数据处理中模块之numpy

一、`numpy`模块

Numpy是Python科学计算的基础包，它提供不了多维数组对象，基于数组的各种派生对象（例如掩码数组和矩阵），以及用于对数组进行快速操作的各种例程，包括数学、逻辑、形状操作、排序、选择、I/O 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。

1.1 基础介绍

Numpy的核心是ndarray对象。一方面，ndarray对象封装了可以包含相同数据类型的多维数组，另一方面，为了获得更好的性能，在ndarray上的操作都是在编译过的代码上执行的，和Python自身的序列对象相比，两者有如下区别：

Numpy数组的大小是固定的，Python的list是可以动态增长的，改变Numpy的大小会重新创建一个新的数组并把原来的删掉；
Numpy数组中的元素一定是同一类型的（相应地，每个元素所占的内存大小也是一样的），数组的维度被称为axes，维数称为rank；
Numpy数组支持在大量数据上进行数学计算和其他类型的操作，通常情况下与Python自带序列相比，Numpy数组上的操作执行更高效，代码量也更少；
原来越多的Python科学计算都用到了Numpy数组。虽然这些库支持Python序列类型的输入，但是内部操作还是要先将其转换为Numpy的数组类型，而且输出通常就是Numpy数组。所以，如果你想要高效地使用这些Python的科学计算包，仅仅知道Python内建的序列类型是不够的，你还需要知道如何使用Numpy数组。

1.2 重要属性

ndarray的重要属性包括：

ndarray.ndim：数组的维数，也称为rank；
ndarray.shape：数组各维的大小，tuple类型；对一个n行m列的矩阵来说，shape为(n,m)；
ndarray.size：元素的总数；
ndarray.dtype：每个元素的类型，可以是numpy.int32、numpy.int16、numpy.float64、numpy.bool、numpy.complex128等；
ndarray.itemsize：数组中每一个元素分别所占空间的大小；
ndarray.data：指向数据内存；

1.2.1 简单示例

有许多种方法生成数组。比如，可以将Python list或 tuple转化为数组，转化后的数组元素的类型由原来的对象的类型来决定；

import numpy as np

a = np.array([1,2,3,4])
print(a)        # [1 2 3 4]
print(a.dtype)    #每个元素的类型  int32
print(a.shape)    #数组各维的大小  (4,)
b = np.array([1.2,3.4,5.6,5])
print(b)            [1.2 3.4 5.6 5. ]
print(b.dtype)      [1.2 3.4 5.6 5. ]
#指定数据类型
c = np.array( [ [1,2], [3,4] ], dtype=complex )  
print(c)        #[[1.+0.j 2.+0.j][3.+0.j 4.+0.j]]
print(c.dtype)  # complex128

1.2.2 生成固定大小数组

我们无法事先知道数组元素的具体值，但是数组大小是已知的。这时可以用下面几种方法生成数组。默认的，生成的数组的元素类型为float64。

#zeros 函数生成元素全部为0的数组，
print(np.zeros((3,4)))
#empty函数生成元素没有赋值的数组，这时元素值由内存中原来的内容决定。 
print(np.empty((2,3)))
#ones函数生成元素全部为1的数组
print(np.ones((2,3,4),dtype = np.int16))

#arange 函数生成的数组的元素按照等比数列排布，类似于range函数。
print(np.arange( 10, 30, 5 ))  
print(np.arange( 0, 2, 0.3 ))                 # it accepts float arguments  

#linspace函数有些类似matlab中的同名函数，下面是个例子: 
print(np.linspace( 0, 2, 9 ))                 # 9 numbers from 0 to 2  
x = np.linspace( 0, 2*pi, 100 )               # useful to evaluate function at lots of points  
f = np.sin(x)

输出结果：

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

[[[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 15 20 25]
[0.  0.3 0.6 0.9 1.2 1.5 1.8]
[0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]

回到顶部

二、基础函数

2.1 算数运算

基本的算术运算符都可以应用于数组类型，结果为对应元素之间的运，返回值为一个新的数组；比如

a = np.array([20,30,40,40])
b = np.arange(4)
print(a-b)
print(b**2)
print(10*np.sin(a))
print(a<35)

输出结果：

[20 29 38 37]
[0 1 4 9]
[ 9.12945251 -9.88031624  7.4511316   7.4511316 ]
[ True  True False False]

2.1.1 乘法运算符

*表示的也是元素乘法，如果需要矩阵乘法，可以使用dot函数或者生成一个matrix对象;

A = np.array( [[1,1],[0,1]])
B = np.array( [[2,0],[3,4]])
print(A*B)                  #对应元素相乘
print(np.dot(A,B))             #矩阵乘法

输出结果：

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

2.1.2 不同元素类型运算

当两个不同元素类型的数组运算时，结果的元素类型为两者中更精确的那个（类型提升）；

a = np.ones(3,dtype=np.int32)
b = np.linspace(0,np.pi,3)
print(b.dtype)
c = a*b
print(c)
print(c.dtype)

输出结果：

float64
[0.         1.57079633 3.14159265]
float64

2.1.3 `sum、min、max`

Numpy提供了许多内置的运算方法比如：

a = np.random.a = np.random.random((2,3))
print(a)random((2,3))
print(a.sum())      #计算所有元素和
print(a.min())      #获取最小的元素
print(a.max())      #获取最大的元素

输出结果：

[[0.6028089  0.66860186 0.37737517]
 [0.18416065 0.03146056 0.27444081]]
2.1388479560986995
0.03146056041598588
0.668601860383035

默认情况下，这些方法作用于整个数组，通过指定axis，可以使其只作用于某一个axis ；

print(a.sum(axis = 0))  #按列求和
print(a.sum(axis = 1))  #按行求和
print(a.cumsum(axis = 1))  #按行累加

输出结果：

[0.78696956 0.70006242 0.65181598]
[1.64878593 0.49006202]
[[0.6028089  1.27141076 1.64878593]
 [0.18416065 0.21562121 0.49006202]]

2.1.4 `sin, cos, and exp`

print(np.sin(a))
print(np.cos(a))
print(np.sqrt(a))
print(np.exp(a))
print(np.add(a,b))

输出结果：

[[0.56695853 0.61988949 0.36848161]
 [0.18312145 0.03145537 0.27100871]]
[[0.82374634 0.78468912 0.92963504]
 [0.9830903  0.99950516 0.96257689]]
[[0.77640769 0.81768078 0.61430869]
 [0.42913943 0.17737125 0.52387098]]
[[1.82724415 1.95150693 1.45845138]
 [1.20220895 1.03196067 1.31579469]]
[[0.6028089  2.23939819 3.51896783]
 [0.18416065 1.60225689 3.41603346]]

2.2 常用函数

2.2.1 `numpy.linalg.norm(x)`

顾名思义：linalg = linear + algebra，norm则表示范数，首先需要注意的是范数是对向量（或者矩阵）的度量，是一个标量（scalar）：

首先help(np.linalg.norm)查看文档

norm(x, ord=None, axis=None, keepdims=False)

x表示要度量的向量，ord表示范数的种类

参数	说明	计算方法
默认	二范数	np.sqrt( $x_1^2+x_2^2+....+x_n^2$ )
ord=2	二范数	同上
ord=1	一范数	\| $x_1$ \|+\| $x_2$ \|+...+\| $x_n$ \|
ord=np.inf	无穷范数	max(\| $x_i$ \|)

用于计算向量x的2范数；

x = np.array([3,4])
y = np.linalg.norm(x)
print(y)

输出结果为5.0。

计算矩阵x的2范数，对矩阵每一个元素求平方和然后开根号；

x = np.array([3,4,5],[3,4,5])
y = np.linalg.norm(x)
print(x)

输出结果为10.0。

2.2.2 `numpy.log10(x)`

计算以10为底的对数，log下什么都不写默认是自然对数 e为底；

x1 = 10
y1 = np.log10(x1)
x2 = np.e
y2 = np.log(x2)
print(y1,y2)

输出结果为1.0 1.0。

2.2.3 `numpy.nan_to_num`

Replace nan with zero and inf with finite numbers，把np.nan（非常小的数字，接近0）用0取代。

np.inf，或者-np.inf（正负无穷大的数字）用有限数替代；

np.set_printoptions(precision=8)
x = np.array([np.inf, -np.inf, np.nan, -128, 128])
print(np.nan_to_num(x))

输出结果为[ 1.79769313e+308 -1.79769313e+308 0.00000000e+000 -1.28000000e+002 1.28000000e+002]；

2.2.4 `numpy.random.randn(d0, d1, …, dn)`

从标准正态分布中返回一个或多个样本值。numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。

x1 = np.random.randn(2,4)
print(x1)
x2 = np.random.rand(2,4)
print(x2)

输出结果

[ 0.37065869 -0.04594328 0.72822393 0.74898655]]  
[[ 0.54672608 0.0216933 0.04434537 0.65831692]  
[ 0.06332446 0.75230353 0.12993006 0.75911764]]

2.2.5 `numpy.random.normal(loc=0.0, scale=1.0, size=None)`

正太分布，参数的意义为：

loc:float：概率分布的均值，对应着整个分布的中心center；
scale:float：概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高；
size：int or tuple of ints 维数；

2.2.6 `numpy.random.random(size)`

用于生成一个0到1的随机符点数: 0 <= n < 1.0；例如：

print(np.random.random((2,3)))

输出结果：

[[0.5704968  0.3357748  0.14660701]
 [0.96629921 0.39623942 0.2698468 ]]

2.2.7 `numpy.random.uniform(a,b)`

用于生成一个指定范围内的随机符点数，两个参数其中一个是上限，一个是下限；

如果a > b，则生成的随机数n: a <= n <= b；
如果 a <b，则b <= n <= a；

测试如下：

print random.uniform(10, 20)
print random.uniform(20, 10)
# 18.7356606526
# 12.5798298022

2.2.8 `random.randint(a, b)`

亲爱的读者和支持者们，自动博客加入了打赏功能，陆陆续续收到了各位老铁的打赏。在此，我想由衷地感谢每一位对我们博客的支持和打赏。你们的慷慨与支持，是我们前行的动力与源泉。

日期	姓名	金额
2023-09-06	*源	19
2023-09-11	*朝科	88
2023-09-21	*号	5
2023-09-16	*真	60
2023-10-26	*通	9.9
2023-11-04	*慎	0.66
2023-11-24	*恩	0.01
2023-12-30	I*B	1
2024-01-28	*兴	20
2024-02-01	QYing	20
2024-02-11	*督	6
2024-02-18	一*x	1
2024-02-20	c*l	18.88
2024-01-01	*I	5
2024-04-08	*程	150
2024-04-18	*超	20
2024-04-26	.*V	30
2024-05-08	D*W	5
2024-05-29	*辉	20
2024-05-30	*雄	10
2024-06-08	*:	10
2024-06-23	小狮子	666
2024-06-28	*s	6.66
2024-06-29	*炼	1
2024-06-30	*!	1
2024-07-08	*方	20
2024-07-18	A*1	6.66
2024-07-31	*北	12
2024-08-13	*基	1
2024-08-23	n*s	2
2024-09-02	*源	50
2024-09-04	*J	2
2024-09-06	*强	8.8
2024-09-09	*波	1
2024-09-10	*口	1
2024-09-10	*波	1
2024-09-12	*波	10
2024-09-18	*明	1.68
2024-09-26	B*h	10
2024-09-30	岁	10
2024-10-02	M*i	1
2024-10-14	*朋	10
2024-10-22	*海	10
2024-10-23	*南	10
2024-10-26	*节	6.66
2024-10-27	*o	5
2024-10-28	W*F	6.66
2024-10-29	R*n	6.66
2024-11-02	*球	6
2024-11-021	*鑫	6.66
2024-11-25	*沙	5
2024-11-29	C*n	2.88

创作不易，喜欢的话，请考虑支持一下！关注公众号查看全文！（微信扫码）

posted @ 2018-03-24 08:14 大奥特曼打小怪兽阅读(4502) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

阅读排行：
· 全程不用写代码，我用AI程序员写了一个飞机大战
· MongoDB 8.0这个新功能碉堡了，比商业数据库还牛
· DeepSeek 开源周回顾「GitHub 热点速览」
· 记一次.NET内存居高不下排查解决与启示
· 白话解读 Dapr 1.15：你的「微服务管家」又秀新绝活了

大奥特曼打小怪兽

数据处理中模块之numpy

一、`numpy`模块

1.1 基础介绍

1.2 重要属性

1.2.1 简单示例

1.2.2 生成固定大小数组

二、基础函数

2.1 算数运算

2.1.1 乘法运算符

2.1.2 不同元素类型运算

2.1.3 `sum、min、max`

2.1.4 `sin, cos, and exp`

2.2 常用函数

2.2.1 `numpy.linalg.norm(x)`

2.2.2 `numpy.log10(x)`

2.2.3 `numpy.nan_to_num`

2.2.4 `numpy.random.randn(d0, d1, …, dn)`

2.2.5 `numpy.random.normal(loc=0.0, scale=1.0, size=None)`

2.2.6 `numpy.random.random(size)`

2.2.7 `numpy.random.uniform(a,b)`

2.2.8 `random.randint(a, b)`

公告

创作不易，喜欢的话，请考虑关注一下公众号

积分与排名

随笔分类 (538)

随笔档案 (376)

阅读排行榜

推荐排行榜

最新评论

欢迎打赏支持我 ^_^

大奥特曼打小怪兽

数据处理中模块之numpy

一、numpy模块

1.1 基础介绍

1.2 重要属性

1.2.1 简单示例

1.2.2 生成固定大小数组

二、基础函数

2.1 算数运算

2.1.1 乘法运算符

2.1.2 不同元素类型运算

2.1.3 sum、min、max

2.1.4 sin, cos, and exp

2.2 常用函数

2.2.1 numpy.linalg.norm(x)

2.2.2 numpy.log10(x)

2.2.3 numpy.nan_to_num

2.2.4 numpy.random.randn(d0, d1, …, dn)

2.2.5 numpy.random.normal(loc=0.0, scale=1.0, size=None)

2.2.6 numpy.random.random(size)

2.2.7 numpy.random.uniform(a,b)

2.2.8 random.randint(a, b)

公告

创作不易，喜欢的话，请考虑关注一下公众号

积分与排名

随笔分类 (538)

随笔档案 (376)

阅读排行榜

推荐排行榜

最新评论

欢迎打赏支持我 ^_^

一、`numpy`模块

2.1.3 `sum、min、max`

2.1.4 `sin, cos, and exp`

2.2.1 `numpy.linalg.norm(x)`

2.2.2 `numpy.log10(x)`

2.2.3 `numpy.nan_to_num`

2.2.4 `numpy.random.randn(d0, d1, …, dn)`

2.2.5 `numpy.random.normal(loc=0.0, scale=1.0, size=None)`

2.2.6 `numpy.random.random(size)`

2.2.7 `numpy.random.uniform(a,b)`

2.2.8 `random.randint(a, b)`