Numpy对数组的操作：创建、变形(升降维等)、计算、取值、复制、分割、合并
1.简介
NumPy(NumericalPython)是Python语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。最主要的数据结构是ndarray数组。
NumPy通常与SciPy（ScientificPython）和Matplotlib（绘图库）一起使用，这种组合广泛用于替代MatLab。
SciPy是一个开源的Python算法库和数学工具包。SciPy包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib是Python编程语言及其数值数学扩展包NumPy的可视化操作界面。
2.创建
创建一维数组
（1）直接创建：np.array([1,2,3,4,5,6])
（2）从python的list中建立：np.array(list([1,2,3,4,5,6]))
创建常量值的一维数据
（1）创建以0为常量值：np.zeros(n,dytpe=float/int)
（2）创建以1为常量值：np.ones(n)
（3）创建一个空数组：np.empty(4)
创建一个元素递增的数组
（1）从0开始增长的递增数组：np.arange(8)
（2）给定区间，自定义步长：np.arange(0,1,0.2)
（3）给定区间，自定义个数：np.linspace(-1,1,50)
创建多维数组：创建单维数组，再添加进多维数组
#数组的结构一定是np.array([])无论数组中间存放的是多少“层”数据 #二维数组相当于存放的是“两层”数组而已 arr1=np.array(list([1,2,3,4,5])) arr2=np.array([arr1,[1,0,0,1,0]])#2*5的两维数组 arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]]))#3*5的两维数组 arrx=np.array([arr1,list([1,2,3,4,5],[1,1,1,0,0])])#报错 arry=np.array([list([[1,2,3,7,11],[2,3,4,5,6]]),[1,2,3,4,5]])#报错
创建常量值的(n*m)维数据
（1）创建以0为常量值：np.zeros((n*m),dytpe=float/int)
（2）创建以1为常量值：np.ones((n*m))
（3）创建一个空数组：np.empty((n*m))
创建随机数字的数组
生成随机数种子：
（1）np.random.seed()
（2）np.random.RandomState()
生成随机数：
函数
取值
说明
1
np.random.rand(d0,d1,…,dn)
[0,1)
根据给定维度生成数组，服从均匀分布
2
np.random.randint(low,high=None,size=None,dtype='l')
[0,low)或者[low,high)
根据size生成离散均匀分布的整数值
3
np.random.randn(d0,d1,…,dn)
根据给定维度生成数组，服从标准正态分布
4
np.random.random_sample(size=None)
[0,1)
根据给定维度生成随机浮点数
5
np.random.random(size=None)
[0,1)
根据给定维度生成随机浮点数
6
np.random.ranf(size=None)
[0,1)
根据给定维度生成随机浮点数
7
np.random.sample(size=None)
[0,1)
根据给定维度生成随机浮点数
生成有分布规律的随机数组
（1）二项分布：np.random.binomial(n,p,size)
（2）正态分布：np.random.normal(loc,scale,size)
将csv文件转化成数组或阵列
使用np.genfromtxt(‘csv文件名'，delimiter=‘文件中的分割符')函数将文件转化成数组
csv_array=np.genfromtxt('sample.csv',delimiter=',')
print(csv_array)
3.数组的变形
生成数组／矩阵转置的函数，即行列数字交换，使用.T
a=np.array([[32,15,6,9,14], [12,10,5,23,1], [2,16,13,40,37]]) print(a.T) ------------------- #结果如下 [[32122] [151016] [6513] [92340] [14137]]
改变数组的形状：
（1）arr.resize(n,m)：arr.resize(n,m)函数是原地修改数组，要求：元素的个数必须一致
a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0123] [4567]]
（2）arr.reshape(n,m)：如果某一个维度的参数为-1，则表示元素总个数会迁就另一个维度来计算
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
将一维升至二维：np.newaxis
np.newaxis实际上是直接增加维度的意思，我们一般不会给数组增加太多维度，这里以一维增加到二维为例：
（1）增加行维度：arr[np.newaxis,:]
（2）增加列维度：arr[:,np.newaxis]
a=np.arange(8) a#array([0,1,2,3,4,5,6,7]) a.shape#(8,) a[np.newaxis,:]#array([[0,1,2,3,4,5,6,7]]) a.shape#(8,) a[:,np.newaxis]#array([[0],[1],[2],[3],[4],[5],[6],[7]]) a.shape#(8,)
降维：arr.ravel()
arr.ravel()函数在降维时：默认是行序优先生成新数组（就是一行行读）；如果传入参数“F”则是列序降维生成新数组
a=np.array([[1,2],[3,4]])
a.ravel()
a.ravel('F')
----------------------------
#结果array([1,2,3,4])
#结果array([1,3,2,4])
4.计算
对数组进行计算操作
（1）对元素进行加减计算
a=np.arange(8).reshape(2,4)#array([[0,1,2,3],[4,5,6,7]]) b=np.random.randint(8,size=(2,4))#array([[1,2,5,3],[4,1,0,6]]) a+b a-b ---------------------------- #a+b和a-b结果分别是： array([[1,3,7,6], [8,6,6,13]]) array([[-1,-1,-3,0], [0,4,6,1]])
（2）乘法：平方／矩阵中元素相乘
a=np.arange(8).reshape(2,4)#array([[0,1,2,3],[4,5,6,7]]) b=np.random.randint(8,size=(2,4))#array([[1,2,5,3],[4,1,0,6]]) a**2 a*b ----------------------- #a矩阵平方／a*b矩阵中元素相乘结果分别： array([[0,1,4,9], [16,25,36,49]]) array([[0,2,10,9], [16,5,0,42]])
（3）矩阵*矩阵：
#要求a矩阵的行要等于b矩阵的列数；且a矩阵的列等于b矩阵的行数 a=np.arange(8).reshape(2,4)#array([[0,1,2,3],[4,5,6,7]]) b=np.random.randint(8,size=(4,2))#array([[3,0],[3,3],[5,6],[6,7]]) c1=np.dot(a,b) c2=a.dot(b) ---------------------- #ab矩阵相乘的结果：c1=c2 array([[31,36], [99,100]])
（4）逻辑计算
【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的！
#结果返回：一个数组，其中每个元素根据逻辑判断的布尔类型的结果 a>3 ----------------------------- #结果如下： array([[False,False,False,False], [True,True,True,True]])
5.取值
获取一维数组中的某个元素：操作和list列表的index一样
a=np.array([5,2,7,0,11]) a[0]#结果为5 a[:4]#结果为从头开始到索引为4结束 a[2:]#结果为从索引为2的开始到结尾 a[::2]#结果为从头开始到结尾，每2个取一个值
获取多维数组的某个元素，某行或列值
a=np.array([[32,15,6,9,14], [12,10,5,23,1], [2,16,13,40,37]]) a[2,1]#结果是一个元素16 a[2][1]#结果是一个元素16 a[1]#第2行array([12,10,5,23,1]) a[：，2]#取出全部行，第2列[15,10,16] a[1:3,:]#取出[1，3)行，全部列 a[1,1:]#array([10,5,23,1])
获取满足逻辑运算的
#需要注意的是，我们数据进行逻辑计算操作得到的仍然是一个数组 #如果我们想要的是一个过滤后的数组，就需要将"逻辑判断"传入数组中 a=np.array([[32,15,6,9,14], [12,10,5,23,1], [2,16,13,40,37]]) a[a>3] a[(a>3)|(a<2)] ------------------------------ #结果分别是： array([32,15,6,9,14,12,10,5,23,16,13,40,37]) array([32,15,6,9,14,12,10,5,23,1,16,13,40,37])
遍历：结果是按行输出
a=np.array([[32,15,6,9,14], [12,10,5,23,1], [2,16,13,40,37]]) forxina: print(x) -------------------- [32156914] [12105231] [216134037]
6.复制／分割／合并
复制：arr.cope()
分割：
（1）等分：np.split(arr,n,axis=0/1)（即行数或列数可以整除n时才可以）
（2）不等分：np.array_split(arr,n)默认按行分n份
a=np.array([[32,15,6,9,14,21], [12,10,5,23,1,10], [2,16,13,40,37,8]]) #可以看到a矩阵是(3*6)，所以使用np.split()只能尝试行分成3份；或者列分成2/3/6份 np.split(a,3,axis=0) np.split(a,3,axis=1) np.array_split(a,2) np.array_split(a,4,axis=1) ------------------------------------------- [array([[32,15,6,9,14,21]]), array([[12,10,5,23,1,10]]), array([[2,16,13,40,37,8]])] [array([[32,15], [12,10], [2,16]]),array([[6,9], [5,23], [13,40]]),array([[14,21], [1,10], [37,8]])] [array([[32,15,6,9,14,21], [12,10,5,23,1,10]]),array([[2,16,13,40,37,8]])] [array([[32,15], [12,10], [2,16]]),array([[6,9], [5,23], [13,40]]),array([[14], [1], [37]]),array([[21], [10], [8]])]
合并：np.concatenate((arr1,arr2,arr3),axis=0/1)默认接在数据下面
a=np.random.rand(2,3) b=np.random.randint(1,size=(2,3)) np.concatenate((a,b,a))#接在下面 np.concatenate((a,b,a),axis=1)#接在后面 ------------------------ array([[0.95912866,0.81396527,0.809493], [0.4539276,0.24173315,0.63931439], [0.,0.,0.], [0.,0.,0.], [0.95912866,0.81396527,0.809493], [0.4539276,0.24173315,0.63931439]]) array([[0.95912866,0.81396527,0.809493,0.,0., 0.,0.95912866,0.81396527,0.809493], [0.4539276,0.24173315,0.63931439,0.,0., 0.,0.4539276,0.24173315,0.63931439]])
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。