Numpy的简单用法小结


						Numpy的简单用法，下面就一起来了解一下





import numpy as np



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(Not a Number)，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，x if condition else y

>>> 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中文源码网。