numpy的实践操作_numpy实践学习

目录

numpy属性

生成数组的方法

 形状的修改

类型的修改与去重

绘制数学图像

逻辑运算

统计计算

矩阵乘法

---

numpy属性

import numpy as np
 
# shape 数组的维度元组,ndim维数，size元素个数
# 一维数组
data1 = np.array([1, 2, 3.5, 4, 5])  # 一行五列
print(np.shape(data1))
print(np.ndim(data1))
print(np.size(data1))
print(data1.dtype)
print('-' * 100)
 
# 二维数组
data2 = np.array(
    [[1, 2, 3],
     [4, 5, 6],
     [7, 8, 9]]
)  # 三行三列
 
print(np.shape(data2))  # 维度元组
print(np.ndim(data2))  # 维数
print(np.size(data2))  # 元素个数
print(data2.dtype)  # 类型
print(data2.itemsize)  # 大小，单位：字节

生成数组的方法

import numpy as np
import matplotlib.pyplot as plt
 
# 生成数组的方法
 
# 1）生成0和1
data1 = np.zeros(shape=(3, 4), dtype='int64')
print(data1)
data2 = np.ones(shape=(3, 4), dtype='int64')
print(data2)
print('-' * 100)
 
# 2）生成固定范围的数组
data3 = np.linspace(0, 20, 5, )
print(data3)
data4 = np.arange(0, 10, 5)
print(data4)
print('-'*100)
 
# 3）生成随机数组
 
# 均匀分布
data5 = np.random.uniform(low=-1, high=1, size=1000000) # [-1,1]之间均匀分布
# print(data5)
# 创建画布
plt.figure(figsize=(20,8),dpi= 80)
# 绘制直方图
plt.hist(data5,bins = 1000)
# 展示图片
plt.show()
 
# 正态分布
data6 = np.random.normal(loc= 1.75, scale= 0.1,size=1000000)
# 创建画布
plt.figure(figsize=(20,8),dpi= 80)
# 绘制直方图
plt.hist(data6,bins= 1000)
# 展示图片
plt.show()

 

 形状的修改

import numpy as np
# 二维数组
data2 = np.array(
    [[1, 2],
     [4, 5],
     [7, 8]]
)
 
# 修改形状，行和列
print(data2)
data2.resize((2,3))
print(data2)
print('-'*100)
 
# 矩阵的逆置
data2 = data2.T
print(data2)

类型的修改与去重

import numpy as np
import matplotlib.pyplot as plt
 
data1 = np.array(
    [[1, 2],
     [2, 5],
     [7, 8]]
)
data2 = np.array(
    [[1,2,3,4],
     [3,4,5,6]]
)
 
 
# 修改类型
print(data1.dtype)
data1 = data1.astype('int64')
print(data1.dtype)
 
# 去重
data2 = np.unique(data2)
print(data2)

绘制数学图像

import numpy as np
import matplotlib.pyplot as plt
 
# 准备数据
x = np.linspace(-1,1,10000)
y = (x**2)/2
 
# 创建画布
plt.figure(figsize=(20,8),dpi=80)
# 绘制和展示图像
plt.plot(x,y)
plt.show()

逻辑运算

import numpy as np
 
data1 = np.array(
    [[1, 2],
     [2, 5],
     [7, 8]]
)
 
# bool索引
print(data1 > 3)
print('-' * 100)
 
# bool-与  数组中全部满足条件才为真，否则为假
print(np.all(data1 > 3))
print(np.all(data1 > 0))
print('-' * 100)
 
# bool-或  有一个满足条件则为真，否则为假
print(np.any(data1 > 3))
print('-' * 100)
 
# where三目运算符
print(np.where(data1 > 3, 1, 0))
print(np.where(np.logical_and(data1 > 3, data1 < 8), 1, 0))
print(np.where(np.logical_or(data1 < 3, data1 > 5), 1, 0))

统计计算

import numpy as np
 
data1 = np.array(
    [[1, 2],
     [2, 5],
     [7, 8]]
)
 
# 最大值
a1 = np.max(data1,axis=1) # 每行最大值
a2 = np.max(data1,axis=0) # 每列最大值
a3 = np.max(data1) # 矩阵最大值
print(a1,a2,a3)
 
b1 = np.argmax(data1, axis=1) # 最大值位置
print(b1)
 

矩阵乘法

import numpy as np
 
# 矩阵乘法运算
# 形状
#   (m, n) * (n, l) = (m, l)
# 运算规则
#   A (2, 3) B(3, 2)
#   A * B = (2, 2)
data1 = np.array(
    [[1, 2],
     [2, 5],
     [7, 8]]
)
 
data2 = np.array(
    [[1, 2, 3],
     [4, 5, 6]]
)
 
print(np.matmul(data1, data2))
 
 
print('-'*100)
# 矩阵加法
data3 = np.array(
    [[1, 2, 3],
     [4, 5, 6]]
)  # (2,3)
 
data4 = np.array(
   [ [1],
    [3] ]
)  # (2,1)
 
print(data3 + data4)