科学计算库-Numpy-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_63091390/article/details/144331448

文章目录

01.Numpy概述
02.Array数组
03.数组结构
04.数组类型
05.数值运算
06.排序操作
07.数组形状
08.数组生成函数
09.常用生成函数
10.四则运算
11.随机模块
12.文件读写
13.数组保存
14.Numpy练习题

01.Numpy概述

import numpy as np

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

TypeError Traceback (most recent call last)

Cell In[5], line 2
1 array = [1,2,3,4,5]
----> 2 array + 1

TypeError: can only concatenate list (not “int”) to list

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

array2 =array + 1
array2

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

array2 + array

array([ 3, 5, 7, 9, 11])

array2 * array

array([ 2, 6, 12, 20, 30])

支持索引和切片

array[3]

array

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

array[1:4]

array([2, 3, 4])

列表list没有shape这个方法，numpy可以

array.shape #输出为1维数组，只有5个元素

(5,)

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

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

02.Array数组

import numpy as np

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

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

type(array)  #类型

numpy.ndarray

array.dtype指的是数组（array）的数据类型（data type）。dtype是data type的缩写。
np.array要求里面必须是相同数据类型，否则它会做自动的向下转换操作

array.dtype

dtype(‘int32’)

list2 = [1,2,3,4,5.0]
array2 = np.array(list2)
array2

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

array2.dtype

dtype(‘float64’)

list3 = [1,2,3,4,'5']
array3 = np.array(list3)
array3.dtype #输入为当前字符串的编码形式

dtype(‘<U11’)

array.itemsize属性表示数组中每个元素所占用的字节数
dtype定义了数组中元素的数据类型，而itemsize则基于这个数据类型告诉我们每个元素实际占用的存储空间大小。
不同的数据类型有不同的大小，例如：
int8（8位整数）的itemsize是1字节
int32（32位整数）的itemsize是4字节
float64（64位浮点数）的itemsize是8字节
complex128（128位复数）的itemsize是16字节

array.itemsize

* 在NumPy中，array.size属性表示数组中所有元素的总数。这个属性与数组的形状（shape）有关，因为形状定义了数组的维度和每个维度的大小，而size则基于这些维度计算出数组中元素的总数。

例如，如果有一个二维数组，其形状为(3, 4)，那么这个数组有3行和4列，总共有3 * 4 = 12个元素。因此，这个数组的size属性值为12。

array.size

np.size(array)  #等价于array.size

np.shape(array) #等价于array.shape

(5,)

在NumPy中，array.ndim属性表示数组的维度数。这个属性告诉我们数组是几维的，即它有多少个轴（axis）。
一维数组（向量）的ndim是1。
二维数组（矩阵）的ndim是2。
三维数组的ndim是3。
以此类推。

array.ndim

在NumPy中，array.fill(0)是一个方法，用于将数组中的每个元素都填充（设置）为指定的值，在这个例子中是0。这个方法会直接修改原数组，而不是创建一个新的数组。

array

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

array.fill(0)
array

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

索引与切片:和python一样，还是从0开始的

list = [1,2,3,4,5]
array = np.array(list)
array[0]

array[1:3]

array([2, 3])

array[-2:]

array([4, 5])

03.数组结构

矩阵格式（多维的形式）

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

array.ndim #二维

array[1,1] #取5这个元素，索引是1 1

赋值

array[1,1] = 10  
array

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

取第1行

array[1]

array([ 4, 10, 6])

取第1列取的第一列2,10,8分别又是第0、1、2行的元素，都要取到所以是冒号

array[:,1]

array([ 2, 10, 8])

比如，取第0行的前两个值

array[0,0:2]

array([1, 2])

* array2 = array指向了同一地址，修改array2的同时相当于也修改了array

array

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

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]])

为避免上述情况，可使用copy()方法,这样可以互不干扰

array

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

array2 = array.copy()
array2

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

array2[1,1] = 10000
array2

array([[ 1, 2, 3],
[ 4, 10000, 6],
[ 7, 8, 9]])

array

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

在NumPy中，np.arange函数用于生成一个等差数列的数组

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

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

在NumPy中，mask = np.array([0,0,0,2,4,1], dtype=bool)这行代码创建了一个布尔类型的数组mask。数组中的元素是布尔值，这些值是由数组[0,0,0,2,4,1]中的整数转换而来的。

在Python中，整数0在布尔上下文中被视为False，任何非零整数被视为True。

这个布尔数组通常用于掩码操作，例如在NumPy中选择或过滤数据。例如，你可以使用这个掩码数组来选择另一个数组中对应于True值的元素。

mask = np.array([0,0,0,2,4,1,1,0,1,0],dtype=bool)
mask

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

array[mask] #输出布尔值为true的对应值

array([30, 40, 50, 60, 80])

使用NumPy库的random模块生成了一个包含10个随机浮点数的一维数组。这些浮点数是在0到1之间均匀分布的。

random_array = np.random.rand(10)
random_array

array([0.41040667, 0.38638939, 0.96821504, 0.4190651 , 0.94009793,
0.64312584, 0.00302379, 0.8016214 , 0.45731577, 0.96583803])

mask = random_array > 0.5 创建了一个布尔掩码数组 mask，它基于 random_array 中的值是否大于0.5来决定每个元素的布尔值。

mask = random_array > 0.5
mask

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

array[mask]

array([20, 40, 50, 70, 90])

array = np.array([10,20,30,40,50])
array > 30

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

np.where函数是NumPy库中用于根据条件查找数组中元素的索引的工具。具体来说，np.where(array > 30)这个表达式会返回一个元组，其中包含满足条件array > 30的元素的索引。

np.where(array > 30)

(array([3, 4], dtype=int64),)

array[np.where(array>30)]

array([40, 50])

04.数组类型

创建了一个NumPy数组array，其中包含了整数1到5，并且指定了数组的数据类型为float32。这意味着数组中的每个元素都将被存储为32位浮点数。
32位比64位节约空间，推荐32位

array = np.array([1,2,3,4,5],dtype=np.float32)
array

array([1., 2., 3., 4., 5.], dtype=float32)

array.dtype

dtype(‘float32’)

在NumPy中，array.nbytes属性返回数组所占用的总字节数。这个值是数组中所有元素大小的总和，即数组中元素数量乘以每个元素的大小（array.itemsize）。

对于你提供的数组array = np.array([1, 2, 3, 4, 5], dtype=np.float32)，每个元素是32位浮点数，即每个元素占用4字节。由于数组中有5个元素，所以整个数组占用的总字节数是：

5 个元素×4 字节/元素=20 字节

array.nbytes

array = np.array([1,10,3.5,'str'])
array

array([‘1’, ‘10’, ‘3.5’, ‘str’], dtype=‘<U32’)

当你创建一个NumPy数组并指定dtype=np.object时，你创建了一个对象数组。这种类型的数组可以包含任何类型的Python对象，包括数字、字符串、列表等。

array = np.array([1,10,3.5,'str'],dtype=object)
array

array([1, 10, 3.5, ‘str’], dtype=object)

array * 2

array([2, 20, 7.0, ‘strstr’], dtype=object)

array 是一个已经存在的 NumPy 数组，包含整数 1 到 5。然后，np.asarray(array, dtype=np.float32) 这个函数调用会将这个数组转换为一个新的数组，其中的数据类型是 float32。
这个转换过程会将整数数据类型强制转换为 float32 类型的浮点数。这种转换通常用于确保数组中的数值可以进行浮点数运算，或者在需要特定数据类型的上下文中使用数组。
这个方法不会改变原始结构，而是重新创建一个数组

array = np.array([1,2,3,4,5])
array2 =np.asarray(array,dtype = np.float32)
array2

array([1., 2., 3., 4., 5.], dtype=float32)

array

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

方法2
array.astype(np.float32) 是一个 NumPy 方法，用于将数组 array 中的元素转换为指定的数据类型，这里的指定类型是 np.float32，即32位浮点数。
这个方法不会改变原始数组 array，而是返回一个新的数组，其数据类型已经被转换为 float32。如果原始数组 array 中的元素是整数或具有更高精度的浮点数，它们将被转换（或向下转换）为单精度浮点数。

array.astype(np.float32)

array([1., 2., 3., 4., 5.], dtype=float32)

array

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

05.数值运算

import numpy as np
array = np.array([[1,2,3],
                 [4,5,6]])
array

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

当你调用 np.sum(array) 时，NumPy 会计算数组 array 中所有元素的总和

np.sum(array)

指定要进行的操作是沿着什么轴(维度)

np.sum(array,axis=0)

array([5, 7, 9])

array.ndim

加法计算

np.sum(array, axis=0) 会沿着第一个轴（垂直方向）求和，对每一列的元素进行累加。
np.sum(array, axis=1) 会沿着第二个轴（水平方向）求和，对每一行的元素进行累加。

np.sum(array,axis=1)

array([ 6,