python numpy库作用_整理numpy库的常用功能（持续更新…）,NumPy,函数,梳理

NumPy简介

NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

NumPy包的核心是 ndarray 对象。它封装了python原生的同数据类型的 n 维数组，为了保证其性能优良，其中有许多操作都是代码在本地进行编译后执行的。

基础知识

NumPy的数组类被调用ndarray。它也被别名所知 array。请注意，numpy.array这与标准Python库类不同array.array，后者只处理一维数组并提供较少的功能。ndarray对象更重要的属性是：

ndarray.ndim - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。

ndarray.shape - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。

ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。

ndarray.dtype - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。

ndarray.itemsize - 数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。

ndarray.data - 该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。

#一个例子

import numpy as np

a = [[0,1, 2], [3 ,4 ,5], [6, 7 ,8]]

a=np.asarray(a)

print(a.ndim,a.shape,a.size,a.dtype,a.itemsize,a.data )

#output 2 (3, 3) 9 int32 4

ndarray数组的创建

np.arange(n) ; 元素从0到n-1的ndarray类型

np.ones(shape): 生成全1

np.zeros((shape)， ddtype = np.int32) ：生成int32型的全0

np.full(shape, val): 生成全为val

np.eye(n) : 生成单位矩阵

np.ones_like(a) : 按数组a的形状生成全1的数组

np.zeros_like(a): 同理

np.full_like (a, val) : 同理

np.linspace（1,10,4）：根据起止数据等间距地生成数组

np.linspace（1,10,4, endpoint = False）：endpoint 表示10是否作为生成的元素

np.concatenate():

ndarray数组的维度变换

.reshape(shape) : 不改变当前数组，依shape生成

a=np.array(range(9)).reshape(3,3)#生成3*3数组

.resize(shape) : 改变当前数组，依shape生成

.swapaxes(ax1, ax2) : 将两个维度调换

.flatten() : 对数组进行降维，返回折叠后的一位数组

数组的类型变换

数据类型的转换：a.astype(new_type) : eg, a.astype (np.float)

数组向列表的转换： a.tolist()

数组的索引和切片

一维数组切片

a = np.array ([9, 8, 7, 6, 5, ])

a[1:4:2] –> array([8, 6]) ： a[起始编号：终止编号（不含）：步长]

多维数组索引

a = np.arange(24).reshape((2, 3, 4))

a[1, 2, 3] 表示 3个维度上的编号，各个维度的编号用逗号分隔

多维数组切片

a [：，：，：：2 ] 缺省时，表示从第0个元素开始，到最后一个元素

数组的运算

np.abs(a) np.fabs(a) : 取各元素的绝对值

np.sqrt(a) : 计算各元素的平方根

np.square(a): 计算各元素的平方

np.log(a) np.log10(a) np.log2(a) : 计算各元素的自然对数、10、2为底的对数

np.ceil(a) np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）

np.rint(a) : 各元素四舍五入

np.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回

np.exp(a) : 计算各元素的指数值

np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）

np.maximum(a, b) np.fmax() : 比较（或者计算）元素级的最大值

np.minimum(a, b) np.fmin() : 取最小值

np.mod(a, b) : 元素级的模运算

np.copysign(a, b) : 将b中各元素的符号赋值给数组a的对应元素

numpy随机数函数

简介numpy 的random子库

rand(d0, d1, …,dn) : 各元素是[0, 1）的浮点数，服从

均匀分布

randn(d0, d1, …,dn)：标准

正态分布

data=np.random.rand(10)

data1=np.random.randn(10)

“”[0.03204083 0.27937194 0.

69090113 0.26315503 0.48795894 0.28773118

0.44494569 0.52262717 0.04793805 0.91971475]

[ 0.78044614 -1.63095456 -0.88627282 0.40722248 0.25078519 -0.72235564

0.81553023 0.79439466 0.0347481 1.04211688]

“”

randint(low， high,（ shape）): 依shape创建随机整数或整数数组，范围是[ low, high）

data=np.random.randint(1,36,6)

"""[27 33 19 6 13 30]

"""

seed(s) ：随机数种子

shuffle(list) : 根据数组a的第一轴进行随机排列，改变数组list元素的顺序

import random

list = [20, 16, 10, 5]

data=random.shuffle(list)

#[5, 20, 10, 16]

choice(a) : 返回随机项

import random

list = [20, 16, 10, 5]

data=random.choice(list)

#16

uniform() 方法将随机生成下一个实数，它在 [x, y] 范围内

import random

list = [20, 16, 10, 5]

data=random.uniform(1,10)

#3.644723336854002

seed() 方法改变随机数生成器的种子，可以在调用其他随机模块函数之前调用此函数。

randrange() 方法返回指定递增基数集合中的一个随机数，基数默认值为1。

import random

data=random.randrange (10, 100 ,5)

print(data)

#65

numpy的统计函数

sum(a, axis = None) : 依给定轴axis计算数组a相关元素之和，axis为整数或者元组

mean(a, axis = None) : 同理，计算平均值

average(a, axis =None, weights=None) : 依给定轴axis计算数组a相关元素的加权平均值

std（a, axis = None）：同理，计算标准差

var（a, axis = None）: 计算方差

eg： np.mean(a, axis =1) ：对数组a的第二维度的数据进行求平均

a = np.arange(15).reshape(3, 5)

np.average(a, axis =0, weights =[10, 5, 1]) : 对a第一各维度加权求平均，weights中为权重，注意要和a的第一维匹配

min(a) max(a) : 计算数组a的最小值和最大值

argmin(a) argmax(a) : 计算数组a的最小、最大值的下标（注：是一维的下标）

unravel_index(index, shape) : 根据shape将一维下标index转成多维下标

ptp(a) : 计算数组a最大值和最小值的差

median(a) : 计算数组a中元素的中位数（中值）

eg：a = [[15, 14, 13],

[12, 11, 10] ]

np.argmax(a) –> 0

np.unravel_index( np.argmax(a), a.shape) –> (0,0)

python numpy库作用_整理numpy库的常用功能（持续更新…）,NumPy,函数,梳理相关推荐

TS 常见问题整理（60多个，持续更新ing）
TS 常见问题整理(60多个,持续更新ing) https://cloud.tencent.com/developer/article/1593335
问道区块链_区块链学习_v1.0.0_持续更新。。。
本系列内容参考图创建共识网络调用部署挖矿消耗编写超级链组件节点多节点账号智能合约合约账号燃料耗品代币开发者区块尊重原创,转载请注明出处https://blog.csd ...
一贴集齐大数据、Python、全栈等所有资源，免费分享，持续更新！！！
[上海校区] 一贴集齐大数据.Python.全栈等所有资源,免费分享,持续更新!!!
python三维矩阵可视化_科学计算三维可视化---Mlab基础（基于Numpy数组的绘图函数）...
Mlab了解 Mlab是Mayavi提供的面向脚本的api,他可以实现快速的三维可视化,Mayavi可以通过Mlab的绘图函数对Numpy数组建立可视化. 过程为: .建立数据源 .使用Filter( ...
万维考试系统python题库答案_万维试题库系统官方下载
万维试题库管理系统是一款相当出色的考试软件,软件拥有很多功能如课程定义,题型支持.试题批量识别导入,雷同试题检测,随机组卷和手工组卷流程控制,透明压缩,双向缓冲处理,数据导入导出共享,相当实用. 基本 ...
python答疑的作用_不学Python之集中答疑（5）
Python不用学,用用你就会. 本辑答疑针对Python自然学习法二阶第二单元课程: Q:什么是字典? A:字典也是Python里面的一种多元素数据的存放方式.对于多个元素需要存放在一个变量名下的数 ...
python对财务的作用_学习Python对财务工作者有哪些用途？
可以用来处理数据,进行更深层次的数据分析会计财务都离不开和数据打交道,而且每天有大量重复性工作,所以学习Python最大的用处是:释放大部分人力对数据的处理,解放重复劳动性工作. 另外也在评估预算的 ...
python中点的作用_一分钟了解Python中“*”的作用
一分钟了解Python中"*"的作用在为函数传递参数和函数定义时使用参数的时候,时常会看到有和 *和**,下面分别讲解其作用. 调用函数时使用*和 ** 假设有函数 def te ...
mysql入库出库触发器_入库出库后库存自动更新的SQL触发器语句是什么?
tb1(产品表)cpidcpnamecpcolorkucun1xxxxxx82xxxxxx7=================================tb2(入库表)riqirukucpid2 ...

python numpy库作用_整理numpy库的常用功能（持续更新…）,NumPy,函数,梳理

python numpy库作用_整理numpy库的常用功能（持续更新…）,NumPy,函数,梳理相关推荐

最新文章

热门文章