自用python基础2

ffuanc

已于 2023-02-18 13:34:55 修改

阅读量258

点赞数

分类专栏： python基础文章标签： python

于 2023-02-12 22:04:33 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_45702396/article/details/128998997

版权

python基础专栏收录该内容

3 篇文章

订阅专栏

这篇博客详细介绍了Python的NumPy模块在数组处理方面的应用，包括创建数组（多维数组、等差数组、随机数组）、查看数组属性、选取元素、数组重塑与转置、数组处理（添加、删除元素、处理重复值、拼接和拆分）以及数组运算（四则运算和统计运算）。重点讨论了append()、insert()、unique()、concatenate()、hstack()、vstack()、hsplit()和vsplit()等函数的使用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

二、数组的存储和处理——NumPy模块

2.1 创建数组

多维数组

array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)

import numpy as np
a = np.array([1,2,3,4])
b = np.array([[1,2,3], [4,5,6],[7,8,9]])
print(a)
print(b)

运行结果：
[1 2 3 4]
[[1 2 3]
 [4 5 6]
 [7 8 9]]

等差数组

arange(start,stop,step,dtype=None)

import numpy as np
d = np.arange(1,20,4)
e = np.arange(1,5)
print(d)    #[1,5,9,13,17]
print(e)    #[0,1,2,3,4]

随机数组

rand()函数创构建的数组中每一个元素都是[0,1)区间内的随机数。

import numpy as np
f = np.random.rand(3)
g = np.random.rand(2,3) 
print(f)    
print(g)

运行结果：
[0.91281291 0.69903541 0.72866193]
[[0.62584457 0.966894   0.85643789]
 [0.18110455 0.83990563 0.20623303]]

randn()函数创建的数组中的元素时符合标准正态分布（均值为0，标准差为1）的随机数

import numpy as np
f = np.random.randn(3) 
print(f)

randint()函数创建的数组中的元素是指定范围内的随机整数

import numpy as np
f = np.random.randint(1,5,10) #[1,5)区间
e = np.random.randint(1,5,(4,2)) 
print(f)  
print(e)

运行结果：
[2 2 2 3 3 2 4 1 1 3]
[[4 1]
 [1 4]
 [2 4]
 [3 1]]

2.2查看数组属性

import numpy as np
e = np.array([[4 1],[1 4],[3 1]])  
print(arr.e)    #(3,2)
print(arr.e[0]) #查看数组arr的行数：3
print(arr.e[1]) #查看数组arr的列数：2
print(arr.size) #查看数组arr的大小/元素个数：6
print(arr.dtype)#查看数组元素的数据类型：int32
arr1 = arr.astype(float) #数据类型转换
print(arr.ndim) #查看数组arr的维度：2

2.3选取数组元素

一维数组

import numpy as np
arr = np.array([12,2,3,4,8,6,34,27,11])

#选取单个元素
print(arr[0])    #12
print(arr[-1])   #11

#选取连续的元素
print(arr[1:6])  #[2 3 4 8 6]
print(arr[:-3])  #[12  2  3  4  8  6]

#选取不连续的元素
print(arr[1:7:2])#[2 4 6]
print(arr[:3:])   #[12  2  3]

二维数组

import numpy as np
arr = np.array([[12,2,3],[4,8,6],[34,27,11]])

#选取单个元素
print(arr[1,2])    #6

#选取单行或单列的元素
print(arr[2])      #[34 27 11]
print(arr[:,1])    #[ 2  8 27]

#选取某些行或某些列的元素
print(arr[1:3])    
#[[ 4  8  6]
# [34 27 11]]
print(arr[:,2])    #[ 3  6 11]

#同时选取行列元素
print(arr[0:2, 1:3])
#[[2 3]
# [8 6]]

2.4数组的重塑于转置

一维数组的重塑

import numpy as np
arr = np.array([1,2,3,4,5,6,7,8])
a = arr.reshape(2, 4)
print(a)    

运行结果：
[[1 2 3 4]
 [5 6 7 8]]

多维数组的重塑

import numpy as np
arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
a = arr.reshape(4, 3)
print(a) 

运行结果：
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

多维为转换一维

import numpy as np
arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
print(arr.flatten())
print(arr.ravel()) 

运行结果：
[ 1  2  3  4  5  6  7  8  9 10 11 12]
[ 1  2  3  4  5  6  7  8  9 10 11 12]

数组的转置

T属性

import numpy as np
arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
print(arr)
print(arr.T)

运行结果：
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
[[ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]
 [ 4  8 12]]

transpose()是通过调换数组的行和列的索引值来转置数组的。

import numpy as np
arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
arr1 = np.transpose(arr)
print(arr1)

运行结果：
[[ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]
 [ 4  8 12]]

2.5数组的处理

添加数组元素

使用NumPy模块中的append()函数和insert()函数可以方便地在数组中添加元素

append()

append(arr, values, axis=None)

import numpy as np
arr = np.array([[1,2,3],[4,5,6]])
arr1 = np.append(arr,[[7,8,9]])
print(arr1)

代码运行结果如下：
[1 2 3 4 5 6 7 8 9]

从运行结果可以看出，使用append()函数在二维数组arr中添加元素后，返回的数组变成了一维数组。

如果想要在不改变数组维度的情况下在数组末尾添加元素，可以为append()函数添加数axis。

import numpy as np
arr=np.array([[1,2,3],[4,5,6]])
arr1=np.append(arr,[[7,8,9]],axis=0)
print(arr1)
#第3行代码中为append()函数设置参数axis的值0,我们可以简单地将其理解为，元素会添加在数组ar的行方向上，也就是说，数组的行数会增加，而列数不变。

代码运行结果如下：
[[1 2 3]
[4 5 6]
[7 8 9]]

import numpy as np
arr=np.array([[1,2,3],[4,5,6]])
arr1=np.append(arr,[[7,8],[9,10]],axis=1)
print(arr1)
#append()函数的参数axis也可以设置为1,表示元素会添加在数组的列方向上，也就是说，数组的列数会增加，而行数不变。

代码运行结果如下：
[[1 2 3 7 8]
 [4 5 6 9 10]]

insert()函数

insert(arr, obj, values, axis=None)

insert()函数用于在数组的指定位置插入元素。

import numpy as np
arr=np.array([[1,2],[3,4],[5,6]])
arr1=np.insert(arr,1,[7,8])
print(arr1)

代码运行结果如下：
[1 7 8 2 3 4 5 6]

同上

import numpy as np
arr = np.array([[1,2],[3,4],[5,6]])
arr1=np.insert(arr,1,[7,8],axis=0)
arr2=np.insert(arr,1,[7,8,9],axis=1)
print(arr1)
print(arr2)

代码运行结果如下：
[[1 2]
 [7 8]
 [3 4]
 [5 6]]
[[1 7 2]
 [3 8 4]
 [5 9 6]]

删除数组元素

import numpy as np
arr=np.array([[1,2,3],[4,5,6],[7,8,9]])
arr1=np.delete(arr,2)
arr2 = np.delete(arr,2,axis=0)
arr3 = np.delete(arr,2,axis=1)
print(arr1)
print(arr2)
print(arr3)

代码运行结果如下：
[1 2 4 5 6 7 8 9]
[[1 2 3]
 [4 5 6]]
[[1 2]
 [4 5]
 [7 8]]

处理数组的重复值

NumPy模块中的unique()函数除了会去除数组中的重复元素，还会将去重后的数组元素从小到大排列。

import numpy as np
arr = np.array([8,4,2,3,5,2,5,5,6,8,8,9])
arr1=np.unique(arr)
arr1, arr2 = np. unique(arr, return_counts=True)
print(arr1)
print(arr2)
#第2行添加了一个参数 return counts,并设置参数值为True，用于查看去重后数组中的元素在原数组中出现的次数。为去重后的数组arrl中的每个元素在原数组arr中出现的次数，例如，数字2在数组arr中出现了2次，数字3在数组arr中出现了1次。

代码运行结果如下：
[2 3 4 5 6 8 9]
[2 1 1 3 1 3 1]

拼接数组

待合并的几个数组的维度必须相同。

如果合并的是一维数组，数组的形状可以不一样；但如果合并的是多维数组，则数组的形状必须相同，也就是数组的行列数必须一样。

concatenate()函数能一次合并多个数组，是数组拼接最常用的方法。

import numpy as np
arr1=np.array([[1,2,3],[4,5,6]])
arr2=np.array([[7,8,9],[10,11,12]])
arr3=np.concatenate((arr1,arr2),axis=0)
arr4=np.concatenate((arr1,arr2),axis=1)
print(arr3)
print(arr4)

代码运行结果如下：
[[ 1 2 3]
[4 5 6]
[7 8 9]
[10 11 12]]
[[ 1 2 3 7 8 9]
 [4 5 6 10 11 12]]

hstack()函数能以水平堆叠的方式拼接数组。

import numpy as np
arr1=np.array([[1,2,3],[4,5,6]])
arr2=np.array([[7,8,9],[10,11,12]])
arr3=np.hstack((arr1,arr2))
print(arr3)

代码运行结果如下：
[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
#从运行结果可以看出，hstack()函数拼接数组的效果等同于concatenate()函数在行方向上拼接数组的效果。

vstack()函数能以垂直堆叠的方式拼接数组。

import numpy as np
arr1=np.array([[1,2,3],[4,5,6]])
arr2=np.array([[7,8,9],[10,11,12]])
arr3=np.vstack((arr1,arr2))
print(arr3)

代码运行结果如下：
[[1 2 3]
[4 5 6]
 [7 8 9]
[10 11 12]]
从运行结果可以看出，vstack()函数拼接数组的效果等同于concatenate()函数在列方向上拼接数组的效果。

拆分数组

#split()函数可以按指定的份数将一个数组均分为多个数组。
import numpy as np
arr=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
arr1=np.split(arr,2)
arr2=np.split(arr,4)
print(arr1)
print(arr2)

代码运行结果如下：
[array([1, 2, 3, 4, 5, 6]), array([ 7,  8,  9, 10, 11, 12])]
[array([1, 2, 3]), array([4, 5, 6]), array([7, 8, 9]), array([10, 11, 12])]

import numpy as np
arr=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
arr3=np.split(arr,[2,6])
arr4=np.split(arr,[2,3,8,10])
print(arr3)
print(arr4)

代码运行结果如下：
[array([1,2]),array([3,4,5,6]),array([7,8,9,10,11,12])]
[array([1,2]),array([3]),array([4,5,6,7,8]),array([9,10]),
array([11,12])]
#从运行结果可以看出，一维数组arr被分别拆分为3个一维数组和5个一维数组，拆分出的各个数组的大小并不相同。

hsplit()函数能将一个数组横向拆分为多个数组。vsplit()函数能将一个数组纵向拆分为多个数组

import numpy as np
arr=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
arr5 = np. hsplit (arr, 2)
arr6=np.vsplit(arr,2)
print(arr5)
print(arr6)

代码运行结果如下（第1~7行为将数组arr横向拆分成两个数组的效果，第8~10行为将数组arr纵向拆分成两个数组的效果）:
[array([[ 1, 2],
[5,6],
[9,10],
[13,14]]),array([[3,4],
[7,8],
[11,12],
[15,16]])]
[array([[1, 2, 3, 4],
[5,6,7,8]]),array([[9,10,11,12],
[13,14,15,16]])]

2.6数组的运算

NumPy模块的优势不仅在于支持多个维度数据的存储和展示，它还能很好地支持数组的数学运算，如数组之间的四则运算和数组元素的统计运算。

数组之间的四则运算

对于多个形状一致的数组，我们可以直接对它们进行加、减、乘、除等运算，运算结果是一个由对应位置上的元素分别进行四则运算后的数组。

import numpy as np
arr=np.array([[1,2,3,4],[5,6,7,8]])
arr2=np.array([[9,10,11,12],[13,14,15,16]])
arr3 = arr+ arr2
arr4=arr*arr2
arr5=arr+5
arr6=arr*10
print(arr3)
print(arr4)
print(arr5)
print(arr6)

代码运行结果如下：
[[10 12 14 16]
 [18 20 22 24]]
[[  9  20  33  48]
 [ 65  84 105 128]]
[[ 6  7  8  9]
 [10 11 12 13]]
[[10 20 30 40]
 [50 60 70 80]]

数组元素的统计运算

import numpy as np
arr = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
arr1 = arr.sum()    #求和
arr2 = arr.sum(axis=0)
arr3 = arr.sum(axis=1)
arr4 = arr.mean () #求平均值
arr5 = arr.mean(axis=0)
arr6 = arr.mean(axis=1)
arr7 = arr.max ()  #求最值
arr8 = arr.max(axis=0)
arr9 = arr.max(axis=1)
print(arr1)
print(arr2)
print(arr3)
print(arr4)
print(arr5)
print(arr6)
print(arr7)
print(arr8)
print(arr9)

代码运行结果如下：
78
[15 18 21 24]
[10 26 42]
6.5
[5. 6. 7. 8.]
[ 2.5  6.5 10.5]
12
[ 9 10 11 12]
[ 4  8 12]