numpy 常用的方法

import requests as requests

import numpy as np

#查看numpy的版本
np.__version__

'1.16.4'

np.random.randint(0,100,10)

array([ 4, 14, 96, 22, 65, 66, 93,  4, 55, 94])

def sum2(x):
    ret = 10
    for i in x:
        ret += i
    return ret

x = np.arange(0,10,1)
x

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

%timeit sum2(x)

2.41 µs ± 15.2 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

import numpy as np

l=[10,20,3,4,5,3,55]   #创建一个列表
type(l)                #查看类型  打印列表   因为列表的方法过少...所以选择numpy里面的方法(array)(求和/求平均值/求最大/最小等等...)

list

nd=np.array(l)    #将列表转换为 numpy里面的array 数组  .因为有很多的操作方法..比如以下内容显示
nd

array([10, 20,  3,  4,  5,  3, 55])

type(nd)           #这里查看发现类型已经被转换为numpy下面的array类型

numpy.ndarray

l2=[[1,3,5,7],[2,4,6,8]]  #创建一个二维数组
l2

[[1, 3, 5, 7], [2, 4, 6, 8]]

np.array(l2)  #将l2  转换为numpy里 array的方法   也可以对转换的结果进行赋值   再将其带入方法中去操作.. nd2=np.array(l2)   -->array[]

array([[1, 3, 5, 7],
       [2, 4, 6, 8]])

np.sum(np.array(l2))    #可以直接对numpy下面的array进行求和运算    解释:方法里面套方法...

36

np.var(l2)   #计算方差???  l2=[[1,3,5,7],[2,4,6,8]]  方差为什么是5.25呢??  再来测试下吧...

5.25

l3=[[1,2,2,7,8],[2,3,4,5,6]]

np.array(l3)

array([[3],
       [9]])

np.var(l3)

5.2

l4=[1,2,2,7,8]
l5=[2,3,4,5,6]

np.array(l4)
np.array(l5)

array([2, 3, 4, 5, 6])

np.var(l4)

8.4

np.var(l5)

2.0

np.var(np.array([17,15,23,7,9,13]))

27.666666666666668

l6=[17,15,23,7,9,13]
l6

[17, 15, 23, 7, 9, 13]

np.array(l6)

array([17, 15, 23,  7,  9, 13])

np.var(l6)         #方差

27.666666666666668

np.std(l6)    #标准差   计算和方差的差别就是分母是n-1

5.259911279353167

np.var(np.array([7,8,8,8,9]))       #方差越小说明人越稳定...

0.4

np.var(np.array([10,6,10,6,8]))     # 方差的计算公式

3.2

nd2.max()   # numpy方法下面nd2数组里面的最大值是多少..???   min是最小值  

nd2=np.array(l2)   #将二维数组转换为nparray的类型
nd2

print(np.size(nd))   #最小的数字是多少???

nd.size  #数组的元素总数。这等于元素的乘积shape。

nd.itemsize  #数组中每个元素的大小（以字节为单位）

nd.shape  #数组的大小。这是一个整数元组，表示每个维度中数组的大小。

l2 = [[1,3,5],[2,4,6,8]]   #创建一个二位数组  并输出结果
l2

nd2=np.array(l2)
nd2

np.sum(nd)  #  可以使用numpy里面的方法来调用参数...同样也可以使用参数  直接调用方法

nd.sum()  #可以使用参数  直接调用方法

nd2.mean()   #求平均值

nd2.argmax()

nd2.sum()

np.__version__
#查看numpy的版本

np.ones(shape=(5,5),dtype=np.int8)

np.zeros(shape=(2,3,4),dtype=np.float16)

np.full(shape=(3,5),fill_value=3.14)

np.eye(N=5)

#等差数列
np.linspace(0,100,num=21)

#
np.random.randint(0,1000,size=(5,5))

#正太分布
np.random.randn(4,6)

nd=np.random.normal(loc=175,scale=10,size=100).round(3)
nd

nd.mean()

#ndarray的属性...ndim 维度  四个必须记住的参数   shape元素类型  dtype类型
nd.size

#形状,就是几维的(答案是一维)
nd.shape

ndarray的基本操作

nd2=np.random.randint(0,150,size=(4,5))
nd2

nd2[1,1]

nd2[2]

nd2[0:3]

nd2[-2]

nd2[0:3,0:3]

nd3=nd[:10]
nd3

nd3[::-1]

nd3[::2]

from PIL import Image

cat=Image.open('C:/Users/Apple280/Pictures/cat.jpg')
cat

cat_data=np.array(cat)
cat_data

cat_data.shape

cat_data.dtype

np.int8(124)

np.int8(128)

np.int8(129)

np.int8(130)

cat2=cat_data[:,:,::-1]
cat2

Image.fromarray(cat2)

Image.fromarray(cat_data[:,:,[1,0,2]])

Image.fromarray(cat_data[:,:,0])

import matplotlib.pyplot as plt
%matplotlib inline

plt.imshow(cat_data[::-1])

plt.imshow(cat_data[::-10,::-10])

nd2

nd2.reshape(2,10)
#不改变总数据的情况下改变行数和列数

cat6=np.transpose(cat_data,axes=(1,0,2))
plt.imshow(cat6)

#图片的拼接
cat7=cat_data[:,:180]
plt.imshow(cat7)

cat8=cat_data[:,250:,::-1]
plt.imshow(cat8)

print(cat7.shape,cat8.shape)

cat9=np.concatenate([cat7,cat8],axis=1)
plt.imshow(cat9)

nd1=np.random.randint(0,150,size=(4,5))
nd2=np.random.randint(0,150,size=(2,5))
nd3=np.random.randint(0,150,size=(4,8))
display(nd1,nd2,nd3)

np.concatenate([nd1,nd3],axis=1)

np.hstack((nd1,nd3))
#水平,列数增加

np.vstack((nd1,nd2))
#数值   行数增加