Numpy-我的学习笔记（全）

最新推荐文章于 2024-09-13 20:34:35 发布
最新推荐文章于 2024-09-13 20:34:35 发布
阅读量1.3k 收藏 7
点赞数 1
文章标签： numpy 数据分析 列表
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。
本文链接：https://blog.youkuaiyun.com/weixin_49285816/article/details/115948286
版权

目录：

介绍

numpy是’Numerical Python’的简称，numpy提供了一个高性能的多维数组对象ndarray(N Dimension Array)，以及大量的库函数和操作。

维度

图片

1)维度的写法

图片

2)元素的索引

图片

ndarray数据结构

1)元数据部分

存储当是当前ndarray对象当一些描述信息。比如shape\size\dtype\ndim

2)真实数据部分

存储的是当前这个ndarray对象中的真实数据

ndarray常用属性

ndim返回数组堆数

shape返回数组形状

dtype返回数组数据类型

size返回数组元素个数

itemsize返回数组每个元素占用空间大小（单位为字节）

nbytes返回数组所有元素占用空间大小(单位为字节）

图片

ndarray与list的区别

  1. list列表可以存储不同数据类型，而ndarray数据存储的所有元素类型，都必须一致
  2. 使用numpy创建数组的效率比原生list要高的多
  3. 使用ndarray创建数组的好处

1）每个元素类型一致，那么整个ndarray只需要一个元数据信息即可，而不是像list一样，每个对象都需要存储一个元数据信息

2）由于元数据只需要存储一份，所以更节省空间

3）每个元素类型一致，说明每个元素占用内存大小是一致的，存储数据可以更紧凑，效率更高

列表与数组之间的相互转换

  1. 列表转成数组，直接对列表应用np.array函数即可图片
  2. 数组转列表：tolist()图片

创建数组的不同方式

1、用np.array()函数去创建数组

  • np.array(参数)函数，参数给了什么样式的数据，就构建什么样式的ndarray数组；你给我一个一维列表，我就构建一个一维数组；你给我一个二维列表，我就构建一个二维数组；

  • 在numpy中，一维数组又叫做"向量"；二维数组又叫做"矩阵"；

2、利用np.arrange()函数去创建数组

对比range()函数

**相同点：**用法相同。都是(start,end,step)

不同点：np.arrnge()函数的步长可以是浮点数，但是range()函数的步长不能是浮点数

图片

3、利用指定值生成指定形状的数组

  • np.zeros((x,y)):生成一个x行y列的，元素都是0的二维数组；

  • np.ones((x,y))：生成一个x行y列的，元素都是1的二维数组；

  • np.full((x,y),value)：生成一个x行y列的，元素都是value的二维数组，其中这个value值可以是整数(正整数,0,负整数)或者小数；

    图片

    Ps：传入一个数字，就可以创建一维数组；传入三个数字，就可以创建三维数组

4、按照已有的ndarray数组的形状，创建形状相同但指定元素的ndarray数组

先创建一个数组，再使用np.xx_like函数

图片

图片

常用的函数有：

  • np.zeros_like()

  • np.ones_like()

  • np.full_like()

5、创建单位矩阵和对角矩阵

1)单位矩阵
  • np.eye()或np.identity()

图片

2)对角矩阵
  • np.diag()

图片

6、创建等差数列数组

对比arrange()函数和linspace()函数学习

  1. np.arange(start,stop,step)第三个参数指的是元素步长；固定步数，和首位数

  2. np.linspace(start,stop,num)第三个参数指的是元素个数；固定首位数，个数。尾数可以不固定也可以固定

    图片

  3. np.linspace()中两个常用的参数：endpoint和dtype。

    • endpoint=True表示是包含终止值(默认)，endpoint=False表示不包含终止值；
    • dtype=np.float64指定创建的数组的数据类型默认是float64，你也可以设置为dtype=np.np.int32；

    图片

7、创建等比数列数组

图片

注意：上述代码表示在2的一次方到2的七次方之间，生成4个数，这四个数字还构成了一个等比数列。

图片

注意：上述代码表示会默认base=10，也就是说，在10的一次方到10的五次方之间，生成3个数，这3个数还构成一个等比数列。

8、通过自定义函数构建数组

(3,3）表示三行三列。第一行，第一列，坐标表示为（0，0），同理，第一行，第三列，坐标表示为（0，2）。

图片

Numpy中的常数

  • 正无穷：Inf = inf = infty = Infinity = PINF
  • 负无穷：NINF
  • 正零：PZERO
  • 负零：NZERO
  • 非数值：nan = NaN = NAN
  • 自然数e：e
  • π：pi
  • 伽马：euler_gamma
  • None：newaxis

图片

Numpy中的数据类型与数据类型转化dtype、astype

1、numpy中常用的数据类型

1byte=4bits 、 32bit=4 bytes、 64bit=8bytes、int32、 float64

最低0.47元/天 解锁文章
python np arrange_np.arrange用法
weixin_39672979的博客
12-11 3054
np.arange()经常用，其用法总结如下：np.arange(0,60,2)生成从0到60的步距为2的数组，其中0为初始值，60为终值，2步距，np.arange(60)生成从0到59的默认步距为1的数组Python程序示例：import numpy as npprint(np.arange(0,60,2))print(np.arange(60))print(np.arange(1,60,1....
python数据分析【2】numpy
IN_Joseph的博客
08-10 1333
1 创建数组 1.1 np.array () 一维&二维数组 基于list或者tuple import numpy as np # 一维数组 arr1 = np.array([1,2,3,4]) arr2 = np.array((1,2,3,4)) # 二维数组 (2*3) arr3 = np.array([[1,2,4], [3,4,5]]) print(arr1) print(arr2) print(arr3) [1 2 3 4] [1 2 3 4] [[1 2 4] [3 4 5]]
numpy的函数使用（一）：np.arrange()
awlrty0643的博客
11-10 1万+
arrange函数用于创建等差数组。 返回一个有起点和终点固定长的list e.g.[1, 2, 3],起点是1，终点是5，步长是1。步长相当于等差数列中的公差。 参数：可以接受1、2、3个参数。 注意：如果起始值大于终点值，会生成空的一维数组。 #1：参数值为终点，起点值默认为0，步长值默认为1a = np.arange(6)#[0 1 2 3 4 5] ...
numpy系列1： np.arrange
qq_25033587的博客
05-20 1137
参考： numpy常用函数之arange函数 np.arange函数 Python 基础——range() 与 np.arange()
np.arrange和np.newaxis的用法
weixin_42028147的博客
06-11 1291
np.arange() 1.参数为一个的情况，默认起点为0，终点为参数，步长为1，即间隔为1 In [9]: a = np.arange(2) In [10]: a Out[10]: array([0, 1]) 2.两个参数的情况，起点默认为第一个参数，终点为第二个参数，步长默认为1 In [13]: a = np.arange(1,3) In [14]: a Out[14]: array([1, 2]) 3.三个参数的情况，第一个参数为起点，终点为第二个参数，步长为第三个参数 In [15]: a
03-python-numpy-简介-基础-数组-数组类型
02-09
这篇学习笔记将深入探讨NumPy的基础知识，包括其简介、数组概念以及数组类型。 首先，我们来看一下NumPy的简介。NumPy（Numerical Python）是一个开源库，它提供了一个强大的N维数组对象，还包含了一些用于处理数组...
numpy-pandas-matplotlib-seaborn
03-12
标题 "numpy-pandas-matplotlib-seaborn" 暗示了这可能是一个关于数据分析和数据可视化的学习资源，主要涉及Python中的四个重要库：NumPy、Pandas、Matplotlib和Seaborn。这些库在数据科学领域广泛使用，下面将详细...
python-numpy学习笔记
08-26
python-numpy学习笔记，带你快速上手numpy，排版精美。
python学习笔记-机器学习库numpy
08-19
本篇笔记将深入探讨Numpy在机器学习中的应用。 一、Numpy简介 Numpy，全称为Numeric Python，是Python科学计算的核心库。它的主要功能是提供高效的数据结构——ndarray（n-dimensional array），这种数据结构能够...
为什么np.arrange(0.97,3.0,0.01)最后一个值是3.0018，大于3
T20151470的博客
09-13 336
然而，由于浮点数的精度问题，当你使用浮点数作为步长时，可能会出现一些微小的误差。这些误差可能会导致最后一个值略微超出你期望的终止值。浮点数在计算机中的表示是基于二进制的，而某些十进制小数在二进制表示中是无限循环的，这会导致精度损失。因此，当你使用浮点数进行计算时，尤其是作为循环或迭代的步长时，这种精度损失可能会累积起来。时，你期望得到的是从 0.97 开始，每次增加 0.01，直到接近但不包括 3.0 的数列。函数，它在指定的数值范围内生成等间隔的数列，并且可以确保包含起始值和终止值。在 NumPy 中，
numpy的arrange函数，创建一维数组。和array。
qq_52983535的博客
07-01 1005
numpy的arrange函数，创建一维数组。和array。
python-numpy最全攻略五-arrange, reshape, flatten
deep learning
09-08 1138
numpy reshape方法 import numpy as np array = np.arange(8) print("Original array : \n", array) # shape array with 2 rows and 4 columns array = np.arange(8).reshape(2, 4) print("\narray reshaped with 2 rows and 4 columns : \n", array) # shape array wit.
Python_Numpy
mec_zhang的博客
05-31 292
array()函数 创建数组 np.array() np.zerosz() np.ones() np.arrange() np.eye()不同大小的数组之间的运算叫做广播（broadcasting）。索引与切片 花式索引np.arrange(32).reshape((8,4)) np.ix_()数组转置 np.T 内积计算np.doa(arr.T,arr)
python科学计算：numpy
怪囧小窝
07-11 894
毕设的程序设计中使用了python来处理数据，主要使用的是numpy包，网上大部分对numpy进行介绍的教程比较老旧，想要使用的功能不太容易找到。因此，写这篇文章来对现有的一些资源就行整理，当然想要更全面的了解numpy的使用还是从访问官方手册开始。安装win下pip isntall numpy当然最好还是直接安装pythonxy或者Anaconda的集成包。具体特性的使用import numpy
[数据分析]-python利用matplotlib库实现坐标以10的幂次方均匀分布、坐标以指定值均匀分布并在指定位置添加图例
ai_faker的博客
06-24 9262
需求介绍 在很多时候我们进行数据分析时，我们想要 1.让x轴刻度以指定值真实显示，同时又不改变坐标之间的距离。 2.让y轴刻度以10的幂次放真实显示，同时又不改变坐标轴之间的距离。 3.可以添加图例子，并且可以修改图例大小。 如下图所示。 可以看到的是， 对于y坐标轴刻度显示为10的*次方，且对应的值为真是值; 对于x坐标轴刻度以[4,16,64,128]均匀显示，且不影图中点的真实值; 对于图例其显示在绘制图像的左上方，且自定义设置了显示; 功能实现 1.显示为10的*次方 # 设置y轴刻度，使其
Numpy里面的axis
Hhaicl的博客
11-05 299
【转】作者：fangjian1204  来源：优快云  原文：https://blog.csdn.net/fangjian1204/article/details/53055219  numpy是针对矩阵或者多为数组进行运算的，而在多维数组中，对数据的操作有太多的可能，我们先来看一个例子。比如我们有一个shape=[4,3]的二维数组： import numpy as np data =...
Python——range()、xrange()和np.arange()应用说明
热门推荐
o_Eagle_o
11-17 2万+
（1）range()和xrange()函数 在 python 2.x 版本中，同时存在range（）和xrange（）函数，其中，range()返回值是一个列表，xrange（）返回值是一个迭代值； 在 python 3.x 版本中，取消了xrange（）的定义，仅保留了range（）函数，且range（）函数的返回值也改为迭代值； xrange和range的语法格式相同。 语法： - 格式1:
Python:range()和np.arange()区别
牛仔一灯的博客
10-30 1万+
range()返回的是range object，而np.arange()返回的是numpy.ndarray() range尽可用于迭代，而np.arange作用远不止于此，它是一个序列，可被当做向量使用。 range()不支持步长为小数，np.arange()支持步长为小数 两者都可用于迭代 两者都有三个参数，以第一个参数为起点，第三个参数为步长，截止到第二个参数之前的不包括第二个参数的数据序列 ...
numpy次方计算
weixin_30907935的博客
09-15 1236
>>> 2**np.arange(3, 6) array([ 8, 16, 32]) 转载于:https://www.cnblogs.com/ymjyqsx/p/7528615.html
OFDM-ISAC学习笔记
最新发布
01-10
### OFDM-ISAC 学习资源汇总 #### 1. ISAC通信感知一体化背景 未来的第五代(5G)和第六代(6G)无线系统预计能够提供高速率通信和高精度感知服务[^1]。为了实现这一目标，大量的研究集中在不同的场景和系统架构下的ISAC技术。 #### 2. OFDM-ISAC 技术概览 尽管当前许多ISAC的工作主要基于OFDM波形展开，但在特定条件下，如车辆移动引起的多普勒频偏会破坏OFDM子载波间的正交性，从而影响性能表现[^2]。然而，对于静态或低速环境而言，OFDM仍然是一个非常有效的选择，并且已经被广泛应用于早期的ISAC实验中。 #### 3. 学习路径建议 - **基础知识巩固**: 掌握基本的数字信号处理概念，特别是傅里叶变换及其逆运算；理解调制解调原理，尤其是QAM、PSK等常见方式。 - **深入理论学习**: 关注有关MIMO技术和毫米波传播特性的文献，因为这些都是现代无线通讯系统的基石之一。 - **实践操作训练**: 利用MATLAB/Simulink或其他仿真工具搭建简单的OFDM传输链路模型，尝试加入噪声干扰源观察其对BER的影响变化规律。 - **前沿动态追踪**: 定期查阅最新的学术期刊文章和技术报告，了解行业内最新进展趋势以及面临的挑战难题所在之处。 #### 4. 参考书籍与在线课程推荐 - *《Wireless Communications》* by Andrea Goldsmith 提供了一个全面而深刻的视角来看待整个无线通信领域内的核心知识点。 - Coursera平台上开设有专门面向工程师群体的基础级至高级别的系列专题讲座——“Introduction to Wireless Communication Systems”，非常适合初学者入门学习使用。 ```python import numpy as np from scipy import fftpack def ofdm_modulate(data_bits, num_subcarriers=64): """Simple OFDM modulation function""" symbols_per_frame = int(len(data_bits)/np.log2(num_subcarriers)) frames = data_bits.reshape(-1,symbols_per_frame) modulated_frames = [] for frame in frames: symbol_indices = np.arange(num_subcarriers) complex_symbols = (-1)**frame @ (symbol_indices[:,None]==range(symbols_per_frame)).astype(int)*2j*np.pi/num_subcarriers idft_result = fftpack.ifft(np.exp(complex_symbols), axis=0).real.flatten() cyclic_prefix_length = int(0.1*num_subcarriers) cp_added_signal = np.r_[idft_result[-cyclic_prefix_length:], idft_result] modulated_frames.append(cp_added_signal) return np.concatenate(modulated_frames) data_sequence = np.random.randint(0, 2, size=(1024,)) ofdm_signal = ofdm_modulate(data_sequence) print(ofdm_signal[:10]) ```
评论 2
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