python——numpy库
python——numpy库一、numpy概述
numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。二、创建ndarray数组ndarray：N维数组对象（矩阵），所有元素必须是相同类型。
ndarray属性：ndim属性，表示维度个数；shape属性，表示各维度大小；dtype属性，表示数据类型。创建ndarray数组函数：代码示例：# -*- coding: utf-8 -*-
import numpy;
print '使用列表生成一维数组'
data =
x = numpy.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 = [,,]
x = numpy.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 = numpy.zeros(6) #创建一维长度为6的，元素都是0一维数组
print x
x = numpy.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 = numpy.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 = numpy.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 numpy.arange(6) # 开区间
print numpy.arange(0,6,2)#
三、指定ndarray数组元素的类型NumPy数据类型：代码示例：print '生成指定元素类型的数组:设置dtype属性'
x = numpy.array(,dtype = numpy.int64)
print x # 元素类型为int64
print x.dtype
x = numpy.array(,dtype = numpy.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 = numpy.array(,dtype = numpy.float64)
y = x.astype(numpy.int32)
print y #
print x # [ 1. 2.63. ]
z = y.astype(numpy.float64)
print z # [ 1.2.3.]
print '将字符串元素转换为数值元素'
x = numpy.array(['1','2','3'],dtype = numpy.string_)
y = x.astype(numpy.int32)
print x # ['1' '2' '3']
print y # 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 = numpy.array([ 1., 2.6,3. ],dtype = numpy.float32);
y = numpy.arange(3,dtype=numpy.int32);
print y #
print y.astype(x.dtype) # [ 0.1.2.]
四、ndarray的矢量化计算矢量运算：相同大小的数组键间的运算应用在元素上
矢量和标量运算：“广播”— 将标量“广播”到各个元素代码示例：print 'ndarray数组与标量/数组的运算'
x = numpy.array()
print x*2 #
print x>2 #
y = numpy.array()
print x+y #
print x>y #
五、ndarray数组的基本索引和切片一维数组的索引：与Python的列表索引功能相似多维数组的索引：
[*]arr
[*]arr 等价 arr
[*][:] 代表某个维度的数据
代码示例：print 'ndarray的基本索引'
x = numpy.array([,,])
print x #
print x # 2,普通python数组的索引
print x # 同x，ndarray数组的索引
x = numpy.array([[, ], [, ]])
print x # [,]
y = x.copy() # 生成一个副本
z = x # 未生成一个副本
print y #[,]
print y # 1
y = 0
z = -1
print y # [,]
print x # [[-1 2],]
print z # [[-1 2],]
print 'ndarray的切片'
x = numpy.array()
print x # 右边开区间
print x[:3] # 左边默认为 0
print x # 右边默认为元素个数
print x # 下标递增2
x = numpy.array([,,])
print x[:2] # [,]
print x[:2,:1] # [,]
x[:2,:1] = 0 # 用标量赋值
print x # [,,]
x[:2,:1] = [,] # 用数组赋值
print x # [,,]
六、ndarray数组的布尔索引和花式索引布尔索引：使用布尔数组作为索引。arr，condition为一个条件/多个条件组成的布尔数组。布尔型索引代码示例：print 'ndarray的布尔型索引'
x = numpy.array()
# 布尔型数组的长度必须跟被索引的轴长度一致
y = numpy.array()
print x #
print x #
print x>=3 # [ True FalseTrue FalseTrueFalse]
print x[~(x>=3)] #
print (x==2)|(x==1) #
print x[(x==2)|(x==1)] #
x[(x==2)|(x==1)] = 0
print x #
花式索引：使用整型数组作为索引。花式索引代码示例：print 'ndarray的花式索引:使用整型数组作为索引'
x = numpy.array()
print x[] #
print x[[-1,-2,-3]] #
x = numpy.array([,,])
print x[] # [,]
print x[,] # 打印x和x
print x[][:,] # 打印01行的01列 [,]
# 使用numpy.ix_()函数增强可读性
print x,)] #同上 打印01行的01列 [,]
x[,] =
print x # [,,]
七、ndarray数组的转置和轴对换数组的转置/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 = numpy.arange(9) #
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 #
print m # [ ]
# 转置(矩阵)数组：T属性 : mT = m
print m.T # [ ]
# 计算矩阵的内积 xTx
print numpy.dot(m,m.T) # numpy.dot点乘
# 高维数组的轴对象
k = numpy.arange(8).reshape(2,2,2)
print k # [[,],[,]]
print k
# 轴变换 transpose 参数:由轴编号组成的元组
m = k.transpose((1,0,2)) # m = k
print m # [[,],[,]]
print m
# 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 = k
print m # [[,],[,]]
print m
# 使用轴交换进行数组矩阵转置
m = numpy.arange(9).reshape((3,3))
print m # [ ]
print m.swapaxes(1,0) # [ ]
八、ndarray通用函数通用函数（ufunc）是一种对ndarray中的数据执行元素级运算的函数。一元ufunc：一元ufunc代码示例：print '一元ufunc示例'
x = numpy.arange(6)
print x #
print numpy.square(x) # [ 0149 16 25]
x = numpy.array()
y,z = numpy.modf(x)
print y # [ 0.50.60.70.8]
print z # [ 1.1.1.1.]二元ufunc：二元ufunc代码示例：print '二元ufunc示例'
x = numpy.array([,])
y = numpy.array([,])
print numpy.maximum(x,y) # [,]
print numpy.minimum(x,y) # [,]
九、NumPy的where函数使用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。代码示例：print 'where函数的使用'
cond = numpy.array()
x = numpy.where(cond,-2,2)
print x # [-22 -22]
cond = numpy.array()
x = numpy.where(cond>2,-2,2)
print x # [ 22 -2 -2]
y1 = numpy.array([-1,-2,-3,-4])
y2 = numpy.array()
x = numpy.where(cond>2,y1,y2) # 长度须匹配
print x #
print 'where函数的嵌套使用'
y1 = numpy.array([-1,-2,-3,-4,-5,-6])
y2 = numpy.array()
y3 = numpy.zeros(6)
cond = numpy.array()
x = numpy.where(cond>5,y3,numpy.where(cond>2,y1,y2))
print x # [ 1.2. -3. -4. -5.0.]
十、ndarray常用的统计方法可以通过这些基本统计方法对整个数组/某个轴的数据进行统计计算。代码示例：print 'numpy的基本统计方法'
x = numpy.array([,,]) #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) #
print x.max() # 3
print x.max(axis=1) #
print x.cumsum() # [ 1369 10 12]
print x.cumprod() # [ 126 18 18 36]
用于布尔数组的统计方法：
[*]sum : 统计数组/数组某一维度中的True的个数
[*]any： 统计数组/数组某一维度中是否存在一个/多个True
[*]all：统计数组/数组某一维度中是否都是True
代码示例：print '用于布尔数组的统计方法'
x = numpy.array([,])
print x.sum() # 2
print x.sum(axis=1) #
print x.any(axis=0) #
print x.all(axis=1) #
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 = numpy.array([,,])
x.sort(axis=1)
print x # [ ]
#非就地排序：numpy.sort()可产生数组的副本
十一、ndarray数组的去重以及集合运算
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 = numpy.array([,,])
print numpy.unique(x) #
y = numpy.array()
print numpy.in1d(x,y) # [ TrueTrue FalseTrueTrue FalseTrueTrue False]
print numpy.setdiff1d(x,y) #
print numpy.intersect1d(x,y) #
十二、numpy中的线性代数import numpy.linalg 模块。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 = numpy.array([,])
y = numpy.array([,])
print x.dot(y) # [[ 5 11]]
print numpy.dot(x,y) # # [[ 5 11]]
print '矩阵求逆'
x = numpy.array([,])
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
十三、numpy中的随机数生成import numpy.random模块。常用的numpy.random模块函数：代码示例：print 'numpy.random随机数生成'
import numpy.random as npr
x = npr.randint(0,2,size=100000) #抛硬币
print (x>0).sum() # 正面的结果
print npr.normal(size=(2,2)) #正态分布随机数数组 shape = (2,2)
十四、ndarray数组重塑代码示例:print 'ndarray数组重塑'
x = numpy.arange(0,6) #
print x #
print x.reshape((2,3)) # []
print x #
print x.reshape((2,3)).reshape((3,2)) # []
y = numpy.array([,])
x = x.reshape(y.shape)
print x # []
print x.flatten() #
x.flatten() = -1 # flatten返回的是拷贝
print x # []
print x.ravel() #
x.ravel() = -1 # ravel返回的是视图（引用）
print x # [[-1 1 2]]
print "维度大小自动推导"
arr = numpy.arange(15)
print arr.reshape((5, -1)) # 15 / 5 = 3
十五、ndarray数组的拆分与合并
代码示例：
print '数组的合并与拆分'
x = numpy.array([, ])
y = numpy.array([, ])
print numpy.concatenate(, axis = 0)
# 竖直组合 [[ 123][ 456][ 789]]
print numpy.concatenate(, axis = 1)
# 水平组合 [[ 123789][ 456 10 11 12]]
print '垂直stack与水平stack'
print numpy.vstack((x, y)) # 垂直堆叠:相对于垂直组合
print numpy.hstack((x, y)) # 水平堆叠：相对于水平组合
# dstack：按深度堆叠
print numpy.split(x,2,axis=0)
# 按行分割 ]), array([])]
print numpy.split(x,3,axis=1)
# 按列分割 ,]), array([,]), array([,])]
# 堆叠辅助类
import numpy as np
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_
'''
[[ 0. 1. ]
[ 2. 3. ]
[ 4. 5. ]
[ 0.226219040.39719794]
[-1.2201912-0.23623549]
[-0.83229114 -0.72678578]]
'''
print 'c_用于按列堆叠'
print np.c_, arr]
'''
[[ 0. 1. 0. ]
[ 2. 3. 1. ]
[ 4. 5. 2. ]
[ 0.226219040.397197943. ]
[-1.2201912-0.236235494. ]
[-0.83229114 -0.726785785. ]]
'''
print '切片直接转为数组'
print np.c_
'''
[
]
'''
十六、数组的元素重复操作代码示例：print '数组的元素重复操作'
x = numpy.array([,])
print x.repeat(2) # 按元素重复
print x.repeat(2,axis=0) # 按行重复 []
print x.repeat(2,axis=1) # 按列重复 []
x = numpy.array()
print numpy.tile(x,2) # tile瓦片：
print numpy.tile(x, (2, 2))# 指定从低维到高维依次复制的次数。
# []
版权声明：本文为CSDN博主「cxmscb」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/cxmscb/article/details/54583415
。。。你转载几个了。。。 Hello. 发表于 2020-4-1 11:09
。。。你转载几个了。。。
一堆 收藏了，真好。
今天也在看pyecharts，这个也挺有意思的
rsj0315 发表于 2020-4-1 20:36
收藏了，真好。
今天也在看pyecharts，这个也挺有意思的
呵呵呵
页:
[1]