numpy模块

目录

一、numpy简介

numpy官方文档：https://docs.scipy.org/doc/numpy/reference/?v=20190307135750

numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示numpy数组）。

numpy库有两个作用：

  1. 区别于list列表，提供了数组操作、数组运算、以及统计分布和简单的数学模型
  2. 计算速度快，甚至要由于python内置的简单运算，使得其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似。

二、numpy数组的使用

2.1 为什么用numpy

# 使用python中的元组
lis1 = [1, 2, 3]
lis2 = [4, 5, 6]

print(lis1)
# [1, 2, 3]

print(lis2)
# [4, 5, 6]

# 如果我们想让lis1 * lis2得到一个结果为lis_res = [4, 10, 18]，非常复杂。

2.2 创建numpy数组

numpy数组即numpy的ndarray对象，创建numpy数组就是把一个列表传入np.array()方法。

安装

# pip3 install numpy
import numpy as np

创建一维的ndarray对象

arr = np.array([1, 2, 3])
print(arr, type(arr))

# 结果是：
# [1 2 3] <class 'numpy.ndarray'>

创建二维的ndarray对象

print(np.array([[1, 2, 3], [4, 5, 6]]))

# 结果是：
[[1 2 3]
 [4 5 6]]

创建三维的ndarray对象

print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))

# 结果是：
[[1 2 3]
 [4 5 6]
 [7 8 9]]

三、numpy数组的dtype种类

常见的 NumPy 数组数据类型：

  1. 整数类型：
  • int8, int16, int32, int64: 有符号整数类型，表示不同位数的整数。
  • uint8, uint16, uint32, uint64: 无符号整数类型，表示不同位数的非负整数。
  1. 浮点数类型：
  • float16, float32, float64: 单精度和双精度浮点数类型，分别表示半精度、单精度和双精度浮点数。
  • complex64, complex128: 单精度和双精度复数类型，分别表示由两个浮点数构成的复数。
  1. 布尔类型：
  • bool: 布尔类型，表示 True 或 False。
  1. 字符串类型：
  • str: 字符串类型，用于表示文本数据。
  • unicode: Unicode 字符串类型，用于表示支持多种字符集的文本数据。
  1. 日期和时间类型：
  • datetime64: 表示日期和时间的类型。

除了上述常见的数据类型外，还可能存在其他特定的数据类型，例如：

分类类型：

  • category: 分类类型，用于表示具有有限个离散值的数据。
    对象类型：

  • object: 通用对象类型，可以存储任意类型的数据。

四、numpy数组的常用属性

属性 解释
T 数组的转置（对高维数组而言）
dtype 数组元素的数据类型
size 数组元素的个数
ndim 数组的维数
shape 数组的维度大小（以元组形式）
astype 类型转换 
# 1.打印一个浮点型的数组
arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)
print(arr)

# 结果是：
[[1. 2. 3.]
 [4. 5. 6.]]


# 2.转置
print(arr.T)

# 结果是：
[[1. 4.]
 [2. 5.]
 [3. 6.]]


# 3.打印数组的数据类型
print(arr.dtype)
# float32

# 4.类型转换
arr = arr.astype(np.int32)
print(arr.dtype)
print(arr)

# 结果是：
int32
[[1 2 3]
 [4 5 6]]


# 5.数组元素的个数
print(arr.size)
# 6

# 6.数组的维数
print(arr.ndim)
# 2

# 7.数组的维度大小，n*n维的数组
print(arr.shape)
# (2, 3)

五、获取numpy数组的行列数

由于numpy数组是多维的，对于二维的数组而言，numpy数组就是既有行又有列。

注意：对于numpy我们一般多讨论二维的数组。

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)

# 结果是：
[[1 2 3]
 [4 5 6]]


# 1.获取numpy数组的行和列构成的数组
print(arr.shape)
# (2, 3)

# 2.获取numpy数组的行
print(arr.shape[0])
# 2

# 3.获取numpy数组的列
print(arr.shape[1])
# 3

六、切割numpy数组

切分numpy数组类似于列表的切割，但是与列表的切割不同的是，numpy数组的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)

# 结果是：
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]


# 1.取所有元素
print(arr[:, :])

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 2.1 取第一行的所有元素
print(arr[:1, :])
# [[1 2 3 4]]

# 2.2 取第一行的所有元素
print(arr[0, [0, 1, 2, 3]])
# [1 2 3 4]


# 3.1 取第一列的所有元素
print(arr[:, :1])
[[1]
 [5]
 [9]]

# 3.2 取第一列的所有元素
print(arr[(0, 1, 2), 0])
# [1 5 9]


# 4.取第一行第一列的元素
print(arr[0, 0])
# 1

# 5.取大于5的元素，返回一个数组
print(arr[arr > 5])
# [ 6  7  8  9 10 11 12]

# 6.numpy数组按运算符取元素的原理，即通过arr > 5生成一个布尔numpy数组
print(arr > 5)

[[False False False False]
 [False  True  True  True]
 [ True  True  True  True]]

七、numpy数组元素替换

numpy数组元素的替换，类似于列表元素的替换，并且numpy数组也是一个可变类型的数据，即如果对numpy数组进行替换操作，会修改原numpy数组的元素，所以下面我们用.copy()方法举例numpy数组元素的替换。

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 1.取第一行的所有元素，并且让第一行的元素都为0
arr1 = arr.copy()
arr1[:1, :] = 0
print(arr1)

[[ 0  0  0  0]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 2.取所有大于5的元素，并且让大于5的元素为0
arr2 = arr.copy()
arr2[arr > 5] = 0
print(arr2)

[[1 2 3 4]
 [5 0 0 0]
 [0 0 0 0]]

# 3.对numpy数组清零
arr3 = arr.copy()
arr3[:, :] = 0
print(arr3)

[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]

八、numpy数组的合并

arr1 = np.array([[1, 2], [3, 4], [5, 6]])
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr1)
print(arr2)

[[1 2]
 [3 4]
 [5 6]]

[[ 7  8]
 [ 9 10]
 [11 12]]

#####合并行
# 1.合并两个numpy数组的行，注意使用hstack()方法合并numpy数组，numpy数组应该有相同的行，其中hstack的h表示horizontal水平的
print(np.hstack((arr1, arr2)))

[[ 1  2  7  8]
 [ 3  4  9 10]
 [ 5  6 11 12]]

# 2.合并两个numpy数组，其中axis=1表示合并两个numpy数组的行
print(np.concatenate((arr1, arr2), axis=1))

[[ 1  2  7  8]
 [ 3  4  9 10]
 [ 5  6 11 12]]

#####合并列
# 3.合并两个numpy数组的列，注意使用vstack()方法合并numpy数组，numpy数组应该有相同的列，其中vstack的v表示vertical垂直的
print(np.vstack((arr1, arr2)))

[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]]

# 4.合并两个numpy数组，其中axis=0表示合并两个numpy数组的列
print(np.concatenate((arr1, arr2), axis=0))

[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]]

九、通过函数创建numpy数组

方法 详解
array() 将列表转换为数组，可选择显式指定dtype
arange() range的numpy版，支持浮点数
linspace() 类似arange()，第三个参数为数组长度
zeros() 根据指定形状和dtype创建全0数组
ones() 根据指定形状和dtype创建全1数组
eye() 创建单位矩阵
empty() 创建一个元素全随机的数组
reshape() 重塑形状

1 array

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

# [1 2 3]

2 arange

# 构造0-9的ndarray数组
print(np.arange(10))
# [0 1 2 3 4 5 6 7 8 9]

# 构造1-4的ndarray数组
print(np.arange(1, 5))
# [1 2 3 4]

# 构造1-19且步长为2的ndarray数组
print(np.arange(1, 20, 2))

# [ 1  3  5  7  9 11 13 15 17 19]

3 linspace/logspace

# 构造一个等差数列，取头也取尾，从0取到20，取5个数
print(np.linspace(0, 20, 5))

# [ 0.  5. 10. 15. 20.]

# 构造一个等比数列，从10**0取到10**20，取5个数
print(np.logspace(0, 20, 5))

# [1.e+00 1.e+05 1.e+10 1.e+15 1.e+20]

4 zeros/ones/eye/empty

# 构造3*4的全0numpy数组
print(np.zeros((3, 4)))

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]


# 构造3*4的全1numpy数组
print(np.ones((3, 4)))

[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]


# 构造3个主元的单位numpy数组
print(np.eye(3))

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]


# 构造一个4*4的随机numpy数组，里面的元素是随机生成的
print(np.empty((4, 4)))

[[ 2.31584178e+077 -1.49457545e-154  3.95252517e-323  0.00000000e+000]
 [ 0.00000000e+000  0.00000000e+000  0.00000000e+000  0.00000000e+000]
 [ 0.00000000e+000  0.00000000e+000  0.00000000e+000  0.00000000e+000]
 [ 0.00000000e+000  0.00000000e+000  1.29074055e-231  1.11687366e-308]]

5 reshape

arr = np.ones([2, 2], dtype=int)
print(arr.reshape(4, 1))

[[1]
 [1]
 [1]
 [1]]

6 fromstring/fromfunction(了解)

# fromstring通过对字符串的字符编码所对应ASCII编码的位置，生成一个ndarray对象
s = 'abcdef'
# np.int8表示一个字符的字节数为8
print(np.fromstring(s, dtype=np.int8))

# [ 97  98  99 100 101 102]

/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:4: DeprecationWarning: The binary mode of fromstring is deprecated, as it behaves surprisingly on unicode inputs. Use frombuffer instead
  after removing the cwd from sys.path.

def func(i, j):
    """其中i为numpy数组的行，j为numpy数组的列"""
    return i * j

# 使用函数对numpy数组元素的行和列的索引做处理，得到当前元素的值，索引从0开始，并构造一个3*4的numpy数组
print(np.fromfunction(func, (3, 4)))

[[0. 0. 0. 0.]
 [0. 1. 2. 3.]
 [0. 2. 4. 6.]]

十、numpy数组运算

运算符 说明
+ 两个numpy数组对应元素相加
- 两个numpy数组对应元素相减
* 两个numpy数组对应元素相乘
/ 两个numpy数组对应元素相除，如果都是整数则取商
% 两个numpy数组对应元素相除后取余数
**n 单个numpy数组每个元素都取n次方，如**2：每个元素都取平方 
arrarr1 = np.array([[1, 2], [3, 4], [5, 6]])
print(arr1)

[[1 2]
 [3 4]
 [5 6]]

arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr2)

[[ 7  8]
 [ 9 10]
 [11 12]]

# 1.相加
print(arr1 + arr2)

[[ 8 10]
 [12 14]
 [16 18]]

# 2.相乘
print(arr1**2)

[[ 1  4]
 [ 9 16]
 [25 36]]

十一、numpy数组运算函数

numpy数组函数 详解
np.sin(arr) 对numpy数组arr中每个元素取正弦，𝑠𝑖𝑛(𝑥)sin(x)
np.cos(arr) 对numpy数组arr中每个元素取余弦，𝑐𝑜𝑠(𝑥)cos(x)
np.tan(arr) 对numpy数组arr中每个元素取正切，𝑡𝑎𝑛(𝑥)tan(x)
np.arcsin(arr) 对numpy数组arr中每个元素取反正弦，𝑎𝑟𝑐𝑠𝑖𝑛(𝑥)arcsin(x)
np.arccos(arr) 对numpy数组arr中每个元素取反余弦，𝑎𝑟𝑐𝑐𝑜𝑠(𝑥)arccos(x)
np.arctan(arr) 对numpy数组arr中每个元素取反正切，𝑎𝑟𝑐𝑡𝑎𝑛(𝑥)arctan(x)
np.exp(arr) 对numpy数组arr中每个元素取指数函数，𝑒𝑥ex
np.sqrt(arr) 对numpy数组arr中每个元素开根号𝑥‾‾√x
  • 一元函数：
    • abs(绝对值), sqrt(平方根), exp(e的x次幂), log(对数)
    • ceil(最小整数), floor(最大整数), rint(四舍五入的整数), trunc(只取整数部分), modf(元组返回整数和小数)
    • isnan(是否为NaN，布尔值), isinf(是否无穷大)
    • cos(余弦值), sin(正弦), tan(正切)
  • 二元函数：
    • add(x相加y), substract(x减去y), multiply(x*y), divide(x/y)
    • power(x^y), mod(x对y取模/余数)
    • maximum(返回较大的数), mininum(返回较小的数)
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

# 1.对numpy数组的所有元素取正弦
print(np.sin(arr))

[[ 0.84147098  0.90929743  0.14112001 -0.7568025 ]
 [-0.95892427 -0.2794155   0.6569866   0.98935825]
 [ 0.41211849 -0.54402111 -0.99999021 -0.53657292]]

# 2.对numpy数组的所有元素开根号
print(np.sqrt(arr))

[[1.         1.41421356 1.73205081 2.        ]
 [2.23606798 2.44948974 2.64575131 2.82842712]
 [3.         3.16227766 3.31662479 3.46410162]]

# 3.对numpy数组的所有元素取反正弦，如果元素不在定义域内，则会取nan值
print(np.arcsin(arr * 0.1))

[[0.10016742 0.20135792 0.30469265 0.41151685]
 [0.52359878 0.64350111 0.7753975  0.92729522]
 [1.11976951 1.57079633        nan        nan]]

/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:2: RuntimeWarning: invalid value encountered in arcsin

# 4.判断矩阵元素中是否含有np.nan值
print(np.isnan(arr))

[[False False False]
 [False False False]]

十二、numpy数组矩阵化

12.1 numpy数组的点乘

numpy数组的点乘必须满足第一个numpy数组的列数等于第二个numpy数组的行数，即𝑚∗𝑛·𝑛∗𝑚=𝑚∗𝑚，m∗n·n∗m=m∗m。

# 定义两个矩阵
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[7, 8], [9, 10], [11, 12]])

# 查看矩阵的维度大小
print(arr1.shape)
print(arr2.shape)
# (2, 3)
# (3, 2)

# 进行矩阵点乘
res = np.dot(arr1, arr2)
print(res)

[[ 58  64]
 [139 154]]

12.2 numpy数组的转置

numpy数组的转置，相当于numpy数组的行和列互换。

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)

[[1 2 3]
 [4 5 6]]

# 转置
print(arr.transpose())

[[1 4]
 [2 5]
 [3 6]]

# 这个也是转置
print(arr.T)

[[1 4]
 [2 5]
 [3 6]]

12.3 numpy数组的逆

numpy数组行和列相同时，numpy数组才可逆。

arr = np.array([[1, 2, 3], [4, 5, 6], [9, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [9 8 9]]

# 1.数组的逆
print(np.linalg.inv(arr))

[[ 0.5        -1.          0.5       ]
 [-3.          3.         -1.        ]
 [ 2.16666667 -1.66666667  0.5       ]]

# 2.单位numpy数组的逆是单位numpy数组本身
arr = np.eye(3) # 单位矩阵
print(arr)

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

print(np.linalg.inv(arr))  # 单位矩阵的逆

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

十三、numpy数组数学和统计方法

sum 求和
cumsum 累加求和
mean 求平均数
std 求标准差
var 求方差
min 求最小值
max 求最大值
argmin 求最小值索引
argmax 求最大值索引
sort 排序

13.1 最大最小值

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

# 1.获取numpy数组所有元素中的最大值
print(arr.max())
# 9

# 2.获取numpy数组所有元素中的最小值
print(arr.min())
# 1

# 3.获取矩阵每一行的最大值
print(arr.max(axis=0))
# [7 8 9]

# 4.获取numpy数组每一列的最大值
print(arr.max(axis=1))
# [3 6 9]

# 5.获取numpy数组最大元素的索引位置
print(arr.argmax(axis=1))
# [2 2 2]

13.2 平均值

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [7 8 9]]


# 1.获取numpy数组所有元素的平均值
print(arr.mean())
# 5.0

# 2.获取numpy数组每一列的平均值
print(arr.mean(axis=0))
# [4. 5. 6.]

# 3.获取numpy数组每一行的平均值
print(arr.mean(axis=1))
# [2. 5. 8.]

13.3 方差

方差公式为
𝑚𝑒𝑎𝑛(|𝑥−𝑥.𝑚𝑒𝑎𝑛()|2)
其中x为numpy数组。

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

# 1.获取numpy数组所有元素的方差
print(arr.var())
# 6.666666666666667

# 2.获取numpy数组每一列的元素的方差
print(arr.var(axis=0))
# [6. 6. 6.]

# 3.获取numpy数组每一行的元素的方差
print(arr.var(axis=1))
# [0.66666667 0.66666667 0.66666667]

13.4 标准差

标准差公式为
‾‾√𝑚𝑒𝑎𝑛|𝑥−𝑥.𝑚𝑒𝑎𝑛()|2

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

# 1.获取numpy数组所有元素的标准差
print(arr.std())
# 2.581988897471611

# 2.获取numpy数组每一列的标准差
print(arr.std(axis=0))
# [2.44948974 2.44948974 2.44948974]

# 3.获取numpy数组每一行的标准差
print(arr.std(axis=1))
# [0.81649658 0.81649658 0.81649658]

13.5 中位数

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

# 1.获取numpy数组所有元素的中位数
print(np.median(arr))
# 5.0

# 2.获取numpy数组每一列的中位数
print(np.median(arr, axis=0))
# [4. 5. 6.]

# 3.获取numpy数组每一行的中位数
print(np.median(arr, axis=1))
# [2. 5. 8.]

13.6 numpy数组求和

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

# 1.对numpy数组的每一个元素求和
print(arr.sum())
# 45

# 2.对numpy数组的每一列求和
print(arr.sum(axis=0))
# [12 15 18]

# 3.对numpy数组的每一行求和
print(arr.sum(axis=1))
# [6 15 24]

13.7 累加和

arr = np.array([1, 2, 3, 4, 5])
print(arr)
# [1 2 3 4 5]

# 1.第n个元素为前n-1个元素累加和
print(arr.cumsum())
# [1  3  6 10 15]

十四、numpy.random生成随机数

函数名称 函数功能 参数说明
rand(𝑑0,𝑑1,⋯,𝑑𝑛d0,d1,⋯,dn) 产生均匀分布的随机数 𝑑𝑛dn为第n维数据的维度
randn(𝑑0,𝑑1,⋯,𝑑𝑛d0,d1,⋯,dn) 产生标准正态分布随机数 𝑑𝑛dn为第n维数据的维度
randint(low[, high, size, dtype]) 产生随机整数 low:最小值；high:最大值；size:数据个数
random_sample([size]) 在[0,1)[0,1)内产生随机数 size为随机数的shape，可以为元祖或者列表
choice(a[, size]) 从arr中随机选择指定数据 arr为1维数组；size为数组形状
uniform(low,high [,size]) 给定形状产生随机数组 low为最小值；high为最大值，size为数组形状
shuffle(a) 与random.shuffle相同 a为指定数组 
# 1.RandomState()方法会让数据值随机一次，之后都是相同的数据
rs = np.random.RandomState(1)
print(rs.rand(10))

[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01
 1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01
 3.96767474e-01 5.38816734e-01]


# 2.构造3*4的均匀分布的numpy数组
# seed()方法会让数据值随机一次，之后都是相同的数据
np.random.seed(1)
print(np.random.rand(3, 4))

[[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01]
 [1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01]
 [3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01]]


# 3.构造3*4*5的均匀分布的numpy数组
print(np.random.rand(3, 4, 5))

[[[0.20445225 0.87811744 0.02738759 0.67046751 0.4173048 ]
  [0.55868983 0.14038694 0.19810149 0.80074457 0.96826158]
  [0.31342418 0.69232262 0.87638915 0.89460666 0.08504421]
  [0.03905478 0.16983042 0.8781425  0.09834683 0.42110763]]

 [[0.95788953 0.53316528 0.69187711 0.31551563 0.68650093]
  [0.83462567 0.01828828 0.75014431 0.98886109 0.74816565]
  [0.28044399 0.78927933 0.10322601 0.44789353 0.9085955 ]
  [0.29361415 0.28777534 0.13002857 0.01936696 0.67883553]]

 [[0.21162812 0.26554666 0.49157316 0.05336255 0.57411761]
  [0.14672857 0.58930554 0.69975836 0.10233443 0.41405599]
  [0.69440016 0.41417927 0.04995346 0.53589641 0.66379465]
  [0.51488911 0.94459476 0.58655504 0.90340192 0.1374747 ]]]


# 4.构造3*4的正态分布的numpy数组
print(np.random.randn(3, 4))

[[ 0.30017032 -0.35224985 -1.1425182  -0.34934272]
 [-0.20889423  0.58662319  0.83898341  0.93110208]
 [ 0.28558733  0.88514116 -0.75439794  1.25286816]]


# 5.构造取值为1-5内的10个元素的ndarray数组
print(np.random.randint(1, 5, 10))
# [1 1 1 2 3 1 2 1 3 4]


# 6.构造取值为0-1内的3*4的numpy数组
print(np.random.random_sample((3, 4)))

[[0.62169572 0.11474597 0.94948926 0.44991213]
 [0.57838961 0.4081368  0.23702698 0.90337952]
 [0.57367949 0.00287033 0.61714491 0.3266449 ]]


arr = np.array([1, 2, 3])
# 随机选取arr中的两个元素
print(np.random.choice(arr, size=2))
# [1 3]


arr = np.random.uniform(1, 5, (2, 3))
print(arr)

[[4.72405173 3.30633687 4.35858086]
 [3.49316845 2.29806999 3.91204657]]


np.random.shuffle(arr)
print(arr)

[[3.49316845 2.29806999 3.91204657]
 [4.72405173 3.30633687 4.35858086]]

ndarray和list区别

1. 存储方式：ndarray（N-dimensional array）是NumPy库提供的多维数组对象，以连续的块存储元素，可以在内存中高效地进行操作。而list是Python内置的动态数组，每个元素都是一个对象，存储在不同的内存位置。

2. 元素类型：ndarray中的元素必须是相同的数据类型，例如整数、浮点数或布尔值，这样可以节省存储空间并提高计算效率。而list可以包含不同类型的元素，甚至可以包含其他的list。

3. 大小可变性：ndarray的大小在创建后是固定的，无法再添加或删除元素。但是可以通过改变ndarray的形状来重新组织元素。而list的大小是可变的，可以随时添加或删除元素。

4. 访问元素：ndarray可以通过索引来访问元素，类似于二维数组的访问方式。而list使用索引访问单个元素时效率较低，因为需要从头开始遍历列表。

5. 对于数学运算和科学计算任务，ndarray比list更加高效。NumPy库提供了丰富的函数和方法来操作ndarray，使得向量化操作更加方便。而list在处理大规模数据时性能较差。
posted @ 2023-09-03 19:13  星空看海  阅读(15)  评论(0)  编辑  收藏  举报