神刀安全网

numpy使用1


Numpy是Python的一个科学计算的库,提供了矩阵运算的功能,其一般与Scipy、matplotlib一起使用。其实,list已经提供了类似于矩阵的表示形式,不过numpy为我们提供了更多的函数。

numpy下载

numpy创建数组

numpy使用1

数组创建函数

另外还有linspace函数,可以在范围内创建数组,randn和rand也可以生成数组。具体看下面代码

import numpy as np  print('使用zeros/empty/ones') print(np.zeros(10))# 生成包含10个0的一维数组 print(np.zeros((3, 6)))# 生成3*6的二维数组 print(np.empty((2, 3, 2)))# 生成2*3*2的三维数组,所有元素未初始化 print(np.ones_like(np.arange(6).reshape(2,3)))#生成两行三列形状的用1填充的数组 #array和asarray都可以将结构数据转化为ndarray # 但是主要区别就是当数据源是ndarray时,array仍然会copy出一个副本,占用新的内存,但asarray不会 #在这个例子中array和asarray没有区别,都对元数据进行了复制 data1=[[1,1,1],[1,1,1],[1,1,1]] arr2=np.array(data1) arr3=np.asarray(data1) data1[1][1]=2 print('data1:/n',data1) print('arr2:/n',arr2) print('arr3:/n',arr3) arr1=np.ones((3,3)) arr2=np.array(arr1) arr3=np.asarray(arr1) arr1[1]=2 print('arr1:/n',arr1) print('arr2:/n',arr2) print('arr3:/n',arr3) #np.identity只能创建方形矩阵 #np.eye可以创建矩形矩阵,且k值可以调节,为1的对角线的位置偏离度,0居中,1向上偏离1,2偏离2,以此类推,-1向下偏离 #numpy.eye(N,M=None, k=0, dtype=<type 'float'>) #第一个参数:输出方阵(行数=列数)的规模,即行数或列数 #第三个参数:默认情况下输出的是对角线全“1”,其余全“0”的方阵,如果k为正整数,则在右上方第k条对角线全“1”其余全“0”,k为负整数则在左下方第k条对角线全“1”其余全“0”。 print(np.identity(3)) print(np.eye(3)) print(np.eye(3,k=1)) #补充numpy.linspace方法,例如,在从1到3中产生9个数: print(np.linspace(1,3,9).reshape(3,3)) #numpy中有一些常用的用来产生随机数的函数,randn()和rand()就属于这其中。  #numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。  #numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中 arr1 = np.random.randn(2,4)#2行4列数组 print(arr1) print('******************************************************************') arr2 = np.random.rand(2,4) print(arr2) 

numpy数据类型

numpy使用1

数据类型1

numpy使用1

数据类型2

数据类型的操作

  • 创建ndarray时指定dtype类型
  • 使用astype显示转换类型
print('生成数组时指定数据类型') arr = np.array([1, 2, 3], dtype = np.float64) print(arr) print(arr.dtype) arr = np.array([1, 2, 3], dtype = np.int32) print(arr) print(arr.dtype)  print('使用astype复制数组并转换数据类型') int_arr = np.array([1, 2, 3, 4, 5]) float_arr = int_arr.astype(np.float) print(int_arr.dtype) print(float_arr.dtype)  print('使用astype将float转换为int时小数部分被舍弃') float_arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1]) int_arr = float_arr.astype(dtype = np.int) print(int_arr)  print('使用astype把字符串转换为数组,如果失败抛出异常。') str_arr = np.array(['1.25', '-9.6', '42'], dtype = np.string_) float_arr = str_arr.astype(dtype = np.float) print(float_arr)  print('astype使用其它数组的数据类型作为参数') int_arr = np.arange(10) float_arr = np.array([.23, 0.270, .357, 0.44, 0.5], dtype = np.float64) print(int_arr.astype(float_arr.dtype)) print(int_arr[0], int_arr[1])  # astype做了复制,数组本身不变。 

NumPy的ndarray 数组和标量之间的运算

不用编写循环即可对数据执行批量运算
大小相等的数组之间的任何算术运算都会将运算应用到元素级
数组与标量的算术运算也会将那个标量值传播到各个元素

# 数组乘法/减法,对应元素相乘/相减。 arr = np.array([[1.0, 2.0, 3.0], [4., 5., 6.]]) print(arr * arr) print(arr - arr) print  # 标量操作作用在数组的每个元素上 arr = np.array([[1.0, 2.0, 3.0], [4., 5., 6.]]) print(1 / arr) print(arr ** 0.5)  # 开根号 

NumPy的ndarray 基本的索引和切片

  • 数组切片
a = np.array([2, 0, 1, 5, 8, 3]) #类似于列表的切片 print(a[:-2])#[2 0 1 5] print(a[-2:])#[8 3] print(a[:1])#[2] print(a[::-1])#反转[3 8 5 1 0 2] print(a[0:-1:2])#[2 1 8] print('使用切片访问和操作数组') arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) print(arr[1:6])  # 打印元素arr[1]到arr[5] arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr[:2]) # 打印第1、2行 print(arr[:2, 1:]) # 打印第1、2行,第2、3列 print(arr[:, :1])  # 打印第一列的所有元素 arr[:2, 1:] = 0 # 第1、2行,第2、3列的元素设置为0 print(arr) 
  • 通过索引操作
# 通过索引访问二维数组某一行或某个元素 arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr[2]) print(arr[0][2]) print(arr[0, 2]) # 普通Python数组不能用。 print  # 对更高维数组的访问和操作 arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) print(arr[0])  # 结果是个2维数组 print(arr[1, 0]) # 结果是个2维数组 old_values = arr[0].copy()  # 复制arr[0]的值 arr[0] = 42 # 把arr[0]所有的元素都设置为同一个值 print(arr) arr[0] = old_values # 把原来的数组写回去 print(arr) 
  • ndarray 布尔型索引、
import numpy as np import numpy.random as np_random  print('使用布尔数组作为索引') name_arr = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) rnd_arr = np_random.randn(7, 4) # 随机7*4数组 print(rnd_arr) print(name_arr == 'Bob') # 返回布尔数组,元素等于'Bob'为True,否则False。 print(rnd_arr[name_arr == 'Bob'])  # 利用布尔数组选择行,显示第一行和第四行 print(rnd_arr[name_arr == 'Bob', :2])  # 在上一个的基础上增加限制打印列的范围 print(rnd_arr[-(name_arr == 'Bob')]) # 对布尔数组的内容取反,布尔数组选择行反转 mask_arr = (name_arr == 'Bob') | (name_arr == 'Will') # 逻辑运算混合结果 print(rnd_arr[mask_arr]) rnd_arr[name_arr != 'Joe'] = 7  # 先布尔数组选择行,然后把每行的元素设置为7。 print(rnd_arr) 
  • ndarray 花式索引
print('Fancy Indexing: 使用整数数组作为索引') arr = np.empty((8, 4)) for i in range(8):     arr[i] = i print(arr) print(arr[[4, 3, 0, 6]]) # 打印arr[4]、arr[3]、arr[0]和arr[6]。 print(arr[[-3, -5, -7]]) # 打印arr[5]、arr[3]和arr[1]行 arr = np.arange(32).reshape((8, 4))  # 通过reshape变换成二维数组 print(arr) print(arr[[1, 5, 7, 2], [0, 3, 1, 2]]) # 打印arr[1, 0]、arr[5, 3],arr[7, 1]和arr[2, 2] print(arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]])  # 1572行的0312列 print(arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]) # 可读性更好的写法 

NumPy的ndarray 数组转置和轴对换

import numpy as np import numpy.random as np_random  print('转置矩阵') arr = np.arange(15).reshape((3, 5)) print(arr) print(arr.T) print  print('转置矩阵做点积') arr = np_random.randn(6, 3) print(arr) print(np.dot(arr.T, arr)) print  print('高维矩阵转换') arr = np.arange(16).reshape((2, 2, 4)) print(arr) ''' 详细解释: arr数组的内容为 - a[0][0] = [0, 1, 2, 3] - a[0][1] = [4, 5, 6, 7] - a[1][0] = [8, 9, 10, 11] - a[1][1] = [12, 13, 14, 15] transpose的参数为坐标,正常顺序为(0, 1, 2, ... , n - 1), 现在传入的为(1, 0, 2)代表a[x][y][z] = a[y][x][z],第0个和第1个坐标互换。 - a'[0][0] = a[0][0] = [0, 1, 2, 3] - a'[0][1] = a[1][0] = [8, 9, 10, 11] - a'[1][0] = a[0][1] = [4, 5, 6, 7] - a'[1][1] = a[1][1] = [12, 13, 14, 15] ''' print(arr.transpose((1, 0, 2))) print(arr.swapaxes(1, 2))  # 直接交换第1和第2个坐标 

NumPy的ndarray 快速的元素级数组函数

  • 一元函数 I
numpy使用1

一元函数1

  • 一元函数 II
numpy使用1

一元函数2

  • 二元函数 I
numpy使用1

二元函数1

  • 二元函数 II
numpy使用1

二元函数2

import numpy as np import numpy.random as np_random  print('求平方根') arr = np.arange(10) print(np.sqrt(arr))  print('数组比较') x = np_random.randn(8) y = np_random.randn(8) print(x) print(y) #取两个举证相同位置的最大值 print(np.maximum(x, y))  print('使用modf函数把浮点数分解成整数和小数部分') arr = np_random.randn(7) * 5  # 统一乘5 print(np.modf(arr)) 

转载本站任何文章请注明:转载至神刀安全网,谢谢神刀安全网 » numpy使用1

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址