python对列表中的数值进行统计运算_数值计算库numpy-优快云博客

本文介绍了Python中的numpy库，通过示例展示了如何使用numpy创建和操作ndarray，对比了ndarray与Python原生list的性能，并强调了numpy在存储、并行计算、底层实现上的优势。此外，还探讨了ndarray的属性、形状、数据类型以及生成数组的方法。文章还涵盖了numpy的统计运算、逻辑运算和矩阵运算，以及数组的合并与分割操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.初识numpy

‘‘‘ndarray:

N维数组类型ndarray，它描述了相同类型的“items”集合‘‘‘

importnumpy#存储数据

score =numpy.array([

[80,89,86,67,79],

[78,97,89,67,81],

[90,94,90,67,69],

[91,91,90,67,69],

[76,87,75,67,86],

[70,79,84,67,84],

[94,92,93,67,64],

[86,85,83,67,80]

])print(score,"\n",type(score))

View Code

2.ndarray与python原生list对比

importnumpyimporttimeimportrandom

a=[]for i in range(100000000):

a.append(random.random())

t1=time.time()

sum1=sum(a)

t2=time.time()

b=numpy.array(a)

t4=time.time()#numpy求和

sum3 =numpy.sum(b)

t5=time.time()print(t2-t1,t5-t4)

View Code

3.ndarray的优势

ndarray的优势

1.存储风格

ndarray - 相同类型 - 通用性差顺序存储

list - 不同类型 - 通用性强链式存储

2.并行化计算

ndarray支持向量化运算

3.底层语言

Numpy底层使用C语言编写,内部接触了GIL(全局解释器锁)，可支持多处理机，

其对数据的操作速度不受Python解释器的限制,效率远高于纯Python代码

4.ndarray的属性

importnumpy#ndarray的属性

score=numpy.array([

[80,89,86,67,79],

[78,97,89,67,81],

[90,94,90,67,69],

[91,91,90,67,69],

[76,87,75,67,86],

[70,79,84,67,84],

[94,92,93,67,64],

[86,85,83,67,80]

])#数组的行列 (8, 5)

print(score.shape)#数组的维度

print(score.ndim)#数组的元素个数

print(score.size)#数组的类型 int32

print(score.dtype)#数组中每个元素所占的字节数 4

print(score.itemsize)#数组中各元素的虚部

print(score.imag)

View Code

5.ndarray的形状

名称描述

bool_

布尔型数据类型（True 或者 False）

int_

默认的整数类型（类似于 C 语言中的 long，int32 或 int64）

intc

与 C 的 int 类型一样，一般是 int32 或 int 64

intp

用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）

int8

字节（-128 to 127）

int16

整数（-32768 to 32767）

int32

整数（-2147483648 to 2147483647）

int64

整数（-9223372036854775808 to 9223372036854775807）

uint8

无符号整数（0 to 255）

uint16

无符号整数（0 to 65535）

uint32

无符号整数（0 to 4294967295）

uint64

无符号整数（0 to 18446744073709551615）

float_

float64 类型的简写

float16

半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位

float32

单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位

float64

双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位

complex_

complex128 类型的简写，即 128 位复数

complex64

复数，表示双 32 位浮点数（实数部分和虚数部分）

complex128

复数，表示双 64 位浮点数（实数部分和虚数部分

importnumpy as np#ndarray的形状

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

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

c=np.array([

[

[1,2,3],

[4,5,6]

[

[1,2,3],

[4,5,6]

]

])#(2, 3) (4,) (2, 2, 3)

print(a.shape,b.shape,c.shape)#int32

print(a.dtype)

data= np.array([1.1,2.2,3.3])#float64

print(data.dtype)#创建时可以指定数据类型

data = np.array([1.1,2.2,3.3],dtype="float32")print(data.dtype)#基本不用于字符串的运算

View Code

6.生成数组的方法及操作

importnumpy as np#生成0和1的数组#res = np.zeros((3,4))#print(res)#

#res = np.ones((3,4),dtype="float32")#print(res)

#从现有数组中生成#score = np.array([#[80,89,86,67,79],#[78,97,89,67,81],#[90,94,90,67,69],#[91,91,90,67,69],#[76,87,75,67,86],#[70,79,84,67,84],#[94,92,93,67,64],#[86,85,83,67,80]#])#data1 = np.array(score)#print(data1)#data2 = np.asarray(score)#print(data2)#data3 = np.copy(score)#print(data3)#

#score[3,1] = 0#print(data1)#print(data2)#print(data3)

‘‘‘结论：

只有asarray进行了浅拷贝，其余都为深拷贝‘‘‘

#生成固定范围的数组

data4 = np.linspace(0,10,11,dtype="float64") #生成[0,10]范围内等距的11个数

print(data4)

data5= np.arange(0,10,2,dtype="float64") #生成[0,10)范围,以2为步长的数

print(data5)#生成随机数组

View Code

7.生成指定分布的随机数

importnumpy as npimportmatplotlib.pyplot as plt

data1= np.random.uniform(-1,1,(3,3)) #从[-1,1) 中生成均匀分布的数

## 1.创建画布#plt.figure(figsize=(20,8),dpi=50)## 2.绘制直方图#plt.hist(data1,100)## 3.显示图像#plt.show()

data2= np.random.normal(1.75,0.2,10000) #生成(u=1.75,sigma=0.2)的10000个正态分布数## 1.创建画布#plt.figure(figsize=(20,8),dpi=50)## 2.绘制直方图#plt.hist(data2,100)## 3.显示图像#plt.show()

View Code

8.切片索引与形状的修改

importnumpy as np

stock_change= np.random.normal(0,1,(8,10))#print(stock_change)## 获取指定的数据左闭右开#print(stock_change[0,0:3])#print(stock_change[0,])#print(stock_change[0,0:8:2])#

#c = np.array([#[#[1,2,3],#[4,5,6]#],#[#[1,2,3],#[4,5,6]#]#])#print(c[1,0,0:2])#c[1,0,0] = 1000#print(c[1,0,0:2])

#形状修改#res = stock_change.reshape((10,8)) # 只是对数据按顺序重新分割,返回新的#print(res)#stock_change.resize() # 修改原始的数据，也只是对数据按顺序重新分割#print(stock_change)

#print(stock_change.T) # 矩阵的转置

#类型的修改#res = stock_change.astype("int64")#print(res)

#print(stock_change.tostring())

#数组的去重

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

res=np.unique(temp)print(res)#把多为数组拆成一维数组

res =temp.flatten()print(res)

View Code

9.ndarray运算——逻辑运算

importnumpy as np#stock_change = np.random.normal(0,1,(4,4))#print(stock_change)## 找绝对值大于0.5的#print(stock_change.__abs__()>0.5)## 输出绝对值大于0.5的位置#print(stock_change[stock_change.__abs__()>0.5])## 把绝对值大于0.5的改为0#stock_change[stock_change.__abs__()>0.5] = 0#print(stock_change)

‘‘‘通用判断函数：

np.all(一组布尔值) 只要有一个False就返回False

np.any(一组布尔值) 只要有一个True就返回True‘‘‘

#三元运算符 np.where(布尔值,True时置的值,False置的值)

#逻辑运算#data = np.array([[0,0.5,1],[2,0,0.6],[0.7,0.4,0.8]])#print(data)#res = np.logical_and(data>0.5,data<1)#print(res)#res = np.logical_not(data>=0.5)#print(res)#res = np.logical_or(data<0.5,data>1)#print(res)#res = np.logical_xor(data,0)#print(res)

View Code

10.ndarray运算——统计运算

‘‘‘常用的统计函数：

max,min,sum,prod(计算所有元素的积),std,var,

mean(均值),median(中位数)‘‘‘

importnumpy as np

data= np.array([[0,0.5,1],[2,0,0.6],[0.7,0.4,0.8]])#按列求最大值

print(data.max(axis=0))#按行求最大值

print(data.max(axis=1))#返回最大值，最小值所在的位置

‘‘‘np.argmax(temp,axis=)

np.argmin(temp,axis=)‘‘‘

print(np.argmax(data,axis=0))print(np.argmax(data,axis=1))