numpy 基础知识

一、引入包

import numpy as np

二、基础方法

1. Array(数组)

rank：数组的维数 a.ndim # 返回维度

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

type(a) #类型
a.shape#形状
a = a.reshape((-1,n))#其中-1代表的是3，转化形状
b = np.zeros((n,m)) #用于创建全为0的数组，其中n,m代表形状
c = np.ones((n,m)) # 用于创建全为1的数组
d = np.full((n,m),value) #value数组的数字
np.zeros([2,4]) #全为0的2×4数组
np.ones([3,5]) #全为1 的3×5数组

eye 单位矩阵

e = np.eye(m)# 单位矩阵

random：随机数

f =np.random.random((n,m))#创建0～1之间的数据数，形状的n×m矩阵
f = np.random.randn(n,m) #创建形状为n×m的随机矩阵，为正负小数
np.random.rand(2,4) #2行4列的0～1之间的随机数
np.random.rand(): # 产生一个随机数
randint：随机整数 np.random.randint(1,10,3) #0~10之间的随机数，生成3个
randn：生成符合标准正态分布的随机数 np.random.randn(2,4) #生成2行4列
choice：生成指定数组中的随机数 np.random.choice([10,20,30])# 每次生成给出数组中的一个数作为随机数
distribute：生成符合贝塔分布 np.random.beta(1,10,100)#1~10之间生成100个数
np.random.uniform(2,9,num)，在2-9 之间生成num个随机数

2. 数组索引 indexing

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

给a的第二列每个数都加10，能够采用下边三种方法：

（1）a[np.arange(3),1] +=10

（2）a[np.arange(2),[1,1,1]] +=10

（3）a[[0,1,2],[1,1,1] +=10

对其中的数组进行操作：判断a中大于10 的数，两种方法

（1）result_index = a>10 #result_index 返回为true和false形式
b =a[result_index] #返回大于10的数，得到一个新的列表

（2） b =a[a>10] #直接得到大于10的数的新的列表

3.元素的数据类型：

a = np.array([1.1,1.2])
a.dtype #判断数组数据类型
a = np.array([1.1,1.2],dtype=np.int64) #可以将小数直接变为整数类型
a = np.array([1.1, 1.2])
b = np.array(a,btype=np.int64) ##b为a取整数部分

4.数据运算及常用函数

a = np.array([1,2],[3,4])
b = np.array([5,6],[7,8])

（1）a+b等同：np.add(a,b)
（2）a-b等同：np.subtract(a,b)
（3）a*b等同np.multipy(a,b)
（4）a/b等同np.divide(a,b)
（5）np.sqrt(a) #对a每个元素开方
（6）a.dot(b):矩阵之间的乘法操作等同：np.dot(a,b)
（7）np.concatenate((lst1,lst2)，axis=0) #lst1 和lst2合并一行
（8）np.vstack((lst1,lst2)) #lst1 ,lst2 合并成两行
（9）np.hstack((lst1,lst2)) #lst1，lst2 合并成一行
（10）np.split(lst1,4) #将lst1 分成4分
（11）np.copy(lst1)#复制lst1
lst=np.arange(1,11).reshape([2,-1])#生成1～11的数组，将其划分为2行5列
（12）np.exp(lst)#指数操作
（13）np.exp2(lst) #指数平方
（14）np.sqrt(lst) #平方
（15）np.sin(lst) #sin
（16）np.log(lst) #对数底数是自然底数

lst1 =[1,2,3,4,5,6]
lst2 =[11,12,13,14,15,16]
lst3 = np.concatenate((lst1,lst2),axis=0)
print(lst3)
lst4 = np.vstack((lst1,lst2))
print(lst4)
lst5 = np.hstack((lst1,lst2))
print(lst5)
lst6 =np.split(lst5,4)
print(lst6)
lst7 = np.copy(lst5)
print(lst7)
#运行结果：（按照顺序）
#[ 1  2  3  4  5  6 11 12 13 14 15 16]
#[[ 1  2  3  4  5  6]
#[11 12 13 14 15 16]]
#[ 1  2  3  4  5  6 11 12 13 14 15 16]
#[array([1, 2, 3]), array([4, 5, 6]), array([11, 12, 13]), array([14, 15, 16])]
#[ 1  2  3  4  5  6 11 12 13 14 15 16]

5.常用函数：

sum:

np.sum(a) ##对所有的元素求和
np.sum(a,axis=0) #列
np.sum(a,axis=1) #行

axis =数字，表示的数组的维度-1，axis越大程度越深
max ：找最大值
min：找最小值

mean：求均值

np.mean(a) #所有元素求均值
np.mean(a,axis=0)#列
np.mean(a,axis=1)#行

uniform：随机

np.random.uniform(1,100) #生成1～100之间的随机小数

list1 = np.random.uniform(-200,200,4000)
print(len(list1))

tile：数组作为元素，重复指定的次数
np.tile(a,(n,m))#a重复n×m次列：n,行m次
argsort:数组中元素排序
a.argsort():返回为下标，从小到大排序默认
a.argsort(axis=0):列

矩阵转置操作

a.T 等同 np.transpose()

6. 广播

a = np.array([[1,2,3],[2,3,4],[3,4,5],[5,6,7]])b = np.array([1,2,3])
# 要求：a的每一行与b相加（1） for i in range(4):a[i,;] +=b（2） a +np.tile(b,(4,1))#将b重复4次成为和a形状相同的数组，然后让其相加
（3）a+b #不同维度的数据可以直接相加、减、乘、除，此为广播

7.expand_dims()

np.expand_dims(array,axis=0),改变数据的维度，改变形状
a =np.array([[1,2,3,4],[5,6,7,8,9]])
print(a.shape)
b = np.expand_dims(a,axis=0) # 行
print(b)
print(b.shape)
print(b[0][0][2])
print(b[0][1][1])
c = np.expand_dims(a,axis=3) #列
print(c)
print(c.shape)
print(c[0][0][2])
print(c[1][0][1])

8. ndarray

def main():list =[[1,3,5],[2,4,5]]print(type(list))# 返回类型np_lst =np.array(list)print(type(np_lst))np_lst = np.array(list,dtype=np.float) #最基础数据结构# bool ,int,int8,int16,int64,int128,uint8,uint32,uint64"""方法：np_lst.shape # 形状np_lst.ndim  #数组维度np_lst.dtype #数组类型np_lst.itemsize #数组中数据的长度np_lst.size # 数组的大小 （长度，多维数据长度和） """       if __name__=='__main__':main()

np.arange(1,11).reshape()
asarray用法 :将列表转化为数组

a =[1,2]
np.asarray(a)
# array([1,2])

将数据转化为float和int型

np.asarray(a,‘f’) # 转化为float32型

np.asarray(a,'i) #转化为int型

判断a中数是否大于0，如果大于0，将数置为1

a = np.asarray(a) #必须先将数转化为array型

(1) np.asarray(a>0,'i')
# 输出结果：
array([[1, 1],[1, 0]])(2) np.asarray(a>0,'f')
# 输出结果：array([[ 1., 1.],
[ 1., 0.]], dtype=float32

9. array 与asarray的区别：

共同作用：将原数组或numpy格式数组拷贝一份，或选其中部分元素

当原数据是numpy格式时，asarray为取其中的部分数据（不拷贝），array为拷贝原数据部分内容

#example 1:
data1=[[1,1,1],[1,1,1],[1,1,1]]
arr2=np.array(data1)
arr3=np.asarray(data1)
data1[1][1]=2  data1:
[[1, 1, 1], [1, 2, 1], [1, 1, 1]]
arr2:
[[1 1 1]
[1 1 1]
[1 1 1]]
arr3:
[[1 1 1]
[1 1 1]
[1 1 1]]#example 2:
arr1=np.ones((3,3))
arr2=np.array(arr1)
arr3=np.asarray(arr1)
arr1[1]=2arr1:
[[ 1.  1.  1.]
[ 2.  2.  2.]
[ 1.  1.  1.]]
arr2:
[[ 1.  1.  1.]
[ 1.  1.  1.]
[ 1.  1.  1.]]
arr3:
[[ 1.  1.  1.]
[ 2.  2.  2.]
[ 1.  1.  1.]]
# 此时发生改变

numpy -- 基础方法操作 array和asarray数据类型常用基础方法相关推荐

js判断数据类型常用的方法
目录基本数据类型有哪些常见的判断js数据类型的方法有如下几种一.typeof 二.instance of 三. 使用constructor判断数据类型四.对象原型链判断方法:Object.pr ...
电大计算机应用基础win7操作,2018年电大专科计算机应用基础win7系统上机操作题操作.pdf...
电大专科 2007/ 计算机应用基础 win7 系统上机操作题操作要点 1.打开当前试题目录中的文件: 在 Word2010 窗口中点击上方工具栏的打" 开 ",点击中间的要打开 ...
C#操作Excel时，Excel常用的方法和属性zz
生成excel的时候有时候需要设置单元格的一些属性,可以参考一下: range.NumberFormatLocal = "@"; //设置单元格格式为文本 range = ...
js判断数据类型常用的6种方法
js判断数据类型常用的方法,不论在开发中开始在面试中,都是经常遇到的问题,尤其是在面试时,当面试官问及js判断数据类型的方法时,回答的越多,说明掌握的广度跟深度越多,感觉自己逼格也越高.废话不多说了, ...
Python入门基础篇（四）字符串的常用操作，全面易懂，简单实用！！！
请认真阅读哦!!! 字符串几乎是所有编程语言在项目开发过程中涉及最多的一块内容,许多地方都是用到字符串的基本操作,前面讲了列表.元组,这次就来说说字符串吧文章目录字符串的常用操作: 1.拼接字符串 ...
计算机文化基础word的基本知识点,《计算机文化基础》教案.doc
<<计算机文化基础>教案.doc>由会员分享,可在线阅读,更多相关<<计算机文化基础>教案.doc(23页珍藏版)>请在万象文库上搜索. 1.课程教 ...
js进阶高级与ES6，常用函数方法
ES6与高级 2021.9.11 class类的使用类的本质就是function函数在ES6中声明类用class关键字 ES6中类没有变量提升,所以必须先定义类,才能实例化对象类里面的共有属性和 ...
电脑上的c语言程序打不开,电脑软件打不开常用处理方法
电脑软件打不开怎么办?那么你知道电脑软件打不开常用处理方法么?接下来是小编为大家收集的电脑软件打不开常用处理方法,欢迎大家阅读: 电脑软件打不开常用处理方法提示如下图: [常用处理方法] 1.在&q ...
JVM之常用基础参数详解
JVM之常用基础参数详解目录常用基础参数内存Xms,Xmx讲解常用基础参数栈内存Xss讲解常用基础参数元空间MetaspaceSize讲解常用基础参数PrintGCDetails回收前后对比 ...

numpy -- 基础方法操作 array和asarray数据类型常用基础方法