Numpy的简单用法小结

2023-08-15 19:07:03 858

Numpy的简单用法，下面就一起来了解一下

importnumpyasnp

一、创建ndarray对象

列表转换成ndarray:

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

取随机浮点数

>>>np.random.rand(3,4)
array([[0.16215336,0.49847764,0.36217369,0.6678112],
[0.66729648,0.86538771,0.32621889,0.07709784],
[0.05460976,0.3446629,0.35589223,0.3716221]])

取随机整数

>>>np.random.randint(1,5,size=(3,4))
array([[2,3,1,2],
[3,4,4,4],
[4,4,4,3]])

取零

>>>np.zeros((3,4))
array([[0.,0.,0.,0.],
[0.,0.,0.,0.],
[0.,0.,0.,0.]])

取一

>>>np.ones((3,4))
array([[1.,1.,1.,1.],
[1.,1.,1.,1.],
[1.,1.,1.,1.]])

取空(最好别用，了解一下，版本不同返回值不一样)

>>>np.empty((3,4))
array([[1.,1.,1.,1.],
[1.,1.,1.,1.],
[1.,1.,1.,1.]])

取整数零或一

>>>np.ones((3,4)，int)
array([[1,1,1,1],
[1,1,1,1],
[1,1,1,1]])

>>>np.zeros((3,4),int)
array([[0,0,0,0],
[0,0,0,0],
[0,0,0,0]])

仿range命令创建ndarray：

>>>np.arange(2,10,2)#开始，结束，步长
array([2,4,6,8])

二、ndarray属性的查看和操作：

看ndarray属性：

>>>a=[[1,2,3,4,5],[6,7,8,9,0]]
>>>b=np.array(a)
>>>b.ndim#维度个数(看几维)
2
>>>b.shape#维度大小(看具体长宽)
(5,2)
>>>b.dtype
dtype('int32')

ndarray创建时指定属性：

>>>np.array([1,2,3,4,5],dtype=np.float64)
array([1.,2.,3.,4.,5.])

>>>np.zeros((2,5),dtype=np.int32)
array([[0,0,0,0,0],
[0,0,0,0,0]])

属性强转：

>>>a=np.array([1,2,3,4,5],dtype=np.float64)
>>>a
array([1.,2.,3.,4.,5.])

>>>a.astype(np.int32)
array([1,2,3,4,5])

三、简单操作：

批量运算：

>>>a=np.array([1,2,3,4,5],dtype=np.int32)
>>>a
array([1,2,3,4,5])

>>>a+a
array([2,4,6,8,10])

>>>a*a
array([1,4,9,16,25])

>>>a-2
array([-1,0,1,2,3])

>>>a/2
array([0.5,1.,1.5,2.,2.5])

#等等

改变维度：

>>>a=np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>>a
array([[1,2,3,4,5],
[6,7,8,9,0]])

>>>a.reshape((5,2))
array([[1,2],
[3,4],
[5,6],
[7,8],
[9,0]])

矩阵转换(和改变维度有本质区别，仔细)：

>>>a=np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>>a
array([[1,2,3,4,5],
[6,7,8,9,0]])

>>>a.transpose()
array([[1,6],
[2,7],
[3,8],
[4,9],
[5,0]])

打乱(只能打乱一维)：

>>>a=np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32)
>>>a
array([[1,2],
[3,4],
[5,6],
[7,8],
[9,0]])

>>>np.random.shuffle(a)
>>>a
array([[9,0],
[1,2],
[7,8],
[5,6],
[3,4]])

四、切片和索引：

一维数组(和普通列表一样)：

>>>a=np.array(range(10))
>>>a
array([0,1,2,3,4,5,6,7,8,9])

>>>a[3]
3

>>>a[2:9:2]
array([2,4,6,8])

多维数组(也差不了多少)：

>>>a=np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)

>>>a
array([[1,2,3,4,5],
[6,7,8,9,0],
[11,12,13,14,15]])


>>>a[:,1:4]
array([[2,3,4],
[7,8,9],
[12,13,14]])

条件索引：

>>>a=np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)

>>>a
array([[1,2,3,4,5],
[6,7,8,9,0],
[11,12,13,14,15]])


>>>a>5
array([[False,False,False,False,False],
[True,True,True,True,False],
[True,True,True,True,True]],dtype=bool)

>>>a[a>5]
array([6,7,8,9,11,12,13,14,15])

>>>a%3==0
Out[128]:
array([[False,False,True,False,False],
[True,False,False,True,True],
[False,True,False,False,True]],dtype=bool)

>>>a[a%3==0]
array([3,6,9,0,12,15])

五、函数(numpy核心知识点)

计算函数(都不想举例了，太简单。。)：

np.ceil():向上最接近的整数，参数是number或array
np.floor():向下最接近的整数，参数是number或array
np.rint():四舍五入，参数是number或array
np.isnan():判断元素是否为NaN(NotaNumber)，参数是number或array
np.multiply():元素相乘，参数是number或array
np.divide():元素相除，参数是number或array
np.abs()：元素的绝对值，参数是number或array
np.where(condition,x,y):三元运算符，xifconditionelsey
>>>a=np.random.randn(3,4)
>>>a
array([[0.37091654,0.53809133,-0.99434523,-1.21496837],
[0.00701986,1.65776152,0.41319601,0.41356973],
[-0.32922342,1.07773886,-0.27273258,0.29474435]])

>>>np.ceil(a)
array([[1.,1.,-0.,-1.],
[1.,2.,1.,1.],
[-0.,2.,-0.,1.]])


>>>np.where(a>0,10,0)
array([[10,10,0,0],
[10,10,10,10],
[0,10,0,10]])

统计函数

np.mean():所有元素的平均值
np.sum():所有元素的和，参数是number或array
np.max():所有元素的最大值
np.min():所有元素的最小值，参数是number或array
np.std()：所有元素的标准差
np.var():所有元素的方差，参数是number或array
np.argmax()：最大值的下标索引值，
np.argmin():最小值的下标索引值，参数是number或array
np.cumsum()：返回一个一维数组，每个元素都是之前所有元素的累加和
np.cumprod()：返回一个一维数组，每个元素都是之前所有元素的累乘积，参数是number或array
>>>a=np.arange(12).reshape(3,4).transpose()
>>>a
array([[0,4,8],
[1,5,9],
[2,6,10],
[3,7,11]])

>>>np.mean(a)
5.5

>>>np.sum(a)
66

>>>np.argmax(a)
11

>>>np.std(a)
3.4520525295346629

>>>np.cumsum(a)
array([0,4,12,13,18,27,29,35,45,48,55,66],dtype=int32)

判断函数：

np.any():至少有一个元素满足指定条件，返回True
np.all():所有的元素满足指定条件，返回True
>>>a=np.random.randn(2,3)
>>>a
array([[-0.65750548,2.24801371,-0.26593284],
[0.31447911,-1.0215645,-0.4984958]])

>>>np.any(a>0)
True

>>>np.all(a>0)
False

去除重复：

np.unique():去重
>>>a=np.array([[1,2,3],[2,3,4]])
>>>a
array([[1,2,3],
[2,3,4]])

>>>np.unique(a)
array([1,2,3,4])

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。

声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。

Numpy的简单用法小结

热门推荐

随机推荐