赞
踩
import numpy as np
N维数组对象
(即ndarray),该对象是一个快速而灵活的大数据集容器
。你可以利用这种数组
对整块数据
执行一些数学运算,其语法跟标量元素之间的运算一样。import numpy as np; print ('使用列表生成一维数组') data = [1,2,3,4,5,6] x = np.array(data) print (x) #打印数组 print(x.dtype) # 打印数组元素的类型 print('使用列表生成二维数组') data = [[1,2],[3,4],[5,6]] x = np.array(data) 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 print('使用zero/ones/empty创建数组:根据shape来创建') x = np.zeros(6) #创建一维长度为6的,元素都是0一维数组 print(x) x = np.zeros((2,3)) #创建一维长度为2,二维长度为3的二维0数组 print(x) x = np.ones((2,3)) #创建一维长度为2,二维长度为3的二维1数组 print(x) x = np.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(x) print('使用arrange生成连续元素') print(np.arange(6)) # [0,1,2,3,4,5,] 开区间 print(np.arange(0, 6, 2)) # [0, 2,4]
import numpy as np; print('生成指定元素类型的数组:设置dtype属性') x = np.array([1,2.6,3],dtype = np.int64) print(x) # 元素类型为int64 print(x.dtype) x = np.array([1,2,3],dtype = np.float64) print(x) # 元素类型为float64 print(x.dtype) print('使用astype复制数组,并转换类型') x = np.array([1,2.6,3],dtype = np.float64) y = x.astype(np.int32) print(y) # [1 2 3] print(x) # [ 1. 2.6 3. ] z = y.astype(np.float64) print(z) # [ 1. 2. 3.] print('将字符串元素转换为数值元素') x = np.array(['1','2','3'],dtype = np.string_) y = x.astype(np.int32) print(x) # ['1' '2' '3'] print(y) # [1 2 3] 若转换失败会抛出异常 print('使用其他数组的数据类型作为参数') x = np.array([ 1., 2.6,3. ],dtype = np.float32); y = np.arange(3,dtype=np.int32); print(y) # [0 1 2] print(y.astype(x.dtype)) # [ 0. 1. 2.]
a = np.array([1,2,3,4])
b = np.arange(4)
print(a, b) # [1 2 3 4] [0 1 2 3]
print(a - b) # [1 1 1 1]
print(a * b) #[ 0 2 6 12]
print(a ** 2) #[ 1 4 9 16]
print(2 * np.sin(a)) #[ 1.68294197 1.81859485 0.28224002 -1.51360499]
print(a > 2) #[False False True True]
print(np.exp(a)) # (指数)[ 2.71828183 7.3890561 20.08553692 54.59815003]
a = np.array([[1,2],[3,4]]) # 2行2列
b = np.arange(6).reshape((2,3)) # 2行3列
print(a, b)
print(a.dot(b)) # 2行3列
一维数组的索引:与Python的列表索引功能相似
多维数组的索引:
- arr[r1:r2, c1:c2]
- arr[1,1] 等价 arr[1][1]
- [:] 代表某个维度的数据
代码展示:
在print('ndarray的基本索引') x = np.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 = np.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]] print('ndarray的切片') x = np.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 = np.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]]
布尔索引:使用布尔数组
作为索引。arr[condition]
,condition为一个条件/多个条件组成的布尔数组。
代码演示:
print('ndarray的布尔型索引')
x = np.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 = np.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]
花式索引:使用整型数组
作为索引
代码演示:
print('ndarray的花式索引:使用整型数组作为索引')
x = np.array([1, 2, 3, 4, 5, 6])
print(x[[0, 1, 2]]) # [1 2 3]
print(x[[-1, -2, -3]]) # [6,5,4]
x = np.array([[1, 2], [3, 4], [5, 6]])
print(x[[0, 1]]) # [[1,2],[3,4]]
print(x[[0, 1], [0, 1]]) # [1,4] 打印x[0][0]和x[1][1]
print(x[[0, 1]][:, [0, 1]]) # 打印01行的01列 [[1,2],[3,4]]
# 使用np.ix_()函数增强可读性
print(x[np.ix_([0, 1], [0, 1])]) # 同上 打印01行的01列 [[1,2],[3,4]]
x[[0, 1], [0, 1]] = [0, 0]
print(x) # [[0,2],[3,0],[5,6]]
数组的转置/轴对换只会返回源数据的一个视图,不会对源数据进行修改。
代码示例:
print('ndarray数组的转置和轴对换') k = np.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(np.dot(m, m.T)) # np.dot点乘 # 高维数组的轴对象 k = np.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 = np.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]]
一元ufunc代码示例:
print('一元ufunc示例')
x = np.arange(6)
print(x) # [0 1 2 3 4 5]
print(np.square(x)) # [ 0 1 4 9 16 25]
x = np.array([1.5, 1.6, 1.7, 1.8])
y, z = np.modf(x) #将数组的小数和整数部分以两个独立数组的形式返回
print(y) # [ 0.5 0.6 0.7 0.8]
print(z) # [ 1. 1. 1. 1.]
二元ufunc代码示例:
print('二元ufunc示例')
x = np.array([[1, 4], [6, 7]])
y = np.array([[2, 3], [5, 8]])
print(np.maximum(x, y)) # [[2,4],[6,8]]
print(np.minimum(x, y)) # [[1,3],[5,7]]
np.where(condition, x, y)
,第一个参数为一个布尔数组,第二个参数和第三个参数可以是标量也可以是数组。
即 :满足条件(condition),输出x,不满足输出y。
代码演示:
print('where函数的使用') cond = np.array([True, False, True, False]) x = np.where(cond, -2, 2) print(x) # [-2 2 -2 2] cond = np.array([1, 2, 3, 4]) x = np.where(cond > 2, -2, 2) print(x) # [ 2 2 -2 -2] y1 = np.array([-1, -2, -3, -4]) y2 = np.array([1, 2, 3, 4]) x = np.where(cond > 2, y1, y2) # 长度须匹配 print(x) # [1,2,-3,-4] print('where函数的嵌套使用') y1 = np.array([-1, -2, -3, -4, -5, -6]) y2 = np.array([1, 2, 3, 4, 5, 6]) y3 = np.zeros(6) cond = np.array([1, 2, 3, 4, 5, 6]) x = np.where(cond > 5, y3, np.where(cond > 2, y1, y2)) print(x) # [ 1. 2. -3. -4. -5. 0.]
print('np的基本统计方法')
x = np.array([[1, 2], [3, 3], [1, 2]]) # 同一维度上的数组长度须一致
print(x.mean()) # 2
print(x.mean(axis=1)) # 对每一行的元素求平均
print(x.mean(axis=0)) # 对每一列的元素求平均
print(x.sum()) # 同理 12
print(x.sum(axis=1)) # [3 6 3]
print(x.max()) # 3
print(x.max(axis=1)) # [2 3 2]
print(x.cumsum()) # [ 1 3 6 9 10 12]
print(x.cumprod()) # [ 1 2 6 18 18 36]
用于布尔数组
的统计方法:
print('用于布尔数组的统计方法')
x = np.array([[True, False], [True, False]])
print(x.sum()) # 2
print(x.sum(axis=1)) # [1,1]
print(x.any(axis=0)) # [True,False]
print(x.all(axis=1)) # [False,False]
使用sort
对数组/数组某一维度
进行就地排序
(会修改数组本身)。
代码示例:
print('.sort的就地排序')
x = np.array([[1, 6, 2], [6, 1, 3], [1, 5, 2]])
x.sort(axis=1)
print(x) # [[1 2 6] [1 3 6] [1 2 5]]
# 非就地排序:np.sort()可产生数组的副本
代码示例:(方法返回类型为一维数组(1d))
print('ndarray的唯一化和集合运算')
x = np.array([[1, 6, 2], [6, 1, 3], [1, 5, 2]])
print(np.unique(x)) # [1,2,3,5,6]
y = np.array([1, 6, 5])
print(np.in1d(x, y)) # [ True True False True True False True True False]
print(np.setdiff1d(x, y)) # [2 3]
print(np.intersect1d(x, y)) # [1 5 6]
import numpy.linalg #线性代数(linear algebra)
常用的numpy.linalg模块函数:
代码示例:
print('线性代数')
import numpy.linalg as nla
print('矩阵点乘')
x = np.array([[1, 2], [3, 4]])
y = np.array([[1, 3], [2, 4]])
print(x.dot(y)) # [[ 5 11][11 25]]
print(np.dot(x, y)) # # [[ 5 11][11 25]]
print('矩阵求逆')
x = np.array([[1, 1], [1, 2]])
y = nla.inv(x) # 矩阵求逆(若矩阵的逆存在)
print(x.dot(y)) # 单位矩阵 [[ 1. 0.][ 0. 1.]]
print(nla.det(x)) # 求行列式
代码示例:
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)
代码示例:
print('ndarray数组重塑') x = np.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 = np.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]] print("维度大小自动推导") arr = np.arange(15) print(arr.reshape((5, -1))) # 15 / 5 = 3
代码示例:
print('数组的合并与拆分') x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.array([[7, 8, 9], [10, 11, 12]]) print(np.concatenate([x, y], axis=0)) # 竖直组合 [[ 1 2 3][ 4 5 6][ 7 8 9][10 11 12]] print(np.concatenate([x, y], axis=1)) # 水平组合 [[ 1 2 3 7 8 9][ 4 5 6 10 11 12]] print('垂直stack与水平stack') print(np.vstack((x, y))) # 垂直堆叠:相对于垂直组合 print(np.hstack((x, y))) # 水平堆叠:相对于水平组合 # dstack:按深度堆叠 print(np.split(x, 2, axis=0)) # 按行分割 [array([[1, 2, 3]]), array([[4, 5, 6]])] print(np.split(x, 3, axis=1)) # 按列分割 [array([[1],[4]]), array([[2],[5]]), array([[3],[6]])] # 堆叠辅助类 arr = np.arange(6) arr1 = arr.reshape((3, 2)) arr2 = np.random.randn(3, 2) print('r_用于按行堆叠') print(np.r_[arr1, arr2]) ''' [[ 0. 1. ] [ 2. 3. ] [ 4. 5. ] [ 0.22621904 0.39719794] [-1.2201912 -0.23623549] [-0.83229114 -0.72678578]] ''' print('c_用于按列堆叠') print(np.c_[np.r_[arr1, arr2], arr]) ''' [[ 0. 1. 0. ] [ 2. 3. 1. ] [ 4. 5. 2. ] [ 0.22621904 0.39719794 3. ] [-1.2201912 -0.23623549 4. ] [-0.83229114 -0.72678578 5. ]] ''' print('切片直接转为数组') print(np.c_[1:6, -10:-5]) ''' [[ 1 -10] [ 2 -9] [ 3 -8] [ 4 -7] [ 5 -6]] '''
代码示例:
print('数组的元素重复操作')
x = np.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 = np.array([1, 2])
print(np.tile(x, 2)) # tile瓦片:[1 2 1 2]
print(np.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]]
一.
https://blog.csdn.net/cxmscb/article/details/54583415?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
二.
https://blog.csdn.net/erchouchou/article/details/102657061?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158364520319195162560022%2522%252C%2522scm%2522%253A%252220140713.130056874…%2522%257D&request_id=158364520319195162560022&biz_id=0&utm_source=distribute.pc_search_result.none-task
三
https://blog.csdn.net/fu6543210/article/details/83240024?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。