = -a
print("取反：", c)  # [-1 -2 -3]

如何使用NumPy数组进行三角函数运算？

import numpy as np

# 创建一个长度为10的一维NumPy数组
arr = np.array([0, np.pi/6, np.pi/4, np.pi/3, np.pi/2, np.pi, 3*np.pi/2, 2*np.pi/3, 3*np.pi/4, 5*np.pi/6])

# 计算数组中每个元素的正弦值
sin_arr = np.sin(arr)
print("sin函数结果：", sin_arr)

# 计算数组中每个元素的余弦值
cos_arr = np.cos(arr)
print("cos函数结果：", cos_arr)

# 计算数组中每个元素的正切值
tan_arr = np.tan(arr)
print("tan函数结果：", tan_arr)

输出结果：

sin函数结果： [ 0.          0.5         0.70710678  0.8660254   1.          0.
 -1.         -0.8660254  -0.70710678 -0.5       ]

cos函数结果： [ 1.00000000e+00  8.66025404e-01  7.07106781e-01  5.00000000e-01
  6.12323400e-17 -1.00000000e+00 -1.83697020e-16 -5.00000000e-01
 -7.07106781e-01 -8.66025404e-01]

tan函数结果： [ 0.00000000e+00  5.77350269e-01  1.00000000e+00  1.73205081e+00
  1.63312394e+16 -1.22464680e-16  5.44374645e+15  1.73205081e+00
  1.00000000e+00  5.77350269e-01]

如何使用NumPy数组进行指数和对数运算？

NumPy数组可以使用exponential（指数）和logarithmic（对数）函数进行指数和对数运算。

exponential函数计算每个元素的指数值，logarithmic函数计算每个元素的自然对数，也可以计算底数为其他常数的对数。

下面是一个简单的例子，演示如何使用NumPy数组进行指数和对数操作。

import numpy as np

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

# 指数运算
print("exponential:", np.exp(arr)) 

# 自然对数
print("natural logarithm:", np.log(arr))

# 底数为2的对数
print("log base 2:", np.log2(arr))

# 底数为10的对数
print("log base 10:", np.log10(arr))

在上面的例子中，我们创建了一个一维NumPy数组，并使用numpy.exp函数计算每个元素的指数值，使用numpy.log函数计算每个元素的自然对数，使用numpy.log2函数计算底数为2的对数，使用numpy.log10函数计算底数为10的对数。

输出结果如下：

exponential: [   2.71828183    7.3890561    20.08553692   54.59815003  148.4131591 ]
natural logarithm: [ 0.          0.69314718  1.09861229  1.38629436  1.60943791]
log base 2: [ 0.          1.          1.5849625   2.          2.32192809]
log base 10:[ 0.          0.30103     0.47712125  0.60205999  0.69897   ]

因此，使用NumPy进行指数和对数计算非常简单，只需调用相应的函数即可。

如何使用NumPy数组进行统计运算

NumPy是Python中用于数值计算和科学计算的常用库。它提供了一个称为ndarray的多维数组对象，可以使用它进行统计运算。

以下是一个使用NumPy数组进行统计运算的例子：

import numpy as np

# 创建一个随机数组
arr = np.random.randn(100)

# 计算数组的均值、中位数、标准差和方差
mean = np.mean(arr)
median = np.median(arr)
std_dev = np.std(arr)
variance = np.var(arr)

print('均值：', mean)
print('中位数：', median)
print('标准差：', std_dev)
print('方差：', variance)

上面的代码创建了一个包含100个随机数的NumPy数组，然后对数组进行了一些统计运算。np.mean()函数计算数组的均值，np.median()函数计算中位数，np.std()函数计算标准差，np.var()函数计算方差。

输出结果可能会因为随机数的不同而有所不同，但通常会接近以下值：

均值： 0.03821741789938476
中位数： 0.04451500104648571
标准差： 0.9616266701218458
方差： 0.9241266652394576

如何使用NumPy数组进行线性代数运算？

NumPy是基于Python的库，主要用于科学计算。NumPy中包含大量的数学函数，以支持矩阵和数组的运算。在NumPy中，数组对象被称为ndarray，可以进行各种数学运算。下面是使用NumPy数组进行线性代数运算的案例：

import numpy as np

# 定义 NumPy 数组
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
B = np.array([1, 2, 3])

# 计算 A 的逆矩阵
A_inv = np.linalg.inv(A)

# 求解线性方程组 Ax = B
x = np.linalg.solve(A, B)

# 计算 A 和 B 的乘积
C = A.dot(B)

# 计算 A 和 B 的点积
D = np.dot(A, B)

# 计算矩阵 A 的行列式
det_A = np.linalg.det(A)

# 计算矩阵 A 的特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)

# 打印结果
print('A:')
print(A)
print('A_inv:')
print(A_inv)
print('B:')
print(B)
print('x:')
print(x)
print('C:')
print(C)
print('D:')
print(D)
print('det_A:')
print(det_A)
print('eigenvalues:')
print(eigenvalues)
print('eigenvectors:')
print(eigenvectors)

这是一个简单的NumPy数组线性代数运算的示例，包括计算逆矩阵、求解线性方程组、计算矩阵乘积、点积、矩阵行列式、特征值和特征向量等等。在NumPy中，还有很多其他的线性代数运算函数可供使用。

如何使用NumPy数组进行傅里叶变换

NumPy中的傅里叶变换函数位于numpy.fft模块中，其中包括傅里叶变换、逆变换和频率域滤波等功能。以下是使用NumPy数组进行傅里叶变换的示例：

import numpy as np
import matplotlib.pyplot as plt

# 生成信号
fs = 1000  # 采样率
t = np.arange(0, 1, 1/fs)  # 时间轴
f1, f2 = 10, 100  # 两个频率成分
s = np.sin(2*np.pi*f1*t) + 0.5*np.sin(2*np.pi*f2*t)

# 进行傅里叶变换
S = np.fft.fft(s)  # 频域信号
freqs = np.fft.fftfreq(len(s), 1/fs)  # 频率轴

# 绘制原始信号
plt.subplot(2, 1, 1)
plt.plot(t, s)
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.title('Original Signal')

# 绘制频域信号
plt.subplot(2, 1, 2)
plt.plot(freqs, np.abs(S))
plt.xlabel('Frequency (Hz)')
plt.ylabel('Magnitude')
plt.title('Frequency Domain Signal')

plt.show()

在此示例中，我们生成了一个包含两个频率成分的信号，并利用`np.fft.fft()`函数进行了傅里叶变换，得到了信号的频域表示。然后，利用`np.fft.fftfreq()`函数生成了频率轴，最后将时域信号和频域信号绘制在同一张图中进行比较。

需要注意的是，在进行傅里叶变换之前，需要保证信号的采样率是足够高的，以避免出现混淆和重叠的频率成分。此外，傅里叶变换生成的频域信号一般是对称的，因此通常只需要使用其一半进行后续处理和分析。

如何使用NumPy数组进行形状变换？

NumPy提供了多种方法用于数组形状变换。可以使用reshape函数重新构造数组的形状，也可以使用transpose函数交换数组的维度。

示例代码：

import numpy as np

# 创建一个包含1~9的一维数组
arr = np.arange(1, 10)

# 将一维数组重塑为3 X 3的二维数组
arr_reshaped = arr.reshape((3, 3))

# 输出二维数组
print("Reshaped array:\n", arr_reshaped)

# 交换二维数组的维度
arr_transposed = arr_reshaped.transpose()

# 输出交换维度后的数组
print("Transposed array:\n", arr_transposed)

输出结果：

Reshaped array:
 [[1 2 3]
  [4 5 6]
  [7 8 9]]
  
Transposed array:
 [[1 4 7]
  [2 5 8]
  [3 6 9]]

在上面的代码中，我们从1到9创建了一个一维数组，并使用reshape函数将其重新整形为3 X 3的二维数组。然后，我们使用transpose函数交换了数组的维度，并输出了结果。

标签：积累,arr,函数,Python,print,数组,np,NumPy
From： https://www.cnblogs.com/yyyyfly1/p/17479857.html

相关文章

  • On Python
    Chapter11Test-DrivenDevelopmentTest-DrivenDevelopmentPrinciplesTDDconsistsofwritingtestcasesthatcoveradesiredfeature,thenwritingthefeatureitself.Inotherwords,theusuageexamplesarewrittenbeforethecodeevenexists.......
  • 对python生成器的理解
    什么是生成器？yield该函数没有运行而是返回了一个对象生成器是迭代器需要满足迭代器协议yield对函数做了什么和class定义的迭代器进行对比创建生成器要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：L......
  • python 操作文件/文件夹 案例
    importosimportshutilimportglobstr_input=input("输入文件夹名即格式:")str_addr=r"D:\360极速浏览器下载"str_dest=os.path.join(str_addr,str_input)list_glob=list(glob.glob(os.path.join(str_addr,"*."+str_input+"*")))&......
  • 《最新出炉》系列初窥篇-Python+Playwright自动化测试-3-离线搭建playwright环境
    1.简介有些小伙伴或者童鞋们私信留言说自己是在公司局域网办公，或者公司为了安全对网络管控比较严格（尤其是一些大的国企、央企），总之就是一句话无法连到外网去在线下载，宏哥刚看到留言时觉得这问题还留言问啊，你找个有网的电脑下载好安装包然后安装就可以用了。（第一种情况及解决办法：带......
  • python对接事务性MSMQ队列
    研究了很久，逐步了解到原理后，发现python发送消息到事务性msmq肯定可行。现在能搜到的资源没有任何一篇文章说明了这个，包括gpt都一样。废话不多说，直接上代码 importwin32com.client#关键代码必须使用gencache导入"MSMQ.MSMQQueueInfo"win32com.client.gencache.Ensure......
  • 学了Python后还用学R语言吗？
    学习R语言是否有必要取决于你的具体需求和背景。虽然R语言和Python都是数据科学领域广泛使用的编程语言，但它们之间还是存在一些差异。如果你主要从事数据分析、统计建模或者数据可视化等工作，那么学习R语言可能更为适合。R语言在数据处理和统计分析方面具有很强的优势，并内置许多常......
  • Python中的*（星号）和**(双星号）详解 通俗易懂
    Python和C++不同，并没有指针，因此python中的*号作用和C++中不同。网上对于这方面的教程写的啰啰嗦嗦，一点不简明扼要。看的让人找不到重点。我这里快速的讲解一下。1.最简单的不用细说，是一个乘法运算符号a=1b=2c=a*b输出c当然是1×2=2。相信这并非是大家关心的重点。2.收集列表中多......
  • 对python迭代器的理解
    迭代器的接口迭代器的用法自定义迭代器迭代器的意义1迭代器的接口可迭代对象计算对象之间的共同属性得到可迭代对象的共同属性上述对象都是容器类型，都有长度加入文件对象再次求交集得到可迭代对象的唯一共同接口：_iter_生成了迭代器同样方法计算迭代器的共同......
  • Python：packaging包解析语义化版本（Semantic Versioning）
    参考文章语义化版本2.0.0语义化版本与其在Python中的使用packaging是python的pip自带包，不需要额外安装#-*-coding:utf-8-*-"""@File:demo.py@Date:2023-06-09"""frompackagingimportversioncurrent_version='1.3.4'parsed_versio......
  • python基础
    第1课初识Python程序设计语言_哔哩哔哩_bilibili主流语言介绍：编译器与解释器：python特点：......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99