numpy常见用法

NumPy基础教程

最新推荐文章于 2024-11-22 11:28:55 发布

原创最新推荐文章于 2024-11-22 11:28:55 发布 · 1k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#numpy常见用法 #numpy

机器学习算法应用专栏收录该内容

6 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

numpy的基本对象为ndarray，即n-dimensional array object，它是存储单一数据类型的多维数组

一、numpy数组的创建

1.1 手动创建

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

b = np.array(list((1,2,3,4,5,6,7,8,9)))

1.2 调用numpy函数创建

# 创建2行3列的全一矩阵
c = np.ones((2,3))

# 创建2行3列的全0矩阵
d = np.zeros((2,3))

# 创建4行4列的单位矩阵
e = np.eye(4)

还有产生随机数的一系列方法都在np.random里面

1.3 创建连续数组

# 类似于list，起始位置为1，结束位置为10，步长为2
f = np.arange(1,10,2)

# 起始位置为1，结束位置为10，创建20个数据，数据是等差数列
g = np.linspace(1,10,20)

# 起始位置为1，结束位置为10，创建20个数据，数据为等比数列、
h = np.logspace(1,10,20)

二、numpy数据类型以及本身操作

2.1 numpy的数据类型及转换

numpy数组创建的时候，可以通过dtype制定数据类型，numpy常见的数据类型如下：

# 创建数组的时候制定数据类型为int32
a = np.eye(5,dtype=np.int32)

# 查看数据类型,结果为dtype('int32')
a.dtype

# 转化数据类型，转化成np.float32
a.astype(np.float32)

2.2 numpy数组的shape即转换

# 创建大小为（4,4）的数组
a = np.eye(4,dtype=np.int32)

# 显示a的shape，为（4,4）
a.shape

# 将a数组转化成（2,8）列的数组
a.reshape((2,8))

输出结果为：

三、取numpy数组中的值

3.1 切片索引

切片索引是源数据的视图，对切片进行修改，也会影响到源数据

a = np.arange(10)

a_slice = a[3:9]

#a_slice输出结果为array([3, 4, 5, 6, 7, 8])

# 将索引的0个元素赋值为12345，则a的相应的值也会发生改变
a_slice[0] = 12345

# 输出a的值为
array([    0,     1,     2, 12345,     4,     5,     6,     7,     8,     9])

更为复杂的切片索引

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# arr2d为
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

# 取前两行，后两列的数据
arr2d[:2,1:]

# 取第二列的数据
arr2d[:,1]

3.2 布尔索引

通过布尔值来取相应的数据

# names为7个人名，分别对应data1的7行
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
data = np.random.randn(7, 4)


# data数据如下
array([[ 0.41913264, -0.60298782, -0.33671674,  0.90943554],
       [-0.80005614,  0.0440845 , -0.39836774,  0.70296011],
       [-0.71155559, -1.55516028,  0.94330681, -1.16287966],
       [ 0.71886886, -0.44805654,  0.20305883, -1.40290861],
       [-0.55253099,  0.40979184,  0.38371407,  0.32289946],
       [ 1.84004387,  0.35889294,  0.20075337, -1.07528119],
       [ 0.35663761, -0.80927168, -1.57235542, -1.26338198]])

# 取Bob所对应的行
data[names == 'Bob']

结果：
array([[ 0.41913264, -0.60298782, -0.33671674,  0.90943554],
       [ 0.71886886, -0.44805654,  0.20305883, -1.40290861]])

3.3 花式索引

利用整数数组来进行取值，想取那行就把那行的索引放在数组里

arr = np.ones((8, 4))
for i in range(8):
    arr[i] = i 

# arr数据
array([[0., 0., 0., 0.],
       [1., 1., 1., 1.],
       [2., 2., 2., 2.],
       [3., 3., 3., 3.],
       [4., 4., 4., 4.],
       [5., 5., 5., 5.],
       [6., 6., 6., 6.],
       [7., 7., 7., 7.]])


# 现在想取1,3,5,7行
arr[[1,3,5,7]]

结果：
array([[1., 1., 1., 1.],
       [3., 3., 3., 3.],
       [5., 5., 5., 5.],
       [7., 7., 7., 7.]])

四、numpy数组的计算

4.1 numpy数组本身的计算

# 通过numpy数组对进行一些统计计算，如：numpy数组求和，求平均等等

# 生成3行2列的随机数组
arr = np.random.randn(3,2)

array([[-0.17504348,  1.07181866],
       [ 0.98881592, -0.18443573],
       [ 0.07177932, -1.13940987]])

# 对arr数组求均值
arr.mean()
结果：
0.10558747189372959

# 对arr数组求和
arr.sum()
结果：
0.6335248313623776

# 对arr数组列求和
arr.sum(axis=0)
结果：
array([ 0.88555177, -0.25202694])

# 对arr数组行求和
arr.sum(axis=1)
结果:
array([ 0.89677519,  0.80438019, -1.06763054])

# 对numpy数组进行一些数学运算，例如求指数，求平方
# 这些在numpy里叫ufunc即 universal function，对数组内每个元素进行操作的函数

arr = np.random.randn(6)

# 对arr求绝对值
np.abs(arr)

结果：
array([1.02469848, 0.84606635, 0.43296449, 0.86053481, 0.10749375, 1.49358338])


# 对arr求cos
np.cos(arr)

结果：
array([0.51935658, 0.6629333 , 0.90772595, 0.65203207, 0.99422811, 0.07713625])

4.2 与其他numpy数组的计算

# numpy与其他数组的计算，主要包括加、减、乘、除，求逆等等

# 常用的操作为矩阵相乘
a = np.array([[1,2],[3,4]])
b = np.array([[1,1],[2,2]])

a                               
array([[1, 2],                  
       [3, 4]])

b
array([[1, 1],
       [2, 2]])

# 矩阵相乘为np.dot(),py3.5以后也可以用@
np.dot(a,b) 或者 a@b
结果都一样，如下：
array([[ 5,  5],
       [11, 11]])


# 矩阵对应元素与元素相乘
np.multiply(a,b)

结果:
array([[1, 2],
       [6, 8]])

五、numpy数据的保存与加载

# numpy数据的保存
arr = np.arange(10)
np.save('test',arr)

# numpy数据的加载
b = np.load('test.npy')

参考文献

简书:<利用python进行数据分析-第二版>

您可能感兴趣的与本文相关的镜像

Python3.11

Conda

Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本