1.2Numpy实战

最新推荐文章于 2025-04-03 09:29:45 发布
原创 最新推荐文章于 2025-04-03 09:29:45 发布
· 175 阅读 · 1 ·
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：

#numpy #python 

import numpy as np

1.Numpy的数组类型

array = [1,2,3,4,5]

array

[1, 2, 3, 4, 5]

type(array)

list

array+1

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-5-17a9a5c0be51> in <module>
----> 1 array+1


TypeError: can only concatenate list (not "int") to list

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

nparray

array([1, 2, 3, 4, 5])

type(nparray)

numpy.ndarray

nparray+1

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

nparray + nparray

array([ 2,  4,  6,  8, 10])

nparray * nparray

array([ 1,  4,  9, 16, 25])

2.ndarray结构

list_ = [1,2,3,4]

array_ = np.array(list_)

array_

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

type(array_)

numpy.ndarray

array_.dtype

dtype('int32')

list_ = [1,2,3,4.0]
array_ = np.array(list_)
array_

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

array_.dtype

dtype('float64')

array_.size

4

array_.ndim

1

array_.fill(0)

array_

array([0., 0., 0., 0.])

3.索引和切片

list_ = [1,2,3,4.0]
array_ = np.array(list_)
array_

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

array_[0]

1.0

array_[-1]

4.0

array_[0:2]

array([1., 2.])

array_[:-1]

array([1., 2., 3.])

array_[-3:]

array([2., 3., 4.])

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

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

array_.shape

(3, 3)

array_.size

9

array_.ndim

2

array_[1,1]

5

array_[1,1] = 10
array_

array([[ 1,  2,  3],
       [ 4, 10,  6],
       [ 7,  8,  9]])

array_[1]

array([ 4, 10,  6])

array_[:,1]

array([ 2, 10,  8])

array_[:,0]

array([1, 4, 7])

array_[:,0:2]

array([[ 1,  2],
       [ 4, 10],
       [ 7,  8]])

array_[:,1:3]

array([[ 2,  3],
       [10,  6],
       [ 8,  9]])

array_[0:2,1:3]

array([[ 2,  3],
       [10,  6]])

array2 = array_
array2

array([[ 1,  2,  3],
       [ 4, 10,  6],
       [ 7,  8,  9]])

array2[1,1] = 100
array2

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

array_

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

# 数组的赋值 使用copy操作
array2 = array_.copy()
array2

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

array2[1,1]=999
array2

array([[  1,   2,   3],
       [  4, 999,   6],
       [  7,   8,   9]])

array_

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

array_ = np.arange(0,100)

array_

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

array_ = np.arange(0,100,10)
array_

array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

mask = np.array([0,1,0,6,2,1,0,1])
mask

array([0, 1, 0, 6, 2, 1, 0, 1])

mask = np.array([0,1,0,6,2,1,0,1,0,0],dtype=bool)
mask

array([False,  True, False,  True,  True,  True, False,  True, False,
       False])

array_[mask]#相当于找出非零数

array([10, 30, 40, 50, 70])

# 构造随机数
random_array = np.random.rand(10)
random_array

array([0.23355588, 0.29370537, 0.97713356, 0.52846635, 0.13183043,
       0.39112791, 0.2162213 , 0.61071618, 0.02796149, 0.31315245])

random_array = np.random.randint(0,1000)
random_array

124

random_array = np.random.randint(1,7,size=(3,3))
random_array

array([[5, 2, 1],
       [3, 6, 1],
       [3, 5, 5]])

np.sum(random_array)

31

np.sum(random_array,axis=0)  #对行求和

array([11, 13,  7])

np.sum(random_array,axis=1)   #对列求和

array([ 8, 10, 13])

random_array.ndim

2

random_array = np.random.randint(1,7,size=(3,3,3))
random_array

array([[[4, 6, 2],
        [6, 6, 4],
        [3, 1, 6]],

       [[6, 4, 4],
        [2, 5, 5],
        [5, 2, 2]],

       [[3, 6, 4],
        [4, 3, 4],
        [2, 2, 2]]])

np.sum(random_array,axis=0)  #对行求和

array([[13, 16, 10],
       [12, 14, 13],
       [10,  5, 10]])

np.sum(random_array,axis=1)   #对列求和

array([[13, 13, 12],
       [13, 11, 11],
       [ 9, 11, 10]])

np.sum(random_array,axis=2)   #对列求和

array([[12, 16, 10],
       [14, 12,  9],
       [13, 11,  6]])

random_array.ndim

3

random_array = np.random.randint(1,5,size=(2,2))
random_array

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

random_array.prod()

48

random_array.prod(axis=0)

array([12,  4])

random_array.prod(axis=1)

array([12,  4])

random_array.min()

1

random_array.min(axis=0)

array([3, 1])

random_array.max(axis=1)

array([4, 4])

random_array.argmin(axis=0)

array([0, 1], dtype=int64)

random_array.argmax(axis=0)

array([1, 0], dtype=int64)

random_array.mean()

3.0

random_array.mean(axis=0)

array([3.5, 2.5])

random_array = np.random.randint(1,5,size=(2,5))
random_array

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

np.sort(random_array) #默认按照列排序

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

np.sort(random_array,axis=0)

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

np.sort(random_array,axis=1)

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

np.argsort(random_array)

array([[4, 0, 1, 2, 3],
       [0, 1, 3, 4, 2]], dtype=int64)

random_array.shape

(2, 5)

random_array.shape = 10

random_array

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

random_array.shape=5,2
random_array

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

random_array.reshape(1,10)

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

random_array = random_array.reshape(10)
random_array

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

random_array_2 = random_array[np.newaxis,:]
random_array_2

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

random_array.ndim

1

random_array_2.ndim

2

random_array_2.shape

(1, 10)

random_array_2 = random_array[np.newaxis,:,np.newaxis]
random_array_2

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

random_array_2.shape

(1, 10, 1)

random_array_2 = random_array_2.squeeze()  #压缩空轴

random_array_2.shape

(10,)

random_array_2.shape = 5,2
random_array_2

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

random_array_2.T

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

random_array_2

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

array1 = np.random.randint(10,size=(2,5))
array1

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

array2 = np.random.randint(10,size=(2,5))
array2

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

array3 = np.concatenate((array1,array2),axis=0)
array3

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

array3 = np.concatenate((array1,array2),axis=1)
array3

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

np.zeros(3)

array([0., 0., 0.])

np.zeros((2,3))

array([[0., 0., 0.],
       [0., 0., 0.]])

np.ones((3,3))

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

x = np.arange(0,2)

y = np.arange(2,4)

x,y

(array([0, 1]), array([2, 3]))

x * y

array([0, 3])

np.multiply(x,y) #点乘

array([0, 3])

np.dot(x,y)  #矩阵乘法

3

x = np.arange(0,6).reshape(2,3)
x

array([[0, 1, 2],
       [3, 4, 5]])

y = np.arange(0,6).reshape(3,2)
y

array([[0, 1],
       [2, 3],
       [4, 5]])

np.dot(x,y)

array([[10, 13],
       [28, 40]])

x = np.arange(0,6).reshape(2,3)
x

array([[0, 1, 2],
       [3, 4, 5]])

y = np.arange(0,6).reshape(2,3)
y

array([[0, 1, 2],
       [3, 4, 5]])

x == y

array([[ True,  True,  True],
       [ True,  True,  True]])

y[0,1]=5
y

array([[0, 5, 2],
       [3, 4, 5]])

x==y

array([[ True, False,  True],
       [ True,  True,  True]])
numpy1.2:删除(重复)元素、
MaYuHuaw的博客
08-21 1491
删除重复元素 np.unique(arr)的作用： 删除数组中的重复元素，并从小到大排序之后输出 b = np.array([1,1,2,2,3,4,6,5]) np.unique(b) 输出 array([1, 2, 3, 4, 5, 6])
numpy最新numpy-1.2.1.tar.gz
12-11
numpy是python的扩展模块，专门用于各类科学计算，为python的编程人员，特别是从事科学技术研究人员所必须。本软件为平台无关，安装需要C语言编译器。需要安装python2.5。
python中numpy a[..., 1:2] ，a[...,1]的区别
chineseITIce的博客
12-23 1998
import numpy as np a = np.array([[[1, 2, 21], [3, 4, 34]], [[5, 6, 56], [7, 8, 78]]]) print('a.shape:', a.shape) b = a[..., 1:2] print(b) print(b.shape) b=a[...,1]#这儿为啥会降维呢，不应该是[[[2],[4]],[[6],[8]]]吗？ # 这个取法就相当于无数层二维叠加而成的三维中直接抽取一个二维层出来， # 而刚刚[[[2],[4]],[[.
数组切片[1::2]怎么理解
听雨轩的博客
06-29 5441
python中数组切片 在数组a中，有三个地方可以设置参数a[①:②:③]。 位置①列表初始索引，默认为0 位置②列表结束索引，默认到最后一个元素（包含最后一个元素） 位置③为步长，默认为1 a = np.arange(1, 10) print(a) # [1 2 3 4 5 6 7 8 9] print(a[::]) # [1 2 3 4 5 6 7 8 9] print(a[0:-1:]) # [1 2 3 4 5 6 7 8] print(a[0::]) # [1 2 3 4 5 6 7 8
numpy数组切片操作之[:,2]、[-1:,0:2]、[1:,-1:]等都是啥？
Activewaste
07-07 6万+
注：最近在看代码，有好多关于numpy库的函数，尤其对于numpy数组，什么[:,2]、[-1:,0:2]、[1:,-1:]搞得一脸懵逼，百度没找到解释得很到位的，官网教程也也真是够简洁的。所以，还是得自己去实打实的敲一下，加强理解。 numpy数组切片操作 通过冒号分隔切片参数 start:stop:step 来进行切片操作： 形如： b = a[2:7:2] # 从索引 2 开始到索引 7...
numpy 数组X[:,0]和X[:,1]的详解
doubledog1112的专栏
12-19 1万+
import numpy as np X = np.array ([[0, 1], [2, 3], [4, 5], [6, 7], [8, 9], [10, 11], [12, 13], [14, 15], [16, 17], [18, 19]]) # X[:,0]就是取所有行的第0个数据 print(X[:, 0]) #输出：[ 0 2 4 6 8 10 12 14 16 18] ...
Python数据分析实战【第三章】1.2- Numpy基础数据结构【python】
12-21
在Python数据分析领域，Numpy库扮演着至关重要的角色，它提供了高效的多维数据结构——ndarray，用于存储和处理大型数据集。本章节主要讲解了Numpy基础数据结构，特别是ndarray及其创建方法。 首先，ndarray是Numpy...
Python数据分析库：Pandas与NumPy实战
最新发布
shejizuopin的博客
04-03 903
在数据分析领域，Python凭借其强大的生态系统和丰富的库资源，成为了众多数据科学家和分析师的首选语言。其中，Pandas和NumPy是两个最为核心且广泛使用的数据分析库。Pandas提供了高效的数据结构和数据处理工具，而NumPy则专注于数值计算，为Pandas提供了底层支持。本文将结合优快云网站上的相关讨论，提取最实用的解决技巧，通过代码示例和表格分析，深入探讨Pandas与NumPy在数据分析中的实战应用。
159、NumPy实战案例：数据处理、科学计算与机器学习
silenceallat的博客
05-30 918
本文介绍了NumPy在实际项目中的应用，包括数据处理、科学计算和机器学习。通过案例展示，我们了解到NumPy在股市数据分析、气象数据分析、物理公式计算、线性方程组求解、数值积分和数值微分等领域的应用。同时，文章还提到了NumPy在图像处理、数据可视化以及时间序列分析等方面的实用技巧。通过这些案例和技巧，我们希望帮助读者更好地理解和掌握NumPy这个强大的工具，并在实际项目中运用它。
数据分析:NumPy基础与实战（上篇）
weixin_30484149的博客
11-22 374
本文主要介绍数据分析基础，采用Numpy的核心方法与实战训练，旨在理解数据分析常用函数，训练提升数据思维能力。Numpy目前是Python数值计算中最为重要的基础包，大多数计算包都提供了基于Numpy的科学函数功能，将Numpy的数组对象作为数据交换的通用语言。 1数据分析基础 1.1数据分析关注内容 在数据处理，清洗，构造子集，过滤，变换以及其他计算中进行快速向量化计算。 常见的数组算法，比如：sort，unique以及set操作等。 高效的描述性统计与聚合/概述数据。 数据排列和相关数据操作，例.
Pandas和NumPy实战：Python数据分析快速上手指南
[Pandas和NumPy实战：Python数据分析快速上手指南](https://www.sharpsightlabs.com/wp-content/uploads/2018/11/numpy-mean-compute-average.png) # 摘要 本论文对Pandas和NumPy这两个Python数据分析领域的重要库...
Python中numpy数组切片：print(a[0::2])、[::-1]、[::2]、[:,2]、[1:,-1:]、[ : ,: -1]，[:,-2:]、[ : n]、[m : ]等含义（详细）
热门推荐
锵锵锵锵蒋的博客
09-21 19万+
numpy 一维、二维数组切片操作，附详细示例。数组切片用到的负数值怎么理解附了很多例子！a[:-1],a[::-1],a[-2:-1]，a[-2::-1]、X[ : , :-1]，X[ : ,-1: ]，x[:,-2:]，x[:,-2:-1]可以自己试一试就懂了。
Numpy详解，带你一步步了解Numpy（二）
m0_59160272的博客
08-29 403
快速在Numpy数组上进行计算的关键是使用向量化操作，通常通过Numpy的通用函数实现。只需对数组执行一个操作，然后将该操作应用于每个元素，就可以完成向量化操作。向量化方法只在将循环推入Numpy底层的编译层，从而大大加快执行速度。任何时候在Python脚本中看到这样的循环，都应该考虑是否可以用向量化表达式替换它。...
numpy中的[:]、[ : : ]讲解
zy的博客
09-15 2123
numpy中[:]的使用
Python之numpy教程（二）：运算、索引、切片
liangzuojiayi的博客
05-30 5万+
1.numpy数组的特点在于，大小相等的数组之间，任何算数运算都会将运算应用到元素级。 请看下面的例子： arr = np.array([[1.,2.,3.],[4.,5.,6.]]) arr输出： array([[ 1., 2., 3.], [ 4., 5., 6.]]) arr * arr输出： array([[ 1., 4., 9.],
Python之NumPy（axis=0/1/2...）的透彻理解——通过np.sum(axis=?)实例进行说明
sky_kkk的博客
03-28 2万+
前言 在numpy的使用中，对axis的使用总是会产生疑问，如np.sum函数，在多维情况下，axis不同的取值应该做怎样的运算呢？返回的是什么形状的数组呢？在网上查了很多资料，总是似懂非懂，查阅了官方文件，以及多次试验后，我总结出一种能深入透彻理解axis用法的说明，配合着np.sum例子。希望大家再也不会对axis的使用产生困惑，即使在高维情况下也信手拈来。 numpy中axis取值的说明...
python中[::-1][1:2][1::2]的用法
Anne332的博客
10-12 3万+
a=[1,2,3,4,5] print(a) 输出： [1,2,3,4,5] print(a[-1]) # 输出最后一个元素 输出： [5] print(a[:-1]) # 输出除最后一个元素的所有元素 输出： [1,2,3,4] print(a[::-1]) # 倒序输出所有元素 输出： [5,4,3,2,1] print(a[2::-1]) # 倒序输出第3个元素之后的元素 输出： [3,2,1] print(a[1::2]) # 从第2个元素起，步长为2取元素
1.5.最小二乘法求二元线性回归
qq_34764167的博客
05-04 3192
最小二乘法求二元线性回归 y=2x1+(−3)∗x2+4y=2x_{1}+(-3)*x_{2}+4y=2x1​+(−3)∗x2​+4 构造数据集 import numpy as np np.random.seed(1) X = np.random.normal(size=(1000,2),scale=1)#1000行2列，每个样本有一个特征 X array([[ 1.62434536, -0...
卡尔曼滤波实战调试教学
03-23
虽然本问题是关于 STM32 上的卡尔曼滤波实战，但在计算机视觉领域也有广泛用途。例如，利用 OpenCV 对视频中的运动物体轨迹进行平滑处理时可引入卡尔曼滤波器作为辅助工具[^2]。下面给出一段 Python 版本的简单例子...
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

打赏作者

该用户没有用户名

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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