Numpy库

Numpy库

导入NumpyNumerical Python（Py数值计算）库，引用缩写别名np调用函数库

import numpy as np

Numpy核心是N维数组对象　ndarray　(N-dimensional array)

调用np.array()

• 常用属性

T　　　　数组的转置（对高维数组而言）

dtype　　数组元素的数据类型(bool_,int(8,16,32,64),uint(8,16,32,64),float64)

size　　　数组元素的个数

ndim　　 数组元素的维度

shape　　数组元素的结构形状（元组形式）

 

创建一维数组

array_1x6 = np.array([1.0,2.0,3.0,4.0,5.0,6.0],dtype = np.float64)

#打印结果　[1,2,3,4,5,6]

print(array_1x6.ndim)　

#打印结果1　空间维度1

print(array_1x6.shape)

#打印结果(6,)　矩阵6列

print(arrary_1x6.dtype)

#打印结果float64

二维数组

array_2x6 = np.array([[1.0,2.0,3.0,4.0,5.0,6.0],[1.1,2.1,3.1,4.1,5.1,6.1]],dtype = np.float64)

print(array_2x6.ndim)　

#打印结果1　维度2

print(array_1x6.shape)

#打印结果(2,6)　矩阵2行6列

三维数组

array_2x3x6 = np.array([[[1.0,2.0,3.0,4.0,5.0,6.0],[1.1,2.1,3.1,4.1,5.1,6.1],
[1.1,2.1,3.1,4.1,5.1,6.1]],
                        [[1.0,2.0,3.0,4.0,5.0,6.0],[1.1,2.1,3.1,4.1,5.1,6.1],

[1.1,2.1,3.1,4.1,5.1,6.1]]])

print(array_2x3x6.ndim)

#打印结果3　维度3

print(array_2x3x6.shape)

#打印结果(2,3,6)　2组3行6列

• N维数组对象的特性

 

#python for....in循环运算
list_4x3_a = [[1,1,1],[2,2,2],[3,3,3],[3,3,3]]
list_4x3_b = [[5,5,5],[5,5,5],[5,5,5],[5,5,5]]
list_4x3_c = [[0,0,0],[0,0,0],[0,0,0],[0,0,0]]

for i in range(0,4,1):  #迭代0到4不包括4，步数1
    for j in range(3):
        list_4x3_c[i][j] = list_4x3_a[i][j]+list_4x3_b[i][j]
print(list_4x3_c)

#使用 Numpy可以矢量运算更佳便捷

list_4x3_a = np.array([[1,1,1],[2,2,2],[3,3,3],[3,3,3]])
list_4x3_b = np.array([[5,5,5],[5,5,5],[5,5,5],[5,5,5]])
list_4x3_c = np.array([[0,0,0],[0,0,0],[0,0,0],[0,0,0]])
list_4x3_c = list_4x3_a + list_4x3_b
print(list_4x3_c)

 

• 数组广播运算特性

 

#Numpy广播运算特性——增加标量5

list_4x3_a = np.array([[1,1,1],[2,2,2],[3,3,3],[3,3,3]])
print(list_4x3_a + 5)

#不同形状的数组广播兼容，沿纵向延伸

list_4x3_a = np.array([[1,1,1],[2,2,2],[3,3,3],[3,3,3]])

list_4x3_b = np.array([1,1,1])

 

• 条件表达式选取数组元素

list_4x3_a = np.array([[1,1,1],[2,2,2],[3,3,3],[3,3,3]])
print(list_4x3_a[[True,True,False,False]])#输出[[1,1,1],[2,2,2]]
print(list_4x3_a < 2)   #输出[[True,True,True],[False,False,False],[False,False,False],[False,False,False]]

 

• 高效处理性能对比

#

 

• 创建数组的函数

np.array()

np.ones()　　创建元素为1的多维数组　　#np.ones(shape(3,3),dtype=None,order='C') 形状，类型，订单=C行优先，F列优先

np.zeros()　　创建元素为0的多维数组

np.full()　　创建元素全为指定值的多维数组　　#np.full(shape(3,3),fill_value=10) 三行三列数组，值全部为10

np.eye()　　创建对角矩阵形式的二维数组　　#np.eye(4,M=6)

np.linspace()　　创建等差数列的一维数组，指定开始值，终值和步长
　　　　　　　　　#np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
　　　　　　　　　#start开始，stop终值，num指定元素，endpoint是否包含终值，retstep

np.arange()　　创建等差数列的一维数组，指定开始值，终值和步长

　　随机多维数组

np.random.randint()　　创建指定上下限范围的随机数组　　#randint(low,high,size,dtype)

np.random.binomial()　　创建符合二项分布的随机数组　　#binomial(1,0.5,size=10)

np.random.normal()　　创建符合指定正太分布 μ和 σ的随机数组

np.random.randn()　　创建符合标准正态分布的随机数组　　#randn(3,4) 3行4列

np.random.rand()　　创建0-1之间均匀分布的随机数组（不包含1）　　#rand(3,4)3行4列

 

• 元素级处理函数

一元函数

np.abs()

np.exp()

np.sqrt()

np.square()

np.sign()　　#计算元素正负号（正1，0，负-1）

np.isnan()　　#指示元素是否为NaN np.array([1,1][-2,np.nan])队友（[False,False][False,Frue]）

二元函数

 

三元表达式

np.where()　　#x if condition else y 　　满足条件时输出x,不满足输出y

　　　　　　　　#array_2x2 = np.array([1,1][5,8]) np.where(array_2x2>5,5,0) 结果[[0,0][0,5]]

 

• 线性代数相关函数

 矩阵matrix类型

np.array()　　#type <class'numpy.ndarray'>

np.mat(np.array())　　#type <class'numpy.matrixilib.defmatrix.matrix'>
np.dot()　　　　　　　　#两点矩阵的点积
np.linalg.inv()　　　　#计算矩阵的乘法逆矩阵
np.linalg.solve()　　 #求解线性矩阵方程

 

• Numpy的应用

例1：已知购物车中每个栏目商品的价格与件数，求总金额

随机生成2个购物栏目元组（栏目1范围随机数保留2位小数）（栏目2整数随机）

shopping1 = [round(random.uniform(10,20),2) for i in range(2)]

shopping2 = [random.randint(1,10)  for i in range(2)]

如果用元组相加，需要写循环代码,效率低

def test(shopping1,shopping2):
    sum=0
    for i,j in zip(prize,num):
        sum+=i+j
    print(sum)

• 例1中使用Numpy进行高效的数组相加np.sum(),np.cumsum()

shp1 = np.array(shopping1)

shp2 = np.arrary(shopping2)

把列表变成Numpy类的对象，对数组相加shp1+shp2得到新数组，np.sum(shp1+shp2)求和

np.sum(shp1+shp2)

 

a=np.random.randint(1,9,size=9).reshape((3,3))#随机生成3X3的矩阵
print('a=',a)
print('每一行求和=',np.sum(a))#对所有元素相加
print('对每一行求累加和=,',np.cumsum(a))#每个元素不停累加

 

 

 

 

 

 

 

np.array()