Numpy基本使用

微信小程序获取用户手机号全流程实战(附完整代码) 本文详细介绍了微信小程序获取用户手机号的全流程实战,包括前端授权、后端解密及安全合规要点。通过传统授权按钮和新版手机号快速验证组件两种方案,帮助开发者高效实现功能,并附完整代码示例。重点解析了微信小程序接口的使用技巧和常见问题解决方案,确保数据安全与用户体验。 阅读详情

说明

本文代码运行环境

  • macOS 10.13.1
  • python 3.7
  • Numpy 1.15.4

numpy安装与引用

conda安装numpy

conda install -c anaconda numpy

引入numpy

import numpy as np

生成数组

什么是数组

数组与列表区别
数组只能存储一种类型数据,列表可以存储任意类型的数据

存储其他类型报错

#导入数组
import array

#初始化类型为int数组
a = array.array('i',range(10))

#将数组设置非int类型值,则报错
a[1] = 's'
#报错,类型错误
#output:
TypeError: an integer is required (got type str)

指定元素值生成数组

列表转化数组

a = list(range(10))
array_from_list = np.array(a)
print(a)
print(array_from_list)
print(type(array_from_list))

#output:
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[0 1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>

生成全为零的数组

a = np.zeros(10)
print(type(a))
#默认为float类型
print(a.dtype)

#output:
<class 'numpy.ndarray'>
float64

指定dtype

a = np.zeros(10,dtype=int)
print(type(a))
print(a.dtype)

#output:
<class 'numpy.ndarray'>
int64

生成m行n列矩阵,元素全为0

a = np.zeros((4,4),dtype=int)
print(a)

#output:
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]

生成m行n列矩阵,元素全为1

a = np.ones((4,4))
print(a)

#output:
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

生成m行n列矩阵,元素全为指定元素k

a = np.full((4,4),1.5)
print(a)

#output:
[[1.5 1.5 1.5 1.5]
 [1.5 1.5 1.5 1.5]
 [1.5 1.5 1.5 1.5]
 [1.5 1.5 1.5 1.5]]

根据已有数组的结构,生成数组

np.zeros_like(a)

#output:
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
np.ones_like(a)

#output:
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])
np.full_like(a,3.14)

#output:
array([[3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14]])

随机生成数组

#随机生成5~10中整数
print(random.randint(5,10))

#随机生成[0,1)小数
print(random.random())

生成m * n 随机数组

np.random.random((3,3))

#output:
array([[0.50300093, 0.83929887, 0.10007557],
       [0.68422998, 0.8545661 , 0.35985938],
       [0.77191599, 0.6631718 , 0.62946225]])

指定最大值,最小值,生成m*n维元素全为整数的随机数组

np.random.randint(0,10,(3,3))

#output:
array([[7, 7, 6],
       [4, 8, 4],
       [6, 9, 4]])

以特定步长取值

从0到10,步长为2取值
print(list(range(0,10,2)))
#output:
[0, 2, 4, 6, 8]


#np的步长取值
np.arange(0,10,2)
#output:
array([0, 2, 4, 6, 8])

以均匀步长取值

#从0到3以均匀步长取10个值
np.linspace(0,3,10)

#output:
array([0.        , 0.33333333, 0.66666667, 1.        , 1.33333333,
       1.66666667, 2.        , 2.33333333, 2.66666667, 3.        ])

生成斜对角为1其余值为零的二维数组

np.eye(5)
#output:
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

数据类型

访问数组

嵌套列表的数据访问

var = [[1,2,3],[4,5,6],[7,8,9]]
print(var[0])
print(var[0][0])

#output:
[1, 2, 3]
1

访问数组第一行第一列数据

a = np.array(var)
print(a)
print(a[0][0]) 
#你可以这样访问
#print(a[0,0])
#output:
[[1 2 3]
 [4 5 6]
 [7 8 9]]
1

访问数组最后一行第一列数据

print(a[-1][0])
#你可以这样访问
#print(a[-1,0])
#output:
7

数组切片

#取前两行,前两列的数据
print(a[:2,:2])
#output:
array([[1, 2],
       [4, 5]])

#取三行,第一列的数据
print(a[:3,:1])
#output:
array([[1],
       [4],
       [7]])

数组属性

数组维度

#生成个2维数组
m = np.random.randint(0,10,(3,3))
#生成个3维数组
n = np.random.randint(0,10,(2,4,2))
#生成个4维数组
k = np.random.randint(0,10,(1,10,5,5))

print(m.ndim)
print(n.ndim)
print(k.ndim)

#output:
2
3
4

数组Shape

shape,返回的是一个元组,元组中的元素是数组对应维度的数据长度

print(m.shape)
print(n.shape)
print(k.shape)
#output:
(3, 3)
(2, 4, 2)
(1, 10, 5, 5)

数组大小

#数组的元素总个数
print(m.size)
print(n.size)
print(k.size)

#output:
9
16
250

#数组第一维度元素总个数
print(np.size(m,0))
print(np.size(n,0))
print(np.size(k,0))

#output:
3
2
1

#数组第二维度元素总个数
print(np.size(m,1))
print(np.size(n,1))
print(np.size(k,1))

#output:
3
4
10

#数组第三维度元素总个数
print(np.size(m,2))
print(np.size(n,2))
print(np.size(k,2))

#报错,因为数组m没有第三维度
#output:
IndexError: tuple index out of range

数组的数据类型

print(a.dtype)
#output:
int64

数组中元素的字节数

x = np.array([1,2,3], dtype=np.float64)
x.itemsize
#output:
8
x = np.array([1,2,3], dtype=np.complex128)
x.itemsize
#output:
16

数组中元素占用的总字节数

print(a.nbytes)

# 9 elements * 8 bytes one element
#output:
72

数组操作

数组每个元素加上特定值

a = np.full((3,3),1.0,dtype=float)
a+10
#等价于
#np.add(a,10)

#output:
array([[11., 11., 11.],
       [11., 11., 11.],
       [11., 11., 11.]])

数组元素操作对应表

操作符对应np方法名描述
+np.add加
-np.subtract减
*np.multiply乘
/np.divide除
**np.power平方
%np.mod取模

数组元素取sin值

a = np.linspace(0,np.pi,20)
b = np.sin(a)
print(a)
print(b)

#output:
[0.         0.16534698 0.33069396 0.49604095 0.66138793 0.82673491
 0.99208189 1.15742887 1.32277585 1.48812284 1.65346982 1.8188168
 1.98416378 2.14951076 2.31485774 2.48020473 2.64555171 2.81089869
 2.97624567 3.14159265]
[0.00000000e+00 1.64594590e-01 3.24699469e-01 4.75947393e-01
 6.14212713e-01 7.35723911e-01 8.37166478e-01 9.15773327e-01
 9.69400266e-01 9.96584493e-01 9.96584493e-01 9.69400266e-01
 9.15773327e-01 8.37166478e-01 7.35723911e-01 6.14212713e-01
 4.75947393e-01 3.24699469e-01 1.64594590e-01 1.22464680e-16]

数组求和

a = np.full(10,2.3)
print(sum(a))
a = np.array([[1,2],[3,4]])
print(sum(a))
#求总和
print(np.sum(a))
#求横轴对应元素的和
print(np.sum(a,axis=0))
#求纵轴对应元素的和
print(np.sum(a,axis=1))

#output:
23.000000000000004
[4 6]
10
[4 6]
[3 7]

Notebook使用技巧

$timeit 用于测试代码的执行效率

$timeit sum(a)
#output:
2.34 µs ± 131 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

比较数组中每个值与特定值的大小

a = np.array(range(10))
print(a >= 3)
print(a != 3)

#output:
[False False False  True  True  True  True  True  True  True]
[ True  True  True False  True  True  True  True  True  True]


#判断是否每个元素都大于某特定值
np.all(a>-1)
#output:
True

#判断是否某个元素大于某特定值
np.any(a>-1)
#output:
True

数组元素比较对应表

操作符对应np方法名描述
==np.equal等于
>np.greater大于
<np.less小于
!=np.not_equal不等于
>=np.greater_equal大于等于
<=np.less_equal小于等于

变形


#将2x10数组变形为4x5,变形前提是变形后元素数量相同
a = np.full((2,10),3.14,dtype=float)
a.reshape(4,5)
#output:
array([[3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14]])

a.reshap(4,6)
#output:
ValueError: cannot reshape array of size 20 into shape (4,6)

axis
axis,中文为轴。

轴是个整型值,代表轴几的意思。一个二维数组,行为轴0,列为轴1,如下图所示,图片来自Google picture
在这里插入图片描述

l = [[1,3,2],
    [4,6,5],
     [9,8,7]
    ]
a = np.array(l)

print(a[0][0])

#output:
1

如上代码,对于二维数组,在取值时,a[0][0],第一个索引[0]便是轴0(axis=0),第二个索引[0]表示轴1(axis=1)

排序

l = [[1,3,2],
    [4,6,5],
     [9,8,7]
    ]
a = np.array(l)
np.sort(a)

#output:
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

#不改变原数组的值
a
#output:
array([[1, 3, 2],
       [4, 6, 5],
       [9, 8, 7]])

#将元素按着轴1的方向排序(横向排序)
l = [[1,3,2],
    [9,8,7],
     [4,5,6]
    ]
a = nn.array(l)
a.sort(axis=1)
a

#output:
array([[1, 2, 3],
       [7, 8, 9],
       [4, 5, 6]])

#将元素按着轴0的方向排序(纵向排序)
a.sort(axis=0)
#output:
array([[1, 3, 2],
       [4, 5, 6],
       [9, 8, 7]])

拼接

b = np.array([[0,2,4],[1,3,5]])

#将元素按着轴0的方向拼接(纵向拼接)
np.concatenate([b,b,b],axis=0)
#output:
array([[0, 2, 4],
       [1, 3, 5],
       [0, 2, 4],
       [1, 3, 5],
       [0, 2, 4],
       [1, 3, 5]])
#将元素按着轴1的方向拼接(横向拼接)
np.concatenate([b,b,b],axis=1)
#output:
array([[0, 2, 4, 0, 2, 4, 0, 2, 4],
       [1, 3, 5, 1, 3, 5, 1, 3, 5]])

相关链接

  1. Numpy官方文档
  2. Numpy Tutorial from tutorialspoint
LVGL(lv_table) LVGL中的lv_table是一个轻量级表格控件,用于显示行列式文本数据。它支持设置单元格内容/样式、行列调整、事件响应等基础功能,适用于参数配置、数据展示等场景。通过API可快速创建表格,设置行列数、填充数据,并自定义对齐方式与样式。但需注意默认无滚动条、行数限制等问题。该控件适合简单表格需求,复杂交互需结合自定义事件处理。 阅读详情

相关推荐

【保姆级教程】不到一元32位芯片 DIY迷你时钟

基于不到一元的CH32V003F4P9芯片制作的迷你多功能时钟。

twen51的博客 1817

细说NumPy数组的四种乘法,带你走进向量运算的奇妙世界

当孔乙己说回字有四样写法的时候,相信各位都是这样的表情吧?但是,如果孔乙己说NumPy数组有四种乘法的时候,各位大约就是这样的表情了吧?实际上,NumPy数组乘法远不止四种。为了在写作和阅读时保持清晰的逻辑和清醒的头脑,本文仅对四种最常见的数组乘法给出详细说明,并用一道数学题来演示向量点乘和叉乘的用法。

Python作业辅导员 - 天元浪子 3万+

ELK 企业级日志分析系统(1)

ELK平台是一套完整的日志集中处理解决方案,将、Logstash和Kiabana三个开源工具配合使用, 完成更强大的用户对日志的查询、排序、统计需求。ElasticSearch:是基于Lucene(一个全文检索引擎的架构)开发的分布式存储检索引擎,用来存储各类日志。Elasticsearch 是用 Java 开发的,可通过 RESTful Web 接口,让用户可以通过浏览器与 Elasticsearch 通信。

云计算运维工程师的成长之路 1865

numpy的基本操作

一 numpy基础操作 np.array([1,2,3]) 创建一个一维数组 np.array([[1,2],[3,4]]) 创建一个多维数组 arr.shape 查看维度(m,n) arr.ndim 查看秩 # 一维数组的秩为1 二维数组的秩为2 arr.size 元素的总个数 arr.dtype 查看数组元素的类型 arr.itemsize 每个元素的字节大小 二 创建数组 ...

huaolong的博客 353

Unity PSD分层导入插件ps2d原理与实战指南

PSD作为UI设计主流源文件,其图层结构、混合模式、文字矢量属性等核心语义在传统引擎导入中普遍丢失,导致设计还原度低、多语言适配难、运行时不可控。ps2d通过深度解析PSD二进制规范,将图层映射为GameObject树、文字转为TextMeshPro可编辑组件、形状生成矢量Mesh、蒙版与图层样式编译为定制Shader,实现设计意图的精准程序化表达。该方案显著提升UI开发效率,支撑高保真还原、动态修改、分辨率自适应及运行时热重载等工程需求,是Unity中连接设计师与程序员的关键工作流中枢。

weixin_32943857的博客 348

问题解答:如何不通过修改底层数据库表的方式,给数据库对应的数据结构,增添新的字段?

现在需要将这张表里的内容读取到 ABAP 内表里,并且针对每个行项目,增加一个新的列字段,我随便举个例子,这个列字段名称叫 LENGTH,值为 OBJ_NAME 字段的长度,使用。最笨的办法就是下面这样定义一个新的类型,这个类型的每个字段名称,都来自数据库表 TADIR 的同名字段,在末尾再增添自定义字段 length.其实我们是做 ALV 输出,只需要 ABAP 内表变量的类型,包含 TADIR 数据库表的全部字段,再加上新的 LENGTH 字段即可。这相当于多了一个中间层,没办法直接被 ALV 处理。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 491

numpy中的np.greater()函数的用法

1. 函数功能 该函数的功能是判断参数一是否大于参数二。 2. 参数介绍 arr1:第一个参数类似一个数组 arr2:第二个参数类似一个数组 out:返回值是bool类型或者是元素为bool的数组 3. 代码案例 import numpy as np arr1 = np.array(1) arr2 = np.array(0) bool1 = np.greater(arr1, arr2) print(bool1) # 输出值 # True arr1 ...

weixin_43869605的博客 7579

HTML音乐爱心3D旋转相册完整源码

HTML音乐爱心3D旋转相册完整源码

LilyCoder的博客 1380

numpy 之np.not_equal

np.not_equal比较的是对应元素是否相等.相等元素为false,不相等就是true 对于第一种情况,比较的对象shape与第二个比较对象shape不相等,需要将维度广播,下面就是一个例子,将arr1进行广播arr1 = np.array([[11, 12, 13],[11, 12, 13]]) import numpy as np arr1 = np.array([11, 12, 13]) arr2 = np.array([[11, 22, 23],[21, 22, 23]]) print.

邹小驴 1967

镜头像差之五——场曲

什么是场曲? 场曲[curvature of field] 物面上所有的点经过系统后,最佳焦点位置不在同一平面上,若这些像点所成的面为曲面,则称为系统有场曲。 与物高二次方、入射光瞳口径一次方成正比的像差。若仅存在场曲,则所有物平面上的点都有相应的像点,但分布在一个球面上;若采用弯成此种形状的底片,则可获得处处清晰的像。此时在理想像平面上,像点呈现为圆斑。 第一张图是最简单也是最容易理解的场曲,也就是对焦点锐利,其余部分逐渐松散,但实际上大多现代镜头的场曲都呈现为图二的形态:对焦点与边缘锐度.

camerall 1万+

YOLO26 旋转框检测 OBB 技术:角度预测与解码优化

YOLO26旋转框检测技术通过CSL角度编码有效解决了OBB检测中的周期性问题。该技术采用5参数表示法(cx,cy,w,h,θ),在检测头中分别处理分类、回归和角度预测。核心创新点包括:1)使用高斯或三角窗口的CSL编码对角度进行平滑表示;2)通过加权平均解码角度,避免边界不连续问题。该方法在遥感、文本检测等需要精确方向信息的场景中表现优异,相比传统HBB框可提升定位精度30%以上,同时保持了YOLO系列的高效特性。

一键难忘的博客 528

【NumPy】深入解析numpy中的greater方法

NumPy的核心特性是其N维数组对象,它提供了快速且灵活的大数据集容器,以及丰富的数学函数库来对数组执行各种数学和逻辑操作。NumPy作为Python的一个强大数学库,提供了大量的比较函数,用于数组之间的元素级比较。:比较操作要求输入数组的形状是相同的或者广播兼容的。:NumPy的优势在于其向量化操作,可以一次性对数组中的多个元素进行操作,而无需使用循环。方法是一个常用的比较函数,用于判断第一个数组中的元素是否大于第二个数组中的对应元素。是需要比较的两个数组,它们的形状可以是相同的,也可以是广播兼容的。

2402_83361138的博客 1273

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

NumPy的基本使用

NumPy 是一个功能强大且广泛应用的库,本文只是介绍了它的一些基本用法。通过深入学习和实践,您可以利用 NumPy 处理更复杂的数值计算任务,为数据科学和机器学习等领域的工作打下坚实的基础。希望这篇文章能帮助您快速上手 NumPy,开启科学计算的新旅程。

moresi的博客 1260

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

numpy的基本使用

numpy的基本使用 - 码农47 - 博客园

Zoe-xy 189

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

Numpy库基本使用

Numpy库基本使用Numpy库基本使用Numpy库基本使用 1 为什么要用Numpy 1.1  低效的Python for循环 【例】 求100万个数的倒数 def compute_reciprocals(values): res = [] for value in values: # 每遍历到一个元素,就要判断其类型,并查找适用于该数据类型的正确函数 res.append(1/value) return res values = list(range

Major_S的博客 1687

Numpy 中向量的基本使用

完整代码如下: import numpy as np if __name__ == "__main__": print(np.__version__) lst = [1, 2, 3] # 使用list lst[0] = "Linear Algebra" print(lst) vector = np.array([1, 2, 3]) # 使用numpy...

OneFine的技术博客 5217

python之numpy的基本使用

一、numpy概述numpy模块提供了python对N维数组对象的支持:ndarray,ndarray数组中的元素须为同一数据类型,这一点与python的列表是不一样的。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数组代码示例:# -*- coding: utf-8 -*-import numpy;print '使用列表生成一维数组' d

cxmscb的博客 34万+

Python数据分析--numpy基本使用

放在了github上: https://nbviewer.jupyter.org/github/TaoyiOU/numpy-pandas-matplotlib/blob/master/Python%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90–numpy–01–%E5%9F%BA%E6%9C%AC%E4%BD%BF%E7%94%A8.ipynb ...

MicoOu的博客 666

NumPy库的基本使用

NumPy库的用法笔记

weixin_41599072的博客 844

NumPy 库的基本使用

以下为 numpy 的基本使用 详细的使用手册可以参考 NumPy Documentation 1. numpy 对象的属性 a.shape: the dimensions of the array. a.ndim: the number of axes (dimensions) of the array. a.dtype: an object describing the type of the elements in the array. a.size: the total number of ele

我有两颗糖 1139

Numpy的基本使用方法

Numpy的基本使用方法numpy属性和创建方法Numpy基本运算和常用方法Numpy的索引和数据的选择Numpy的合并、分割与复制​Numpy数组元素的添加和删除Numpy删除和去重Numpy字符串相关的处理​Numpy数学函数Numpy统计函数按轴进行获取最大值最小值 a = np.array([[3,7,5],[8,4,3],[2,4,9]]) aNumpy的IO操作 numpy属性和创建方法 # 导入numpy模块 # 一般采用np简写 import numpy as np # 定义一个二维数组

HR的博客 1428

numpy基本使用

# coding: utf-8 # # numpy的数据结构是一个n维的数组,理解为ndarray. # ## 主要是用于数值计算,处理矩阵。对于多维数据的处理效率,比python自带的列表嵌套效率 要高。 # 两个列表中对应元素依次相乘的一般写法 a_list = xrange(10) b_list = xrange(10) c_list = [] for x in xrange(len(a...

y15518325965的博客 322

【Python】numpy安装+numpy.ndarray基本使用

numpy安装: pip install numpy numpy.ndarray基本使用: import numpy as np np.__version__ # 获取numpy的版本 # numpy.__version__ # name 'numpy' is not defined nparr = np.array(list(range(10))) nparr # ar...

zhangwin3的专栏 1112

python模块numpy的基本使用实例

为什么用numpy? python中用列表list表示一组值,列表中元素可以是任意类型对象,因此列表中存放的实际上是对象的指针。既要存指针又要存值,因此耗内存和CPU计算时间。 虽然python中还有array类型,里面存放的是值,但它不支持多维,且没有各种运算函数,不适合作数值运算。 numpy是Python的一个科学计算的库,主要提供了矩阵运算功能,可用于大型矩阵的存储和运算。 导入nu...

wangqianqianya的博客 2013
上一篇: Python快速入门(下)
下一篇: Pandas基本使用
No-notion
博客等级 码龄8年 11粉丝 17原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值