Numpy基本使用

最新推荐文章于 2025-08-16 17:02:07 发布
原创 最新推荐文章于 2025-08-16 17:02:07 发布 · 362 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #矩阵 #线性代数 #机器学习

本文详细介绍NumPy库的基本使用方法，包括数组的创建、属性、索引及切片操作等内容，并通过实战演示帮助读者掌握关键技能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

numpy基本使用

目录

1.初始numpy

#列表的缺点
a=[1,2,3]
# a+1 报错
b=[i+1 for i in a]
print(b) #[2, 3, 4]

#想要列表完成a+b的运算操作
a=[1,2,3]
b=[2,3,4]
c=[x+y for (x,y) in zip(a,b)]
print(c) #[3, 5, 7]

#引入numpy计算
import numpy as np

a=np.array([1,2,3,4])
print(a+1) #[2 3 4 5]

列表在进行运算操作时是过于繁琐的，而用过numpy可以使运算更加方便快捷

2.产生数组

import numpy as np

#1.从列表产生数组
list1=[0,1,2,3]
a=np.array(list1)
print(a) #[0 1 2 3]

#2.生成全0数组
a=np.zeros(5)
print(a) #[0. 0. 0. 0. 0.]

#3.生成全1数组
a=np.ones(5,dtype='int')
print(a) #[1 1 1 1 1]

#4.可以使用fill方法将数组设为指定值
a=np.array([1,2,3,4,5])
print(a) #[1 2 3 4 5]
a.fill(5)
print(a) #[5 5 5 5 5]

#5.与列表不同，数组中要求所有元素的dtype是一样的，
#如果传入参数的类型和数组的类型不一样，需要按照已有的类型进行转换
a=np.array([1,2,3,4,5])
a.fill(2.8)
print(a) #向下取整 [2 2 2 2 2]
b=a.astype('float')
b.fill(2.8)
print(b) #[2.8 2.8 2.8 2.8 2.8]

#6.生成整数序列 左闭右开
a=np.arange(1,10)
print(a) #[1 2 3 4 5 6 7 8 9]
a=np.arange(1,10,2)
print(a) #[1 3 5 7 9]

#7.生成等差数列 左闭右闭
a=np.linspace(1,10,21) #第三个参数代表元素的个数
print(a)
#[ 1.    1.45  1.9   2.35  2.8   3.25  3.7   4.15  4.6   #5.05  5.5   5.95
#  6.4   6.85  7.3   7.75  8.2   8.65  9.1   9.55 10.  ]

#8.生成随机数 返回一个0~1但不包括1的随机数
a=np.random.rand(10) #元素个数
print(a) 
#[0.40468317 0.51145897 0.91864091 0.02519811 0.3705643  #0.07932932
#0.23581236 0.91098156 0.41299108 0.88353082]
a=np.random.randint(1,10,20) #(begin,end,个数)
print(a)
#[9 2 6 4 5 1 9 7 2 3 6 8 5 7 6 2 4 5 7 7]

3.数组属性

import numpy as np

a=np.random.rand(10)

#1.查看类型
print(type(a)) #<class 'numpy.ndarray'>

#2.查看数组中的数据类型
print(a.dtype) #float64

#3.查看形状，会返回一个元组，每个元素代表这一维的元素数目
print(a.shape) #(10,)

#4.查看数组里面元素的数目
print(a.size) #10

#5.查看数组的维度
print(a.ndim) #1

a.shape返回的是(10,)表示的是一个一维数组，这个一维数组有10个元素；二维数组返回的是(num1,num2)表示的是几行几列

4.索引与切片

import numpy as np

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

#1.索引第一个元素
print(a[0]) #1

#2.修改第一个元素的值
a[0]=10
print(a) #[10  2  3  4  5  6]
a[0]=1

#切片 支持负索引
print(a[1:3]) #[2 3]
print(a[1:-2]) #[2 3 4]

5.实战演示

#问：一部电影的累计票房是21000,21800,22240,23450,25000
#求：每日电影票房

#解析：后一天的票房减去前一天的票房就是当日票房

import numpy as np

ob=np.array([21000,21800,22240,23450,25000])
ob2=ob[1:]-ob[:-1]
print(ob2) #[ 800  440 1210 1550]

6.多维数组及其属性

import numpy as np

#1.生成多维数组
a=np.array([[0,1,2,3],[10,11,12,13]]) #传入的是一个以列表为元素的列表
print(a) 
#[[ 0  1  2  3]
# [10 11 12 13]]

#2.查看形状
print(a.shape) 
# (2, 4)代表两行四列

#3.查看总的元素个数
print(a.size) #8

#4.查看维度
print(a.ndim) #2

7.多维数组索引

import numpy as np

a=np.array([[0,1,2,3],[10,11,12,13]])

#1.a[行索引,列索引]
print(a[1,3]) #13

#2.单个索引来索引一整行内容
print(a[1]) #[10 11 12 13]

#3.
print(a[:,1]) #[ 1 11]

8.多维数组切片

import numpy as np

a=np.array([[0,1,2,3,4,5],[10,11,12,13,14,15],
            [20,21,22,23,24,25],[30,31,32,33,34,35],
            [40,41,42,43,44,45],[50,51,52,53,54,55]])

#每一维都支持切片的规则，包括负索引，省略：[lower:upper:step]

#1.得到第一行的第4和第5两个元素
print(a[0,3:5]) #[3 4]

#2.得到最后两行的最后两列
print(a[4:,4:]) 
#[[44 45]
# [54 55]]

#3.得到第三列
print(a[:,2]) #[ 2 12 22 32 42 52]

#4.取出第3行和第5行的奇数列(第1列，第3列，第5列)
print(a[2::2,::2])
#[[20 22 24]
# [40 42 44]]

9.切片实质

import numpy as np

'''
切片是引用
切片在内存中使用的是引用机制
'''

#1.
a=np.array([0,1,2,3,4])
b=a[2:4]
# print(b) #[2 3]
b[0]=10
# print(a) #原来的2变为了10

'''
① 引用机制意味着python并没有为b分配新的空间来存储它的值，而是让b
指向了a所分配的内存空间。因此改变b会改变a的值
② 列表当中是不会出现这种现象的
'''

#2.copy()
a=np.array([0,1,2,3,4])
b=a.copy()
b[0]=10
print(a) #[0 1 2 3 4]
print(b) #[10  1  2  3  4]

10.一维花式索引

11.二维花式索引

12.不完全索引

13.where语句

14.数据类型转换

15.实战演示

Python - NumPy基础使用教程
zcs2312852665的博客
02-12 1683
NumPy（Numerical Python）是Python中用于科学计算的核心库之一。它提供了高性能的多维数组对象和用于处理这些数组的工具。NumPy是许多其他科学计算库的基础，如Pandas、SciPy、Matplotlib等。本文从NumPy的基础知识开始，逐步深入，介绍了NumPy数组的创建、索引与切片、数学运算、广播机制、线性代数运算、随机数生成、文件操作以及性能优化等内容。希望通过本文的学习，你能够掌握NumPy的核心功能，并能够在实际项目中灵活运用。
NumPy的基本使用
moresi的博客
02-19 1093
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。
numpy 索引和切片
Henry的博客
05-16 3388
1. 索引元素 数组的索引和列表相似 2. 切片 数组的切片也和列表类似，并且支持负索引，左开右闭形式 省略参数写法 省略第一个参数，默认从开头开始取值（左开右闭） 省略第二个参数，默认取到结束，包括最后一个索引值 3. 应用举例 计算电影的每日票房收入 就是拿第二天的票房减去前一天的票房 4. 多维数组 多维数组的形状：shape -------2 行，4列 查看元素的总个数：size------8 查看数组的维度：ndim -...
Numpy 基本使用
mengxianglong123的博客
05-15 1315
一、 Numpy优势 安装：pip install numpy 官网：https://numpy.org/ 1. Numpy介绍 Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。 2. ndarray介绍 NumPy provides an N-d
numpy的基本使用
Rickest_man的博客
06-06 1609
numpy的基本使用
numpy基本使用
课桌
03-17 1583
参考文献： 【官方帮助文档】NumPy v1.12 Manual 【优快云】NumPy之四：高级索引和索引技巧 基本介绍　　NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。据说NumPy将Python相当于变成一种免费的更
numpy基本使用方法
HJZ11的博客
05-26 291
numpy-中文教程https://www.yiibai.com/numpy/
numpy基本用法讲解
qq_46244851的博客
09-28 823
目录1.创建数组的方法：2.数组的切片操作及改变数组形状的方法3.矩阵运算4.数组中元素运算操作 1.创建数组的方法： 最基本：a=np.array([1,2]),将传入的python列表转化为np数组，注意：源数据是ndarray数据时，array是创建一个新的数组，而 asarray仍旧使用原来的数据源。所以使用asarray创建的数组改变时，原数组也改变了，一般我们都用array. import numpy as np a=np.arange(0,10,2)#创建起始为0，结束为10,但是不包括1
Numpy基本操作
海若_matrix的博客
08-21 1022
NumPy 是一个用于 Python 编程语言的开源库，它的主要功能是支持大型多维数组和矩阵，并提供了大量的数学函数来操作这些数组。NumPy 是 Python 科学计算生态系统的核心组成部分之一，广泛应用于数据分析、科学计算、机器学习等领域。主要特点高性能数组操作：NumPy 提供了一种高效的多维数组对象，以及用于对其进行操作的函数。这些数组在内存中是连续的，因此可以高效地进行访问和操作。广播功能：NumPy 支持数组间的广播操作，即使数组的形状不完全匹配也能执行数学运算。
numpy基本使用方法示例
12-16
**numpy基本使用方法示例** 在Python编程领域，NumPy是一个不可或缺的库，它提供了强大的数值计算和数组操作功能。本教程将深入介绍NumPy的基本使用方法，包括数组创建、数组属性、数组操作、数学函数应用以及数据...
NumPy 基本切片和索引的具体使用方法
09-19
本文将深入讲解NumPy的基本切片和索引的使用方法。 首先，我们要了解NumPy数组的索引方式。NumPy数组支持标准Python索引语法`x[obj]`，其中`x`是数组，`obj`是选择元素的方式。根据`obj`的不同类型，索引分为三种：...
numpy基本操作
MechMaster
07-16 793
numpy操作 1. 基本操作 2. 张量 3. 裁剪鸢尾花数据 4. 矩阵运算
PAT乙级_1080 MOOC期终成绩_Python_AC解法_含疑难点
最新发布
CongQianS1的博客
08-16 512
本文介绍了PAT乙级1080题"MOOC期终成绩"的Python解法。解题思路是：1) 读取三类成绩数据并存储到字典；2) 筛选编程成绩≥200分的学生；3) 按规则计算总评成绩并进行四舍五入；4) 对总评≥60分的学生按成绩降序、学号升序排序输出。文章特别指出测试点3的易错点在于四舍五入处理，当总评在[59.5,60)区间时应视为合格。解法采用字典存储成绩，集合管理学号，通过lambda表达式实现多条件排序，最终按要求格式化输出结果。
关于Win系统使用venv创建和管理虚拟环境
qq_43449643的博客
08-15 203
venv配置虚拟环境
Scrapy 基础框架搭建教程：从环境配置到爬虫实现（附实例）
weixin_43883508的博客
08-14 1188
本文详细介绍了Scrapy爬虫框架的搭建流程，从环境配置到完整爬虫实现。主要内容包括：1）Python环境准备与Scrapy安装；2）项目结构创建与核心文件功能解析；3）通过图书爬虫实例演示数据提取与页面跳转；4）数据模型定义与JSON存储管道实现；5）关键配置参数与调试技巧。文章提供完整代码示例，帮助开发者30分钟内搭建可扩展的爬虫框架，并给出反爬处理、性能优化等实用建议，适合Python开发者快速上手网页数据采集。
yolo安装
a1111111111ss的博客
08-15 263
我在cmd一直更新不了pip 一直说错误。我扭头去anaconda成功。
博客系统测试报告
mmy123yl的博客
08-13 940
1.该项目前端由4个页面构成：登录页，列表页，详情页以及编辑页，模拟简单的个人博客。在后端实现：登录，编辑博客，注销，删除博客等功能2.该项目没有设计用户注册功能，只能提前在数据库中存储用户信息，并检验是否能登录，并且前端将头像设置成静态，无法在页面上进行修改。3.个人博客系统可以实现简单的个人博客记录，如时间，标题，内容以及发布作者等可以进行查看。
numpy如何使用
03-31
### NumPy 的基本使用方法 NumPy 是 Python 中用于科学计算的核心库，提供了强大的多维数组对象以及一系列派生的对象（如掩码数组和矩阵）。以下是关于 NumPy 基本使用的详细介绍。 #### 导入 NumPy 库 每次使用 NumPy 进行操作前，都需要先导入该库。通常会将其重命名为 `np` 以便于后续调用[^2]。 ```python import numpy as np ``` #### 创建数组 可以通过多种方式创建 NumPy 数组。最常见的方式是通过列表转换或者直接定义范围内的数值。 ##### 使用 `array()` 方法 可以直接将 Python 列表转化为 NumPy 数组。 ```python arr = np.array([1, 2, 3, 4]) print(arr) # 输出: [1 2 3 4] ``` 此方法适用于已知具体数据的情况[^1]。 ##### 使用 `arange()` 函数 如果需要生成一定范围内的连续整数序列，则可以使用 `np.arange(start, stop, step)` 函数[^3]。 ```python numbers = np.arange(0, 10, 2) print(numbers) # 输出: [0 2 4 6 8] ``` #### 数据类型设置 在创建数组时还可以指定其内部存储的数据类型 (dtype)，这有助于优化内存占用并提高运算效率。 ```python float_array = np.array([1, 2, 3], dtype=np.float64) print(float_array.dtype) # 输出: float64 ``` #### 矩阵运算 除了基础的一维向量外，NumPy 支持更高维度的张量结构，并支持线性代数中的各种运算。 ```python matrix_a = np.array([[1, 2], [3, 4]]) matrix_b = np.array([[5, 6], [7, 8]]) addition_result = matrix_a + matrix_b multiplication_result = np.dot(matrix_a, matrix_b) print(addition_result) # 输出加法结果 print(multiplication_result) # 输出乘积结果 ``` 以上展示了如何利用 NumPy 实现简单的数学运算功能。
评论
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