[入门教程](python numpy入门)
[入门教程](python numpy入门)
NumPy
NumPy是一个开源的Python科学计算基础库,包含
•一个强大的N维数组对象ndarray
•广播功能函数
•整合C/C++/Fortran代码的工具
•线性代数、傅里叶变换、随机数生成等功能
NumPy是SciPy、Pandas等数据处理或科学计算库的基础
NumPy的引用
import numpy as np
建议使用np作为引用numpy的名字,这个名字是约定俗成的,有利于别人读懂你的代码
NumPy的基础功能
学过C/C++的朋友应该知道在C/C++为我们提供了数组
这个数据类型,但是在python中基础的数据类型是没有数组的,python为我们提供了列表
、元组
等看起来更加方便快捷的数据类型,但是在实际应用中我们还是需要数组这种数据类型的,这是为什么呢?请看下面的例子:
def pySum():a = [0,1,2,3,4]b = [9,8,7,6,5]c = []for i in range(len(a)):c.append(a[i]**2 + b[i]**3)return c
print(pySum())
上述代码是利用python基础语法实现一个数组(实际为列表)
的平方和另一个数组(列表)
的立方和的方法,是对列表中的元素逐一进行操作,但是大多数人的想法是让他们之间直接进行运算,让列表本身进行对应元素的运算操作而不是人为的去控制,NumPy为我们提供了能实现这一操作的数据类型–数组
N维数组对象:ndarray
Python已有列表类型,为什么需要一个数组对象(类型)?
•数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据
•设置专门的数组对象,经过优化,可以提升这类应用的运算速度
观察:科学计算中,一个维度所有数据的类型往往相同
•数组对象采用相同的数据类型,有助于节省运算和存储空间
ndarray是一个多维数组对象,由两部分构成:
•实际的数据
•描述这些数据的元数据(数据维度、数据类型等)
ndarray数组一般要求所有元素类型相同(同质),数组下标从0开始
创建ndarray对象
ndarray在程序中的别名是:array
我们利用np.array()生成一个ndarray数组
a = np.array([[1,2,3,4,5],[9,8,7,6,5]])
print(a)
运行结果如图所示:
由上图知 np.array()
输出成[]形式,元素由空格分割
现在我们利用ndarray来实现一下上面的实例:
import numpy as mp
def pySum():a =np.array([0,1,2,3,4])b =np.array([9,8,7,6,5])c = a**2 + b**3return cprint(pySum())
利用ndarray就可以非常直观的进行数组间的运算了
ndarray对象的属性
属性 | 说明 |
---|---|
.ndim | 秩,即轴的数量或维度的数量 |
.shape | ndarray对象的尺度,对于矩阵,n行m列 |
.size | ndarray对象元素的个数,相当于.shape中n*m的值 |
.dytpe | ndarray对象的元素类型 |
.itemsize | ndarray对象中每个元素的大小,以字节为单位 |
一一解释一下这些属性的用法和含义:
首先创建一个数组a,使用np.array()创建数组
a = np.array([[0,1,2,3,4],[5,6,7,8,9]])
a.ndim
a.shape
a.size
a.dtype
a.itemsize
ndim返回的是数组的维度,数组a有两个维度一个是[0,1,2,3,4]另一个是[5,6,7,8,9]
shape返回的是对象的尺度,几行几列,类似矩阵的行数和列数,如果你的数组每一维度上的数量不同的话,shape只会返回数组的行数不会返回列数
这里只会返回数组的行数也就是维数是三行(维)的,列数就不会显示了,因为前两个是5列,最后一个是4列
size返回数组中元素的个数,对于数组a元素个数为2*5=10
dtype是返回元素的数据类型numpy中的ndarray数组有很多种数据类型,常见的类型及描述如下:
NumPy中的基本数据类型
名称 | 描述 |
---|---|
bool | 用一个字节存储的布尔类型(True或False) |
inti | 由所在平台决定其大小的整数(一般为int32或int64) |
int8 | 一个字节大小,-128 至 127 |
int16 | 整数,-32768 至 32767 |
int32 | 整数,-2 ** 31 至 2 ** 32 -1 |
int64 | 整数,-2 ** 63 至 2 ** 63 - 1 |
uint8 | 无符号整数,0 至 255 |
uint16 | 无符号整数,0 至 65535 |
uint32 | 无符号整数,0 至 2 ** 32 - 1 |
uint64 | 无符号整数,0 至 2 ** 64 - 1 |
float16 | 半精度浮点数:16位,正负号1位,指数5位,精度10位 |
float32 | 单精度浮点数:32位,正负号1位,指数8位,精度23位 |
float64或float | 双精度浮点数:64位,正负号1位,指数11位,精度52位 |
complex64 | 复数,分别用两个32位浮点数表示实部和虚部 |
complex128或complex | 复数,分别用两个64位浮点数表示实部和虚部 |
itemsize指的是对象中每个元素的大小,就像C语言中float型数据占4个字节
ndarray的元素类型
参照上面的表格,这里只对元素类型作一些解释
有些朋友可能会好奇为什么ndarray要支持这么多的元素类型呢?我总结了以下几点:
对比:Python语法仅支持整数、浮点数和复数3种类型
•科学计算涉及数据较多,对存储和性能都有较高要求
•对元素类型精细定义,有助于NumPy合理使用存储空间并优化性能
•对元素类型精细定义,有助于程序员对程序规模有合理评估
非同质的ndarray对象
ndarray可以创建一个包含不同元素类型的数组,但是非同质ndarray对象无法有效发挥NumPy优势,尽量避免使用
ndarray数组的创建
ndarray数组的常用创建方法有以下几种,下面我们来一一解释:
•从Python中的列表、元组等类型创建ndarray数组
•使用NumPy中函数创建ndarray数组,如:arange, ones, zeros等
•从字节流(raw bytes)中创建ndarray数组
•从文件中读取特定格式,创建ndarray数组
(1)从Python中的列表、元组等类型创建ndarray数组
x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)
当np.array()不指定dtype时,NumPy将根据数据情况关联一个dtype类型
x = np.array([0,1,2,3])
print(x)
y = np.array((4,5,6,7))
print(y)
z = np.array([[1,2],[9,8],(0.1,0.2)])
print(z)
(2)使用NumPy中函数创建ndarray数组,如:arange, ones, zeros等
函数 | 说明 |
---|---|
np.arange(n) | 类似range()函数,返回ndarray类型,元素从0到n‐1 |
np.ones(shape) | 根据shape生成一个全1数组,shape是元组类型 |
np.zeros(shape) | 根据shape生成一个全0数组,shape是元组类型 |
np.full(shape,val) | 根据shape生成一个数组,每个元素值都是val |
np.eye(n) | 创建一个正方的n*n单位矩阵,对角线为1,其余为0 |
np.ones_like(a) | 根据数组a的形状生成一个全1数组 |
np.zeros_like(a) | 根据数组a的形状生成一个全0数组 |
np.full_like(a,val) | 根据数组a的形状生成一个数组,每个元素值都是val |
np.ones((3,6))
np.ones((3,6),dtype = np.int32)
np.zeros((3,6),dtype = np.int32)
np.eye(5)
np.ones((2,3,4))
np.full((2,3,4),5)
a = np.linspace(1,10,4)
b = np.linspace(1,10,4,endpoint = False)
c = np.concatenate((a,b))
注意使用ones生成的数组是默认是float型的
加入dtype参数后可以指定为其他数据类型
zeros和ones的用法相同不在赘述了
默认的数据类型也是float型,主对角线为1,其余为0
这是一个多维数组可以简单的理解为数组有两大层,每一大层中有三小层,每一小层有四个元素
(3)使用NumPy中其他函数创建ndarray数组
函数 | 说明 |
---|---|
np.linspace() | 根据起止数据等间距地填充数据,形成数组 |
np.concatenate() | 将两个或多个数组合并成一个新的数组 |
endpoint的意思就是能否取到截止数据,False为不能,True为能,默认为True
ndarray数组的变换
对于创建后的ndarray数组,可以对其进行维度变换和元素类型变换
a = np.ones((2,3,4),dtype=np.int32)
a.reshape((3,8)) #reshape要与shape的元素个数相同
a.resize((3,8)) #该方法和reshape功能相同但是会修改原数组
print(a)
b = np.ones((2,3,4),dtype=np.int32)
b.flatten()
print(b)
方法 | 说明 |
---|---|
.reshape(shape) | 不改变数组元素,返回一个shape形状的数组,原数组不变 |
.resize(shape) | 与.reshape()功能一致,但修改原数组 |
.swapaxes(ax1,ax2) | 将数组n个维度中两个维度进行调换 |
.flatten() | 对数组进行降维,返回折叠后的一维数组,原数组不变 |
ndarray数组的类型变换
new_a= a.astype(new_type)
astype()方法一定会创建新的数组(原始数据的一个拷贝),即使两个类型一致
ndarray数组向列表的转换
ls = a.tolist()
tolist可以让多维数组转化为多维列表
ndarray数组的操作
数组的索引和切片
索引:获取数组中特定位置元素的过程
切片:获取数组元素子集的过程
(1)一维数组的索引和切片:与Python的列表类似
解释一下a[1:4:2]:
列表切片有三个参数start?step
a[start?step]
start:起始索引,从0开始,-1表示结束
end:结束索引
step:步长,end-start,步长为正时,从左向右取值。步长为负时,反向取值
(2)多维数组的索引
(3)多维数组的切片
多维数组的切片是用逗号分隔每个维度,每个维度的切片方式和一维数组相同
ndarray数组的运算
数组与标量之间的运算作用于数组的每一个元素
上图就是计算a与元素平均值的商
对ndarray中的数据执行元素级
运算的函数
函数 | 说明 |
---|---|
np.abs(x) np.fabs(x) | 计算数组各元素的绝对值 |
np.sqrt(x) | 计算数组各元素的平方根 |
np.square(x) | 计算数组各元素的平方 |
np.log(x) np.log10(x) np.log2(x) | 计算数组各元素的自然对数、10底对数和2底对数 |
np.ceil(x) np.floor(x) | 计算数组各元素的ceiling值或floor值 |
np.rint(x) | 计算数组各元素的四舍五入值 |
np.modf(x) | 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.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) |
计算数组各元素的普通型和双曲型三角函数 |
np.exp(x) | 计算数组各元素的指数值 |
np.sign(x) | 计算数组各元素的符号值,1(+), 0, ‐1(‐) |
使用square方法时不会改变原数组的值,这点需要注意,一般情况下,python中调用函数进行运算不会改变原有的参数的值,但是调用方法进行运算时会改变原有的值
NumPy二元函数
函数 | 说明 |
---|---|
+ ‐* / ** | 两个数组各元素进行对应运算 |
np.maximum(x,y) np.fmax() np.minimum(x,y)np.fmin() |
元素级的最大值/最小值计算 |
np.mod(x,y) | 元素级的模运算 |
np.copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
> < >= <= == != | 算术比较,产生布尔型数组 |
总结
这是我第一次写博文,多有疏漏之处,希望各位网友及时指出,欢迎大家给我提意见,每一条我都会仔细阅读并思考,以后还会更新关于数据处理方面的入门教程,有兴趣的朋友可以关注我。
[入门教程](python numpy入门)相关推荐
- python快速编程入门教程-python从入门到精通之30天快速学python视频教程
python从入门到精通之30天快速学python视频教程 课程目录: python入门教程-1-Python编程语言历史及特性.mkv python入门教程-2-Python编程语言初接触.mkv ...
- python新手入门教程-Python简明入门教程
本文实例讲述了Python简明入门教程.分享给大家供大家参考.具体如下: 一.基本概念 1.数 在Python中有4种类型的数――整数.长整数.浮点数和复数. (1)2是一个整数的例子. (2)长整数 ...
- python快速入门教程-Python快速入门
Python语言本身就是一门简单的语言,入门非常容易. 机器学习中用到的Python(语法)相对就更简单了. 本文从机器学习的视角来看需要具备的Python基础. 我们的目标是-- 没有蛀牙... 针 ...
- python爬虫入门教程-Python爬虫入门教程——爬取自己的博客园博客
互联网时代里,网络爬虫是一种高效地信息采集利器,可以快速准确地获取网上的各种数据资源.本文使用Python库requests.Beautiful Soup爬取博客园博客的相关信息,利用txt文件转存. ...
- python自学入门教程-Python自学入门基础教程-数据类型
在程序中,被运算的可分为常量(Literals)和变量(Variables) 1x = 10*2-5 2y = x+1 以上的变量都属于Python数据类型中的一部分. 在以上代码中,10.2.5都是 ...
- python的numpy教程_ROS与Python入门教程-使用numpy
ROS与Python入门教程-使用numpy 说明 这一节介绍numpy,它是针对科学计算的python软件包, 用于处理传感器数据,数组数据等. 在本教程中,我们将使用rospy.numpy_msg ...
- keil obj 文件 结构_【Python】数据分析前的入门教程 Python For Everybody P2:数据结构...
这是密歇根大学课程Python For Everybody总结的P2部分.课程总结P1部分的地址如下: P1: 零基础程序设计(Python 入门) carolinezhq:[Python]数据分析前 ...
- 视频教程-Python零基础入门教程-Python
Python零基础入门教程 从2012年从事互联网至今有7年软件编程经验,曾任职国内北京互联网公司,中南林业大学授课Python 现任逻辑教育Python课程负责人,精通Python语言,精通人工智能 ...
- 【Python语言基础】——Python NumPy 入门
Python语言基础--Python NumPy 入门 文章目录 Python语言基础--Python NumPy 入门 一.Python NumPy 入门 一.Python NumPy 入门 安装 ...
最新文章
- Java项目:电商书城平台系统设计和实现(java+springboot+mysql+spring+jsp)
- 深入浅出:Linux设备驱动之字符设备驱动
- 下行物理信道rs_基于大规模MIMO技术的中继协作物理层安全研究
- 【网络流24题】魔术球问题(最大流)
- python git是什么_python爬虫之git的使用
- MySQL时间格式TIMESTAMP和DATETIME的区别
- 【树形DP】路径计数机(nowcoder 1103-B)
- CMake configure_file命令
- Redis内核原理及读写一致企业级架构深入剖析1-综合组件环境实战
- MCSE2003学习之八
- Python正则表达式用法总结
- php7 configure 参数,PHP编译参数configure配置详解
- eclipse lombok插件安装_Eclipse导入spring-boot-plus(三)
- UID 修改 UID 锁死修复
- 【分析】浅谈C#中Control的Invoke与BeginInvoke在主副线程中的执行顺序和区别(SamWang)...
- 袋鼠云服务案例系列 | 从DB2到MySQL,某传统金融平台的互联网转型之路
- 实用主义学python_麻瓜编程《实用主义学Python》课程全集下载地址 – 爱学知识网...
- $(div /)代表的意思
- asmr刷新失败无法连接上服务器_月圆之夜连接服务器失败 连接不上网络怎么办...
- 微信IOS navigator.getUserMedia undefined
热门文章
- 北航计算机学院王华峰,软件学院学术论坛第四次宣讲会——SCI投稿论文宣讲与点评...
- 可能是东半球最好的多线程讲义!
- Java设计模式中组合模式是什么/树形结构怎么组合或显示存储,编程怎么实现树形结构
- 教你怎么制作高大上的三维热力图
- java equals contains 不管用
- 广告行业中那些趣事系列51:超牛的kaggle比赛Favorita Grocery Sales Forecasting冠军方案...
- 将yolov5的detect.py改写成可以供其他程序调用的方式,并实现低时延(<0.5s)直播推理
- SMBLoris windows拒绝服务漏洞
- Python 网络爬虫实战:去哪儿网旅游攻略图文爬取保存为 Markdown电子书
- 笔记:《机器学习训练秘籍》-吴恩达deeplearningai微信公众号推送文章