python之numpy

numpy是一个多维的数组对象,类似python的列表,但是数组对象的每个元素之间由空格隔开。

 

一、数组的创建

1.通过numpy的array(参数),参数可以是列表、元组、数组、生成器等

由arr2和arr3看出,对于多维数组来说,如果最里层的数据类型不一致,array()会将其转化为一致

由arr2和arr4看出,对于最里层的数据个数不一致,array()的结果只是一个一维数组。

import numpy as np
arr1 = np.array(range(10))
arr2 = np.array([[1,2,3],[4,5,6]])
arr3 = np.array([[1,2,3],['a','b','c']])
arr4 = np.array([[1,2,3],['a','b']])
print(arr1)
print(arr2)
print(arr3)
print(arr4)
array()创建数组

2.通过numpy的arange(start,stop,step=1,dtype)创建一维数组

start表示起始值,stop表示终止值(包含start但不包含stop,即前闭后开区间),step表示步长默认为1,dtype表示元素类型,其中stop和step可省略。

arr5 = np.arange(5)                  #[0 1 2 3 4]
arr6 = np.arange(1.0,6)              #[1. 2. 3. 4. 5. ]
arr7 = np.arange(1.0,6,dtype = int)  #[1 2 3 4 5]
arr8 = np.arange(1,8,2)              #[1 3 5 7]

 

3.通过reshape(m,n)创建

如下示例表示创建10个0-1之间的随机数,然后生成一个二维数组,每个数组5个元素。

arr = np.random.rand(10).reshape(2,5)
print(arr)
# [[0.03377643 0.17232537 0.55157918 0.96107258 0.50468264]
#  [0.85299258 0.50271173 0.31466024 0.89302    0.82547851]]

 

4.通过linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)创建一维数组

start:起始值

stop:终止值,默认包含stop

num:数组元素的个数,默认为50个

endpoint:数组是否包含stop,默认为true包含,false表示不包含

retstep:数组是否显示步长,默认为false不显示,只显示数组;true表示结果显示为一个元组,元组的第一个元素为数组第二个元素为步长

dtype:数组元素的类型

arr1 = np.linspace(1,5,num=5)   #[1. 2. 3. 4. 5.]
arr2 = np.linspace(1,6,num=5,endpoint=False,retstep=True,dtype=int)   #(array([1, 2, 3, 4, 5]), 1.0)

 

5.通过zeros(shape,dtype=float)和zeros_like(arr,dtype)创建元素全部为0的多维数组 

zeros()表示创建一个数组,纬度为参数shape,元素全部为0且默认类型为float

zeros_like()表示创建一个类似参数arr结构的数组,元素全部为0,元素类型默认与arr保持一致,也可自定义元素类型。

arr1 = np.zeros(3)
arr2 = np.zeros([3,2],dtype = int)
arr3 = np.zeros_like(arr1,dtype = int)
print(arr1)
print(arr2)
print(arr3)
# [0. 0. 0.]
# [[0 0]
#  [0 0]
#  [0 0]]
# [0 0 0]
zeros()和zeros_like()创建数组

 

6.通过ones(shape,dtype=float)和ones_like(arr,dtype)创建元素全部为1的多维数组 

ones()和ones_like()的用法类似zeros()和zeros_like()的用法,只是数组的元素的值为1。

arr1 = np.ones(2)
arr2 = np.ones((2,3),dtype = int)
arr3 = np.ones_like(arr1,dtype = int)
print(arr1)
print(arr2)
print(arr3)
# [1. 1.]
# [[1 1 1]
#  [1 1 1]]
# [1 1]
ones()和ones_like()创建数组

 

7.通过eye(n,dtype = float)创建多维数组 

eye()表示创建n*n的数组,对角线元素为1其他元素为0,默认元素类型为float。

arr1 = np.eye(2)
arr2 = np.eye(3,dtype = int)
print(arr1)
print(arr2)
# [[1. 0.]
#  [0. 1.]]
# [[1 0 0]
#  [0 1 0]
#  [0 0 1]]
eye()创建数组

 

二、数组常用属性

  • type(arr)   数组类型
  • arr.ndim    数组的秩,即轴的数量或纬度的数量
  • arr.shape  数组的形状,形式为(m,n),对于二位数组来说m表示行n表示列
  • arr.size     数组元素的总个数,相当于shape中的m*n
  • arr.dtype   数组元素的类型
  • arr.itemsize   数组元素的大小,单位为字节  
  • arr.data  实际数组元素的缓冲区
arr = np.array(([1,2,3],[4,5,6]))
print(type(arr))   #<class 'numpy.ndarray'>
print(arr.ndim)    #2
print(arr.shape)   #(2, 3)
print(arr.size)    #6
print(arr.dtype)   #int32
print(arr.itemsize)# 4
print(arr.data)    #<memory at 0x000002DADBB082D0>
数组常用属性

 

三、数组的索引

①数值索引

数组的数值索引类似python列表和元组的索引,从0开始,且切片[m:n]表示包括m但不包括n。

对于嵌套列表和元组来说,可通过l[m][n]获取第二层的值,在numpy中除了这种方法,还可通过arr[m,n]来获取,m表示行n表示列。

arr = np.arange(12).reshape(2,2,3)
print(arr)
print(arr[0][1][1:])
print(arr[1][0][2])
print(arr[1,0,2])
# [[[ 0  1  2]
#   [ 3  4  5]]
# 
#  [[ 6  7  8]
#   [ 9 10 11]]]
# [4 5]
# 8
# 8
数组的数值索引

②布尔索引

使用布尔索引时,False表示不保留,True表示保留,如下例子h表示在水平方向的索引规则,即保留第二行,v表示在竖直方向的索引规则,保留第一列和第三列。

arr = np.arange(12).reshape(3,4)
h = np.array([False,True,False])
v = np.array([True,False,True,False])
print(arr)
print(arr[h])
print(arr[:,v])
print(arr[h,v])
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]
# [[4 5 6 7]]
# [[ 0  2]
#  [ 4  6]
#  [ 8 10]]
# [4 6]
数组的布尔索引

 

arr = np.arange(12).reshape(2,6)
m = (arr>8)
n = (arr<3)
print(m)
print(n)
print(arr[m])
print(arr[n])
# [[False False False False False False]
#  [False False False  True  True  True]]
# [[ True  True  True False False False]
#  [False False False False False False]]
# [ 9 10 11]
# [0 1 2]
数组的布尔索引2

 

四、数组常用方法

1..T转置

.T会对原数组进行转置操作,一维数组转置后的结果与原数组相同。

.T会生成新的数组,修改原数组会影响转置后的数组,修改转置后的数组也会影响原数组,即两者指向相同的内存地址。

arr1 = np.arange(5)
print(arr1)
arr2 = arr1.T
print(arr2)
arr1[1]=10
arr2[3]=30
print(arr1,arr2)

arr3 = np.array([[1,2,3],[4,5,6]])
print(arr3)
arr4 = arr3.T
print(arr3)
print(arr4)
arr3[0][0]=10
print(arr3)
print(arr4)
arr4[1][0]=20
print(arr3)
print(arr4)
# [0 1 2 3 4]
# [0 1 2 3 4]
# [ 0 10  2 30  4] [ 0 10  2 30  4]
# [[1 2 3]
#  [4 5 6]]
# [[1 2 3]
#  [4 5 6]]
# [[1 4]
#  [2 5]
#  [3 6]]
# [[10  2  3]
#  [ 4  5  6]]
# [[10  4]
#  [ 2  5]
#  [ 3  6]]
# [[10 20  3]
#  [ 4  5  6]]
# [[10  4]
#  [20  5]
#  [ 3  6]]
.T转置

 

2.reshape()重置维度

两种用法:np.reshape(arr,shape)和arr.reshape(m,n),reshape()要求重置后的元素个数与原数组相同,否则会报错。

reshape()两种方法都会生成新的数组,修改原数组会影响重置维度后的数组,修改重置维度后的数组也会影响原数组,即两者指向相同的内存地址。

arr1 = np.ones((3,2),dtype = int)
print(arr1)
arr2 = np.reshape(arr1,[2,3])  #xin
print(arr2)
arr3 = arr1.reshape(2,3)    #yuan
print(arr1)
print(arr2)
print(arr3)
arr1[0][0] = 10
arr2[0][1] = 20
arr3[0][2] = 30
print(arr1)
print(arr2)
print(arr3)
# [[1 1]
#  [1 1]
#  [1 1]]
# [[1 1 1]
#  [1 1 1]]
# [[1 1]
#  [1 1]
#  [1 1]]
# [[1 1 1]
#  [1 1 1]]
# [[1 1 1]
#  [1 1 1]]
# [[10 20]
#  [30  1]
#  [ 1  1]]
# [[10 20 30]
#  [ 1  1  1]]
# [[10 20 30]
#  [ 1  1  1]]
reshape()重置维度

 

3.resize()重置大小

两种用法:np.resize(arr,shape)和arr.resize(m,n),但是resize()的效果与转置和重置维度不同。

np.resize(arr,shape)会生成新的数组,修改原数组不会影响重置大小后的数组,修改重置大小后的数组也不会影响原数组,即两者是独立的。

arr.resize(m,n)直接重置arr自身的大小,不会生成新的数组。

arr1 = np.ones((3,2),dtype = int)
print(arr1)
arr2 = np.resize(arr1,[2,3])
print(arr2)
arr3 = arr1.resize(2,3)
print(arr1)
print(arr2)
print(arr3)
arr1[0][0] = 0
arr2[1][0] = 0
print(arr1)
print(arr2)
print(arr3)
# [[1 1]
#  [1 1]
#  [1 1]]
# [[1 1 1]
#  [1 1 1]]
# [[1 1 1]
#  [1 1 1]]
# [[1 1 1]
#  [1 1 1]]
# None
# [[0 1 1]
#  [1 1 1]]
# [[1 1 1]
#  [0 1 1]]
# None
resize()重置大小

 

resize()不要求重置后的元素个数与原数组相同

如果重置大小后的数组元素个数比原数组少,会从原数组前开始部分取值,舍去多余的元素;

如果重置大小后的数组元素个数比原数组多,多的元素会再依次从原数组开始部分取值,直到元素个数满足要求。

arr4 = np.arange(5)
arr5 = np.resize(arr4,(2,2))
arr6 = np.resize(arr4,(2,4))
print(arr4)
print(arr5)
print(arr6)
# [0 1 2 3 4]
# [[0 1]
#  [2 3]]
# [[0 1 2 3]
#  [4 0 1 2]]
resize()重置大小:个数不一致

 

4.copy()复制

使用=给数组赋值,两者指向相同的内存地址,修改任一个会影响另一个。

使用copy()给数组赋值,两者是独立的数组,修改任一个不会影响另一个。

arr1 = np.arange(5)
arr2 = arr1
arr3 = arr1.copy()
print(arr1,arr2,arr3)
arr1[1] = 10
arr2[2] = 20
arr3[3] = 30
print(arr1,arr2,arr3)
# [0 1 2 3 4] [0 1 2 3 4] [0 1 2 3 4]
# [ 0 10 20  3  4] [ 0 10 20  3  4] [ 0  1  2 30  4]
=和copy()赋值

 

5.astype()数据类型转换

arr1 = np.arange(5)
arr2 = arr1.astype(np.float)
print(arr1,arr1.dtype)
print(arr2,arr2.dtype)
# [0 1 2 3 4] int32
# [0. 1. 2. 3. 4.] float64

 

6.hstack()和vstack()数组堆叠

hstack((arr1,arr2)):横向堆叠,即在水平方向上拼接

vstack((arr1,arr2)):竖向堆叠,即在垂直方向上拼接,垂直拼接要求两个数组横向元素的个数相同,即shape(m,n)中的n相同

arr1 = np.arange(1,6)
arr2 = np.arange(6,11)
print(arr1,arr2)
print(np.hstack((arr1,arr2)))
print(np.vstack((arr1,arr2)))
print(np.stack((arr1,arr2))) #默认axis = 0
print(np.stack((arr1,arr2),axis=1))
# [1 2 3 4 5] [ 6  7  8  9 10]
# [ 1  2  3  4  5  6  7  8  9 10]
# [[ 1  2  3  4  5]
#  [ 6  7  8  9 10]]
# [[ 1  2  3  4  5]
#  [ 6  7  8  9 10]]
# [[ 1  6]
#  [ 2  7]
#  [ 3  8]
#  [ 4  9]
#  [ 5 10]]
hstack()和vstack()

 

7.hsplit()和vsplit()数组拆分

hsplit(arr , x):横向拆分为x个,即在水平方向上拆分,水平拆分要求原数组横向元素的个数为x的整数倍,即shape(m,n)中的n为x的整数倍

vsplit(arr , x):竖向拆分为x个,即在垂直方向上拆分,垂直拆分要求原数组垂直元素的个数为x的整数倍,即shape(m,n)中的m为x的整数倍

arr1 = np.arange(12).reshape(2,6)
print(arr1)
print(np.hsplit(arr1,3))
arr2 = np.arange(12).reshape(4,3)
print(arr2)
print(np.vsplit(arr2,2))
# [[ 0  1  2  3  4  5]
#  [ 6  7  8  9 10 11]]
# [array([[0, 1],
#        [6, 7]]), array([[2, 3],
#        [8, 9]]), array([[ 4,  5],
#        [10, 11]])]
# [[ 0  1  2]
#  [ 3  4  5]
#  [ 6  7  8]
#  [ 9 10 11]]
# [array([[0, 1, 2],
#        [3, 4, 5]]), array([[ 6,  7,  8],
#        [ 9, 10, 11]])]
# 
hsplit()和vsplit()

 

8.算数运算

①数组与单个数值进行数学运算

加、减、乘、除和幂运算都是对数组中的每一个元素进行运算。

arr = np.arange(2,12,2)
print(arr)        #[ 2  4  6  8 10]
print(arr + 1)    # 加法 [ 3  5  7  9 11]
print(arr - 1)    # 减法 [1 3 5 7 9]
print(arr*2)      # 乘法[ 4  8 12 16 20]
print(arr**2)     # 幂运算[  4  16  36  64 100]
print(arr/2)      # 除法 [1. 2. 3. 4. 5.]
print(arr.max())  # 元素中的最大值 10
print(arr.min())  # 元素中的最小值 2
print(arr.mean()) # 元素的平均值 6.0
print(arr.sum(),np.sum(arr))  # 元素的总和 30 30
print(arr.std())  # 元素的标准差 2.8284271247461903
print(arr.var())  # 元素的方差 8.0

②数组之间的数学运算

如果两个数组纬度相同,即arr1.shape = arr2.shape,他们之间的数学运算就是每一个对应的元素进行运算,如果形状不同,则会触发广播机制,具体见菜鸟教程https://www.runoob.com/numpy/numpy-broadcast.html

 

五、随机数

1.random.normal()

生成[0,1)之间标准正态分布的随机浮点数,无参数生成一个随机数,有参数需要用括号括起来。

arr1 = np.random.normal()
arr2 = np.random.normal(size = 2)
arr3 = np.random.normal(size = (2,3))
print(arr1)
print(arr2)
print(arr3)
# 1.1511731857477647
# [1.00477836 1.88009993]
# [[ 0.44901815 -1.09567036 -0.29054339]
#  [-0.98372232  0.40854306  1.63187907]]
random.normal()

 

2.random.rand()

生成[0,1)之间的均匀分布的随机浮点数,无参数生成一个随机数,有参数直接使用(m,n)即可

arr1 = np.random.rand()
arr2 = np.random.rand(2)
arr3 = np.random.rand(2,3)
print(arr1)
print(arr2)
print(arr3)
# 0.583667212009531
# [0.15508024 0.23161194]
# [[0.11583745 0.92588869 0.69102494]
#  [0.49288564 0.42045576 0.42541661]]
random.rand()

 

3.random.randn()

生成正态分布的随机浮点数,大小无限制,无参数生成一个随机数,有参数直接使用(m,n)即可

arr1 = np.random.randn()
arr2 = np.random.randn(2)
arr3 = np.random.randn(2,3)
print(arr1)
print(arr2)
print(arr3)
# 2.263955408625279
# [ 0.15676236 -0.15578064]
# [[ 2.30273663 -0.75283754 -0.46872555]
#  [-1.14051476  1.51395796 -1.39675718]]
random.randn()

 

4.random.randint()

使用方法random.randint(start,stop,shape,dtype)

生成的数组纬度为参数shape,纬度默认为1,

如果start和stop都存在则start<= 元素 <stop且要求start < stop,如果只传入一个参数则0 <= 元素 < 参数

arr1 = np.random.randint(5)  #生成一个随机整数,范围在[0,5)之间
arr2 = np.random.randint(0,10) #生成一个随机整数,范围在[0,10)之间
arr3 = np.random.randint(0,10,5) #生成一个包含5个元素的一维数组,元素范围在[0,10)之间
arr4 = np.random.randint(0,10,[2,5])#生成一个2行、5列的二维数组,元素范围在[0,10)之间
print(arr1)
print(arr2)
print(arr3)
print(arr4)
# 4
# 8
# [4 7 6 3 9]
# [[4 7 4 7 1]
#  [2 0 8 9 3]]
random.randint()

 

5.random.uniform()

使用方法random.uniform(min,max,shape),均匀生成形状为shape、大小介于min和max之间的数组

arr1 = np.random.uniform(-5,5)
arr2 = np.random.uniform(-5,5,10)
arr3 = np.random.uniform(-5,5,(2,5))
print(arr1)
print(arr2)
print(arr3)
# 1.4332287676136222
# [-3.80524427 -2.12707058  0.0591455   1.00699272 -0.18934898 -4.66894326 -1.44132482  2.80757844 -0.2869196  -4.83401471]
# [[-3.01349008 -0.28137982  1.40406868 -4.71398305 -0.58511982]
#  [-1.62481178  3.24231459  0.10724101 -1.99657278 -2.8664592 ]]
random.uniform()

 

6.random.RandomState(n)

上述几种生成随机数的方法,如果直接使用,即使是同一个程序,每次运行都会生成不同的随机数。 

使用rng = np.random.RandomState(n)生成随机数种子,再通过种子rng去调用normal()、rand()、randn()、randint()。

参数n表示使用第几套种子,对于一个随机数发生器,只要种子相同,生成的随机数序列总是相同的。

 

六、写入和读取文件

1.save()和load()

使用方法:save('文件名',arr),load('文件名'),文件类型为.npy

save()保存的文件默认后缀名.npy,如果传入的文件名以.npy结尾那么保存的文件名即为传入的文件名,如果不以.npy结尾保存时会自动在文件名后加后缀.npy

由于save()保存的文件类型为npy,因此直接打开会显示为乱码,需要通过load()查看内容。

arr = np.random.randint(0,5,[2,5])
np.save('testNumpy.npy',arr)
arr_load = np.load('testNumpy.npy')
print(arr_load)
# [[0 0 1 4 2]
#  [2 3 4 2 0]]
save()和load()

 

2.savetxt()和loadtxt()

使用方法:savetxt('文件名',arr,delimiter=',',fmt='%.2f'),loadtxt('textNumpy.text',delimiter=','),其中delimiter指定txt文件中元素的分隔符,fmt指定数值保留的格式。

arr = np.random.rand(10,10)
np.savetxt('textNumpy.text',arr,delimiter=',',fmt='%.2f')
arr_load = np.loadtxt('textNumpy.text',delimiter=',')
print(arr_load)
savetxt()和loadtxt()

由于保存的文件为txt类型,因此生成的文件可以直接打开,文件内以指定的delimiter保存数据,无数组的[ ],通过loadtxt( )可读取。

    

 

posted @ 2019-07-15 11:13  Forever77  阅读(678)  评论(0编辑  收藏  举报