python学习——numpy库
- 属性: 维度 元素类型 大小 形状
- 创建一维 : np.arange np.linspace 注意range()只能for循环
- 创建零数组 一数组 单位数组
- 数组拼接: hstack vstack stack(axis=0或1)
- 数组拆分: hsplit vsplit
- 数组交换行列
- 添加一列或一行全为0或1
- 创建随机数组
- 找数组中行列的最大最小值
- print(ar1 is ar2) 理解is 的用法, copy()一份数据
- 数组+10 数组*2 都是对每个元素进行计算
- np.sum(数组, axis=0或1) : 给每列求和 或者 给每行求和
- 数组[ : 2 , 2 : ] : 意思是前两行, 第三列以后全部
- bool索引, [bool , : ] , [ : , bool]
- 回顾三元运算符 a = 3 if 3>2 else 4 输出a = 3
- numpy中的三元运算符 a = np.where(t2<10,0,10)
- numpy中clip 替换 极端小, 极端大的值, 箱型图找到替换减小误差
- numpy 不能对int整型赋值np.nan, 必须先转换float
- numpy 中统计非0 的个数 :np.count_nonzero(数组)
nd.array的属性
查看有几个维度
数组形状
数组大小
数组元素类型
数组元素站点字节大小
数组的内存地址
import numpy as np
ar = np.array([[1,2,3,4,5,6],[4,5,6,7,8,9]])
print(ar,type(ar))
print(ar.ndim) #查看有几个维度#2
print(ar.shape)#输出数据的形状#(2, 6)
print(ar.size)#12
print(ar.dtype)#查看数组里面数值的类型#int32
print(ar.itemsize)#查看数组里面元素的字节大小#4
print(ar.data)#<memory at 0x0000028296EB7AD0>创建一维数组`
一维的规定间隔, 或者规定几个元素
print(np.arange(5.0,12,2))#5.0到12.0，步长为2，一维的#[ 5. 7. 9. 11.]
print(np.linspace(10,20,num=21))#10到20之间固定间隔创建20个元素的数组#[10. 10.5 11. 11.5 12. 12.5 13. 13.5 14. 14.5 15. 15.5 16. 16.5 17. 17.5 18. 18.5 19. 19.5 20. ]
创建多维的零数组, 一数组, 单位数组
零数组
规定数组大小, 并定义类型, int或float
print(np.zeros((3,5),dtype=np.float32))
[[0. 0. 0. 0. 0.][0. 0. 0. 0. 0.][0. 0. 0. 0. 0.]]
创建一个和其他任意数组一样形状的零数组
ar = np.array([list(range(10)),list(range(10,20))])
print(ar)
print(np.zeros_like(ar))
[[ 0 1 2 3 4 5 6 7 8 9][10 11 12 13 14 15 16 17 18 19]]
[[0 0 0 0 0 0 0 0 0 0][0 0 0 0 0 0 0 0 0 0]]
一数组
规定数组大小, 并定义类型, int或float
print(np.ones((3,5),dtype=np.float32))
[[1. 1. 1. 1. 1.][1. 1. 1. 1. 1.][1. 1. 1. 1. 1.]]
创建一个和其他任意数组一样形状的一数组
ar = np.array([list(range(10)),list(range(10,20))])
print(ar)
print(np.ones_like(ar))
[[ 0 1 2 3 4 5 6 7 8 9][10 11 12 13 14 15 16 17 18 19]]
[[1 1 1 1 1 1 1 1 1 1][1 1 1 1 1 1 1 1 1 1]]
创建单位数组
规定数组大小, 并定义类型, int或float
print(np.eye(4,dtype = np.float32))
[[1. 0. 0. 0.][0. 1. 0. 0.][0. 0. 1. 0.][0. 0. 0. 1.]]
数组竖直拼接
t1 = np.arange(12).reshape(2,6)
print(t1)
'''
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
'''
t2 = np.arange(12,24).reshape(2,6)
print(t2)
'''
[[12 13 14 15 16 17][18 19 20 21 22 23]]
'''t3 = np.vstack((t1,t2))#竖直拼接，竖的直接摞一起
print(t3)
'''
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
'''
竖直拼接，即两个数组上下直接叠在一起。
数组水平拼接
t1 = np.arange(12).reshape(2,6)
print(t1)
'''
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
'''
t2 = np.arange(12,24).reshape(2,6)
print(t2)
'''
[[12 13 14 15 16 17][18 19 20 21 22 23]]
'''t3 = np.hstack((t1,t2))#水平拼接，横横的拼接
print(t3)
'''
[[ 0 1 2 3 4 5 12 13 14 15 16 17][ 6 7 8 9 10 11 18 19 20 21 22 23]]
'''
水平拼接，即两个数组直接横着挨着放到一起。
注意：拼接操作，必须满足格式要求，竖直拼接，要求列数一样，水平拼接，要求行数一样
数组拆分
hsplit()
vsplit()
把原数组拆分为几个, 按横向或纵向
ar = np.arange(16).reshape(4,4)
print(ar)
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11][12 13 14 15]]print(np.hsplit(ar,2)[0])#把4*4的数组横向拆分，[0]第一个即前两列
[[ 0 1][ 4 5][ 8 9][12 13]]print(np.vsplit(ar,2)[1])#把4*4的数组竖向拆分，[1]第二个即后两行
[[ 8 9 10 11][12 13 14 15]]
两数组交换行列
t1[[0,1],:] = t1[[1,0],:]#行交换，
print(t1)
'''
[[ 6 7 8 9 10 11][ 0 1 2 3 4 5]]
'''
t1[:,[0,2]] = t1[:,[2,0]]#列交换，0列和2列
print(t1)
'''
[[ 8 7 6 9 10 11][ 2 1 0 3 4 5]]
'''
常规操作，需要记忆。
numpy加载外部数据
us_file_path = './youku_date/US_video_data_numbers.csv'
us_data = np.loadtxt(us_file_path,delimiter=',',dtype=int)
print(us_data.shape)
#(1688, 4)
一般不使用numpy库读取外部数据，
一般会使用pandas库读取外部数据
pandas库读取外部数据
import pandas as pddf = pd.read_csv('./youku_date/dogNames2.csv')
print(df.info())#显示数据的基本统计信息
一般不使用numpy，而使用pandas因为pandas中有比较多且方便的读取外部数据的配套方法。
numpy数组中添加一列全为0或1的数
zero_data = np.zeros((us_data.shape[0],1)).astype(int)#默认创建的0数组是float类型的one_data = np.ones((us_data.shape[0],1)).astype(int)#创建一列数据，即有好多行us_data = np.hstack((us_data,zero_data))#完成拼接
找数组中每行或每列的最大最小值的位置
argmax()函数
参数axis = 0 找每行最大的位置
参数axis = 1 找每列最大的位置
t = np.eye(4)
a = np.argmax(t,axis=0)
print(a)
同理argmin()函数
创建随机数组
创建 0 到 1 的随机数组
- .random.rand()
创建0 到100 的随机数组(上面的乘100)
- .random.rand()*100
创建 0 到 1 的服从正态分布, 平均数0, 标准差1, 的数组
- .random.randn()
创建 最小 到 最大 的整数数组, 括号规定形状
- .random.randint(最小, 最大, (形状))
创建 最小 到 最大 的均匀数组, 括号规定形状
- .random.uniform(最小, 最大, (形状))
创建规定平均值 标准差的数组
- .random.normal(平均值, 标准差, (形状))
print(np.random.rand(3,4))
[[0.95702545 0.95412051 0.53945259 0.48031482][0.60733453 0.68697459 0.79968297 0.3828153 ][0.78499228 0.58308671 0.03537946 0.0780182 ]]print(np.random.rand(3,4)*100)
[[ 1.16784086 3.24742656 60.85346597 37.12256997][63.56454685 3.0959885 63.45543431 83.97919307][89.41001613 1.86029359 51.73772377 36.84759035]]print(np.random.randn(3,4))
[[-0.8175683 -0.46375323 1.06843984 0.3367699 ][ 0.55399042 0.18574952 -1.19086168 -1.1221194 ][-0.78863193 0.16552734 1.20207746 1.07304744]]print(np.random.randint(1,10,(3,4)))### 主要 不能取到10
[[4 9 5 3][1 5 3 9][6 8 6 4]]print(np.random.uniform(1,10,(3,4)))### 均匀分布
[[1.90575878 9.49945221 7.74993811 4.40233608][7.93641984 1.84274569 8.4046037 9.28109085][1.64306976 7.35618628 4.23083439 2.40198459]]
两个数组实质是同一个, 需要copy()
项目中, 原始数据不想乱改, 则需要copy复制一份
ar1 = np.arange(10)
ar2 = ar1
print(ar1 is ar2)# 输出 true 两个数组是同一个
ar1[2] = 100
print(ar1,ar2)#两个数组都会改变
ar3 = ar1.copy()
print(ar3 is ar1)# 输出 false 不是同一个
bool 索引
ar = np.arange(12).reshape(3,4)
print(ar)
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]i = np.array([True,False,True])
j = np.array([True,True,False,False])print(ar[i,:])
[[ 0 1 2 3][ 8 9 10 11]]print(ar[:,j])
[[0 1][4 5][8 9]]print(ar[ar>5])
[ 6 7 8 9 10 11]
中括号嵌套
获取指定列
获取指定行
获取多个指定位置的元素
t1 = np.arange(12).reshape(3,4)
print(t1)
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]print(t1[[0,2]])
[[ 0 1 2 3][ 8 9 10 11]]print(t1[:,[0,2]]) # 不可以省略前面的冒号
[[ 0 2][ 4 6][ 8 10]]print(t1[[0,2],[0,1]])
[0 9]
numpy中的三元运算符
np.where()
数组中的元素, 为true的修改为一种值, 为false的修改为一种值
t2 = np.arange(24).reshape(4,6)
a = np.where(t2<10,0,10)
print(a)
[[ 0 0 0 0 0 0][ 0 0 0 0 10 10][10 10 10 10 10 10][10 10 10 10 10 10]]
numpy中替换极端小, 极端大的值
数组. clip(极端小, 极端大)
数组中存在nan 的, 保持nan不变
t2 = np.arange(24).reshape(4,6)
a = t2.clip(10,18)
print(a)
[[10 10 10 10 10 10][10 10 10 10 10 11][12 13 14 15 16 17][18 18 18 18 18 18]]
python学习——numpy库相关推荐
- python的 numpy库学习总结和介绍(超详细)模块
目录 前言 numpy是什么? 一.创建数据容器 1.np.array(),通过传递一个列表,元祖来创建 2.np.zeros(),np.ones(),np.empty(),np.full(),传递对 ...
- python 的numpy库中的mean()函数用法介绍
这篇文章主要介绍了python 的numpy库中的mean()函数用法介绍,具有很好对参考价值,希望对大家有所帮助.一起跟随小编过来看看吧 mean() 函数定义: 2 mean()函数功能: 求取均 ...
- Python学习-Scipy库稀疏矩阵的建立（面向列的稀疏矩阵、基于坐标格式的稀疏矩阵）
Python学习-Scipy库稀疏矩阵的建立 稀疏矩阵指在矩阵中值为0的元素的数量远远多于非0值的矩阵 (非0元素总数/所有元素总数<=0.05) 稀疏矩阵的实现对象: csc_matrix() ...
- Python学习-Matplotlib库绘制简单点阵图、线型图操作
Python学习-Matplotlib库绘制简单散点图图和线型图.标签设置以及刻度线设置操作 目录 1.Matplotlib绘图细节的简单理解 2.绘制点图.线型图 3.给图表设置复杂标注 4.移动刻 ...
- Python学习-Scipy库信号处理signal(过滤、快速傅里叶变换、信号窗函数、卷积)
Python学习-Scipy库信号处理signal 目录 1.过滤:以某种方式修改输入信号 2.快速傅里叶变换 3.信号窗函数 4.卷积 导入库 import matplotlib.pyplot as ...
- Python：numpy库中的一些函数简介、使用方法之详细攻略
Python:numpy库中的一些函数简介.使用方法之详细攻略 目录 numpy库中的一些函数简介.使用方法 1.np.concatenate() 1.1.函数案例 1.2.函数用法 numpy库中的 ...
- [转载] Python里面numpy库中zeros()的一些问题
参考链接: Python中的numpy.zeros Python里面numpy库中zeros函数的一些问题 定义 本文记录了在使用numpy库中的zeros函数时遇到的一些问题 定义 用法:zeros ...
- Python的Numpy库的函数astype()在将大范围数据类型转换为小范围数据类型时并不是做饱和(saturate)操作(附实现饱和操作的方法)
Python的Numpy库的函数astype()在将大范围数据类型转换为小范围数据类型时并不是做饱和(saturate)操作. 关于什么是饱和操作,可以参看博文:https://blog.csdn.n ...
- Python的Numpy库的ndarray对象常用构造方法及初始化方法
Python的Numpy库的ndarray对象常用构造方法及初始化方法 本文收集Python的Numpy库的ndarray对象常用的构造方法及初始化方法,会不断更新. 目录 1 直接赋值初始化一个nd ...
最新文章
- 图像处理之基于NCC模板匹配识别
- Ubuntu NFS服务器的配置
- SecureCRT退出全屏的方法
- lg手机历史机型_华为后，又一中国芯崛起！国际手机巨头LG都采用它的芯片了...
- php图片提交,php+js实现图片的上传、裁剪、预览、提交示例
- php函数fiter,PHP filter_var() 函数和 Filter 函数使用说明
- 《IT经理世界》：中国软件业开始起飞
- Java——用户激活邮件工具类
- Windows Server 2013 安装zune 4.8中文版
- java 串口通信读取电子秤
- 南阳理工计算机与信息工程学院,南阳理工学院计算机与信息工程学院
- 微信如何html动图文件,微信里的gif动态图片如何导出保存出来？看完本文你就知道了...
- linux 下竟有想大白菜软件,大白菜U盘做PE及CDLINUX镜像共存的启动盘.pdf
- Packet Tracer安装包及安装教程（8.0版本）
- Visual Studio 2008下载地址汇总及相关注册破解方法.
- ECCV2022 Workshop | 复杂环境中的多目标跟踪和分割
- :要求查询出每一个雇员的编号，姓名，工资，领导的姓名，部门名称及位置,工资所在公司的工资等级
- 32位linux装64位rpm包,360浏览器提供rpm包（支持MIPS64）及32位deb包（兆芯）
- 免费下载国际学术论文SCI期刊文献软件，SCI-HUB EVA
- 静态重定位和动态重定位