目录
- 一、numpy简介
- 二、numpy数组的使用
- 四、numpy数组的常用属性
- 五、获取numpy数组的行列数
- 六、切割numpy数组
- 七、numpy数组元素替换
- 八、numpy数组的合并
- 九、通过函数创建numpy数组
- 十、numpy数组运算
- 十一、numpy数组运算函数
- 十二、numpy数组矩阵化
- 十三、numpy数组数学和统计方法
- 十四、numpy.random生成随机数
一、numpy简介
numpy官方文档:https://docs.scipy.org/doc/numpy/reference/?v=20190307135750
numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组,比Python自身的嵌套列表结构要高效的多(该结构也可以用来表示numpy数组)。
numpy库有两个作用:
- 区别于list列表,提供了数组操作、数组运算、以及统计分布和简单的数学模型
- 计算速度快,甚至要由于python内置的简单运算,使得其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等,其数组操作也和numpy非常相似。
二、numpy数组的使用
2.1 为什么用numpy
# 使用python中的元组
lis1 = [1, 2, 3]
lis2 = [4, 5, 6]
print(lis1)
# [1, 2, 3]
print(lis2)
# [4, 5, 6]
# 如果我们想让lis1 * lis2得到一个结果为lis_res = [4, 10, 18],非常复杂。
2.2 创建numpy数组
numpy数组即numpy的ndarray对象,创建numpy数组就是把一个列表传入np.array()方法。
安装
# pip3 install numpy
import numpy as np
创建一维的ndarray对象
arr = np.array([1, 2, 3])
print(arr, type(arr))
# 结果是:
# [1 2 3] <class 'numpy.ndarray'>
创建二维的ndarray对象
print(np.array([[1, 2, 3], [4, 5, 6]]))
# 结果是:
[[1 2 3]
[4 5 6]]
创建三维的ndarray对象
print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))
# 结果是:
[[1 2 3]
[4 5 6]
[7 8 9]]
三、numpy数组的dtype种类
常见的 NumPy 数组数据类型:
- 整数类型:
- int8, int16, int32, int64: 有符号整数类型,表示不同位数的整数。
- uint8, uint16, uint32, uint64: 无符号整数类型,表示不同位数的非负整数。
- 浮点数类型:
- float16, float32, float64: 单精度和双精度浮点数类型,分别表示半精度、单精度和双精度浮点数。
- complex64, complex128: 单精度和双精度复数类型,分别表示由两个浮点数构成的复数。
- 布尔类型:
- bool: 布尔类型,表示 True 或 False。
- 字符串类型:
- str: 字符串类型,用于表示文本数据。
- unicode: Unicode 字符串类型,用于表示支持多种字符集的文本数据。
- 日期和时间类型:
- datetime64: 表示日期和时间的类型。
除了上述常见的数据类型外,还可能存在其他特定的数据类型,例如:
分类类型:
-
category: 分类类型,用于表示具有有限个离散值的数据。
对象类型: -
object: 通用对象类型,可以存储任意类型的数据。
四、numpy数组的常用属性
属性 | 解释 |
---|---|
T | 数组的转置(对高维数组而言) |
dtype | 数组元素的数据类型 |
size | 数组元素的个数 |
ndim | 数组的维数 |
shape | 数组的维度大小(以元组形式) |
astype | 类型转换 |
# 1.打印一个浮点型的数组
arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)
print(arr)
# 结果是:
[[1. 2. 3.]
[4. 5. 6.]]
# 2.转置
print(arr.T)
# 结果是:
[[1. 4.]
[2. 5.]
[3. 6.]]
# 3.打印数组的数据类型
print(arr.dtype)
# float32
# 4.类型转换
arr = arr.astype(np.int32)
print(arr.dtype)
print(arr)
# 结果是:
int32
[[1 2 3]
[4 5 6]]
# 5.数组元素的个数
print(arr.size)
# 6
# 6.数组的维数
print(arr.ndim)
# 2
# 7.数组的维度大小,n*n维的数组
print(arr.shape)
# (2, 3)
五、获取numpy数组的行列数
由于numpy数组是多维的,对于二维的数组而言,numpy数组就是既有行又有列。
注意:对于numpy我们一般多讨论二维的数组。
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
# 结果是:
[[1 2 3]
[4 5 6]]
# 1.获取numpy数组的行和列构成的数组
print(arr.shape)
# (2, 3)
# 2.获取numpy数组的行
print(arr.shape[0])
# 2
# 3.获取numpy数组的列
print(arr.shape[1])
# 3
六、切割numpy数组
切分numpy数组类似于列表的切割,但是与列表的切割不同的是,numpy数组的切割涉及到行和列的切割,但是两者切割的方式都是从索引0开始,并且取头不取尾。
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)
# 结果是:
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
# 1.取所有元素
print(arr[:, :])
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
# 2.1 取第一行的所有元素
print(arr[:1, :])
# [[1 2 3 4]]
# 2.2 取第一行的所有元素
print(arr[0, [0, 1, 2, 3]])
# [1 2 3 4]
# 3.1 取第一列的所有元素
print(arr[:, :1])
[[1]
[5]
[9]]
# 3.2 取第一列的所有元素
print(arr[(0, 1, 2), 0])
# [1 5 9]
# 4.取第一行第一列的元素
print(arr[0, 0])
# 1
# 5.取大于5的元素,返回一个数组
print(arr[arr > 5])
# [ 6 7 8 9 10 11 12]
# 6.numpy数组按运算符取元素的原理,即通过arr > 5生成一个布尔numpy数组
print(arr > 5)
[[False False False False]
[False True True True]
[ True True True True]]
七、numpy数组元素替换
numpy数组元素的替换,类似于列表元素的替换,并且numpy数组也是一个可变类型的数据,即如果对numpy数组进行替换操作,会修改原numpy数组的元素,所以下面我们用.copy()方法举例numpy数组元素的替换。
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
# 1.取第一行的所有元素,并且让第一行的元素都为0
arr1 = arr.copy()
arr1[:1, :] = 0
print(arr1)
[[ 0 0 0 0]
[ 5 6 7 8]
[ 9 10 11 12]]
# 2.取所有大于5的元素,并且让大于5的元素为0
arr2 = arr.copy()
arr2[arr > 5] = 0
print(arr2)
[[1 2 3 4]
[5 0 0 0]
[0 0 0 0]]
# 3.对numpy数组清零
arr3 = arr.copy()
arr3[:, :] = 0
print(arr3)
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
八、numpy数组的合并
arr1 = np.array([[1, 2], [3, 4], [5, 6]])
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr1)
print(arr2)
[[1 2]
[3 4]
[5 6]]
[[ 7 8]
[ 9 10]
[11 12]]
#####合并行
# 1.合并两个numpy数组的行,注意使用hstack()方法合并numpy数组,numpy数组应该有相同的行,其中hstack的h表示horizontal水平的
print(np.hstack((arr1, arr2)))
[[ 1 2 7 8]
[ 3 4 9 10]
[ 5 6 11 12]]
# 2.合并两个numpy数组,其中axis=1表示合并两个numpy数组的行
print(np.concatenate((arr1, arr2), axis=1))
[[ 1 2 7 8]
[ 3 4 9 10]
[ 5 6 11 12]]
#####合并列
# 3.合并两个numpy数组的列,注意使用vstack()方法合并numpy数组,numpy数组应该有相同的列,其中vstack的v表示vertical垂直的
print(np.vstack((arr1, arr2)))
[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]]
# 4.合并两个numpy数组,其中axis=0表示合并两个numpy数组的列
print(np.concatenate((arr1, arr2), axis=0))
[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]]
九、通过函数创建numpy数组
方法 | 详解 |
---|---|
array() | 将列表转换为数组,可选择显式指定dtype |
arange() | range的numpy版,支持浮点数 |
linspace() | 类似arange(),第三个参数为数组长度 |
zeros() | 根据指定形状和dtype创建全0数组 |
ones() | 根据指定形状和dtype创建全1数组 |
eye() | 创建单位矩阵 |
empty() | 创建一个元素全随机的数组 |
reshape() | 重塑形状 |
1 array
arr = np.array([1, 2, 3])
print(arr)
# [1 2 3]
2 arange
# 构造0-9的ndarray数组
print(np.arange(10))
# [0 1 2 3 4 5 6 7 8 9]
# 构造1-4的ndarray数组
print(np.arange(1, 5))
# [1 2 3 4]
# 构造1-19且步长为2的ndarray数组
print(np.arange(1, 20, 2))
# [ 1 3 5 7 9 11 13 15 17 19]
3 linspace/logspace
# 构造一个等差数列,取头也取尾,从0取到20,取5个数
print(np.linspace(0, 20, 5))
# [ 0. 5. 10. 15. 20.]
# 构造一个等比数列,从10**0取到10**20,取5个数
print(np.logspace(0, 20, 5))
# [1.e+00 1.e+05 1.e+10 1.e+15 1.e+20]
4 zeros/ones/eye/empty
# 构造3*4的全0numpy数组
print(np.zeros((3, 4)))
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
# 构造3*4的全1numpy数组
print(np.ones((3, 4)))
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
# 构造3个主元的单位numpy数组
print(np.eye(3))
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
# 构造一个4*4的随机numpy数组,里面的元素是随机生成的
print(np.empty((4, 4)))
[[ 2.31584178e+077 -1.49457545e-154 3.95252517e-323 0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 1.29074055e-231 1.11687366e-308]]
5 reshape
arr = np.ones([2, 2], dtype=int)
print(arr.reshape(4, 1))
[[1]
[1]
[1]
[1]]
6 fromstring/fromfunction(了解)
# fromstring通过对字符串的字符编码所对应ASCII编码的位置,生成一个ndarray对象
s = 'abcdef'
# np.int8表示一个字符的字节数为8
print(np.fromstring(s, dtype=np.int8))
# [ 97 98 99 100 101 102]
/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:4: DeprecationWarning: The binary mode of fromstring is deprecated, as it behaves surprisingly on unicode inputs. Use frombuffer instead
after removing the cwd from sys.path.
def func(i, j):
"""其中i为numpy数组的行,j为numpy数组的列"""
return i * j
# 使用函数对numpy数组元素的行和列的索引做处理,得到当前元素的值,索引从0开始,并构造一个3*4的numpy数组
print(np.fromfunction(func, (3, 4)))
[[0. 0. 0. 0.]
[0. 1. 2. 3.]
[0. 2. 4. 6.]]
十、numpy数组运算
运算符 | 说明 |
---|---|
+ | 两个numpy数组对应元素相加 |
- | 两个numpy数组对应元素相减 |
* | 两个numpy数组对应元素相乘 |
/ | 两个numpy数组对应元素相除,如果都是整数则取商 |
% | 两个numpy数组对应元素相除后取余数 |
**n | 单个numpy数组每个元素都取n次方,如**2:每个元素都取平方 |
arrarr1 = np.array([[1, 2], [3, 4], [5, 6]])
print(arr1)
[[1 2]
[3 4]
[5 6]]
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr2)
[[ 7 8]
[ 9 10]
[11 12]]
# 1.相加
print(arr1 + arr2)
[[ 8 10]
[12 14]
[16 18]]
# 2.相乘
print(arr1**2)
[[ 1 4]
[ 9 16]
[25 36]]
十一、numpy数组运算函数
numpy数组函数 | 详解 |
---|---|
np.sin(arr) | 对numpy数组arr中每个元素取正弦,
标签:arr,模块,元素,np,数组,print,numpy
From: https://www.cnblogs.com/zjyao/p/17675396.html
相关文章
|