numpy 库简单使用

 

numpy 库简单使用

一、numpy库简介

  Python标准库中提供了一个array类型,用于保存数组类型的数据,然而这个类型不支持多维数据,不适合数值运算。作为Python的第三方库numpy便有了用武之地。

  numpy库处理的最基础数据类型是用同种元素构成的多维数组(ndarray),简称数组。数组中所有元素的类型必须相同,数组中元素可以用整数索引,序号从0开始。ndarray类型的维度叫作轴(axes),轴的个数叫做秩(rank)

二、numpy库下载

pip install numpy

三、导入库函数

import numpy as np

四、库函数基本使用

1. 创建数组的函数 (ndarray类型)

 

函数

说明

np.array([ x, y, z], dtype = int)

从列表或数组中创建数组

np.arange(x, y, i)

创建一个由xy,以i为步长的数组

np.linspace(x, y, n)

创建一个由xy,等分成n个元素的数组

np.indices((m, n))

创建一个mn列的矩阵(3维数组)

np.random.rand(m, n)

创建一个mn列的随机数组

np.ones((m,n), dtype)

创建一个mn列的全1数组,dtype为数据类型

np.zeros((m,n), dtype)

创建一个mn列的全0数组,dtype为数据类型

np.empty((m,n), dtype)

创建一个m行n列的空数组,dtype为数据类型

 

 1 import numpy as np
 2 
 3 ''' numpy --> array() '''
 4 a1 = np.array([1,2,3,5,8,13,21,34,55,89], dtype = int) # 由列表创建数组
 5 array_ = (2.3,8,10/3,5.0,1/7)   # 创建元组
 6 a2 = np.array(array_)   # 由元组创建数组
 7 print('numpy --> array():\n',a1,'\n',a2)
 8 
 9 ''' numpy --> arange() '''
10 arange_1 = np.arange(1,30,4)
11 arange_2 = np.arange(1,3,0.4)
12 print('numpy --> arange():\n',arange_1,'\n',arange_2)
13 
14 ''' numpy --> linspace() '''
15 lins_1 = np.linspace(1,10,10)
16 lins_2 = np.linspace(1,10,9, dtype = int)
17 print('numpy --> linspace():\n',lins_1,'\n',lins_2)
18 
19 ''' numpy --> random.rand() '''
20 rand_ = np.random.rand(3,4)
21 print('numpy --> random.rand():\n',rand_)
22 
23 ''' numpy --> ones() '''
24 ones_1 = np.ones((3,4))      # 默认为float
25 ones_2 = np.ones((3,4),dtype = int)
26 print('numpy --> ones():\n',ones_1,'\n',ones_2)
27 
28 ''' numpy --> zeros() '''
29 zeros_1 = np.zeros((2,3))
30 zeros_2 = np.zeros((2,3), dtype = int)
31 print('numpy --> zeros():\n',zeros_1,'\n',zeros_2)

 

2. ndarray类型的常用属性

属性

说明

ndarray.ndim

返回数组轴的个数,即数组的秩

ndarray.shape

返回数组在每个维度上大小的整数元组

ndarray.size

返回数组元素的总个数

ndarray.dtype

返回数组元素的数据类型

ndarray.itemsize

返回数组元素的字节大小

ndarray.data

返回数组元素的缓存区地址

ndarray.flat

数组元素的迭代器

 1 import numpy as np
 2 a = np.indices((5,8)) # 创建一个m行n列的矩阵
 3 print("数组a的秩:",a.ndim)
 4 print("数组a各维度的大小:",a.shape)
 5 print("数组a元素的总个数:",a.size)
 6 print("数组a元素的数据类型:",a.dtype)
 7 print("数组a元素的字节大小:",a.itemsize)
 8 print("数组a元素的缓存区地址:",a.data)
 9 print("数组a元素的迭代器:",a.flat)
10 print("数组a的元素:\n",a)

 

3. ndarray类型的形态操作方法

操作方法

说明

ndarray.reshape(n, m)

返回一个维度为(n, m)的数组副本

ndarray.resize(new_shape)

修改数组的维度大小

ndarray.swapaxes(ax1, ax2)

调换数组ax1维度与ax2维度,返回调换后的数组

ndarray.flatten()

对数组进行降维,返回一维数组

ndarray.ravel()

对数组进行降维,返回数组的一个视图

 1 import numpy as np
 2 a = np.arange(20)
 3 print('(1) 创建一维数组a:\n',a)
 4 b = a.reshape(2,10)
 5 print('(2) 由a创建(2,10)的数组b:\n',b)
 6 a.resize(4,5)
 7 print('(3) 修改数组a为(4,5):','Shape of a:',a.shape,'\n',a)
 8 c = a.swapaxes(0,1)
 9 print('(4) 调换数组a第1维度与第2维度得到数组c:(5,4)','Shape of c:',c.shape,'\n',c)
10 d = a.flatten()
11 print('(5) 对数组a降维,得到一维数组d:','Shape of d:',d.shape,'\n',d)
12 e = a.ravel()
13 print('(6) 对数组a降维,得到数组a的视图e','Shape of e:',e.shape,'\n',e)

 

4. ndarray类型的索引与切片方法

方法

说明

x [i]

索引数组x的第i个元素

x [-i]

从后往前索引数组x的第i个元素

x [n : m]

从前往后索引数组x,不包含第m个元素

x [-m : -n]

从后往前索引数组x,结束位置为n

x [n : m: i]

i为步长索引数组x

1 import numpy as np
2 a = np.arange(8)
3 print('a:',a)
4 print('a[4]:',a[4])
5 print('a[-6:-3]:',a[-6:-3])
6 print('a[1:6:2]:',a[1:6:2])

 

5. ndarray类型的算术运算函数

函数

说明

np.add(x1, x2 [,y])

y = x1 + x2

np.subtract(x1, x2 [,y])

y = x1 - x2

np.multiply(x1, x2 [,y])

y = x1 * x2

np.divide(x1, x2 [,y])

y = x1 / x2

np.floor_divide(x1, x2 [,y])

y = x1 // x2

np.negative(x [,y])

y = -x

np.power(x1, x2 [,y])

y = x1 ** x2

np.remainder(x1, x2 [,y])

y = x1 % x2

1 import numpy as np
2 A1 = np.arange(1,9)
3 A2 = np.arange(1,30,4)
4 
5 print('A1:',A1)
6 print('A2:',A2)
7 print('A2-A1:',np.subtract(A2,A1))
8 print('A2//A1:',np.floor_divide(A2,A1))
9 print('A2%A1:',np.remainder(A2,A1))

 

6. ndarray类型的比较运算函数

函数

说明

np.equal(x1, x2 [,y])

y = x1 == x2

np.not_equal(x1, x2 [,y])

y = x1 != x2

np.less(x1, x2 [,y])

y = x1 < x2

np.less_equal(x1, x2 [,y])

y = x1 <= x2

np.greater(x1, x2 [,y])

y = x1 > x2

np.greater_equal(x1, x2 [,y])

y = x1 >= x2

np.where(condition [x, y])

根据条件判断输出xy

 1 import numpy as np
 2 A1 = np.arange(1,9)
 3 A2 = np.arange(1,30,4)
 4 
 5 print('A1:',A1)
 6 print('A2:',A2)
 7 print('A1 != A2:',np.not_equal(A1,A2))
 8 print('A1 <= A2:',np.less_equal(A1,A2))
 9 print('Use of where_1:',np.where(A1>=5,'Y','N'))
10 print('Usage as much of where:{}'.format('Y' if A1[3]>=5 else 'N'))

 

7. ndarray类型的其他运算函数

函数

说明

np.abs(x)

返回数组x每个元素的绝对值

np.sqrt(x)

返回数组x每个元素的平方根

np.square(x)

返回数组x每个元素的平方

np.sign(x)

返回数组x每个元素的符号:1(+)0-1(-)

np.ceil(x)

返回大于或等于数组x每个元素的最小值

np.floor(x)

返回小于或等于数组x每个元素的最大值

np.rint(x [,out])

返回数组x每个元素最接近的整数

np.exp(x [,out])

返回数组x每个元素的指数值

np.log(x) / np.log2(x) / np.log10(x)

返回数组x每个元素相应的对数(e210)

1 import numpy as np
2 A1 = np.arange(1,9)
3 A2 = np.arange(1,30,4)
4 
5 print('A1:',A1)
6 print('A2:',A2)
7 print('A2的平方根:',np.sqrt(A2))
8 print('A1的平方:',np.sqrt(A1))
9 print('A2 2的对数:',np.log2(A2))

 

  注:numpy库还包括三角运算函数、傅立叶变换、随机和概率分布、基本数值统计、位运算、矩阵运算等功能,具体可到官网查询。

 

posted @ 2019-04-23 00:48  步平凡  阅读(6470)  评论(0编辑  收藏  举报