python 数学计算库_数学计算工具库-Numpy
Numpy(Numerical Python)
Numpy:提供了一个在Python中做科学计算的基础库,重在数值计算,主要用于多维数组(矩阵)处理的库。用来存储和处理大型矩阵,比Python自身的嵌套列表结构要高效的多。本身是由C语言开发,是个很基础的扩展,Python其余的科学计算扩展大部分都是以此为基础。
高性能科学计算和数据分析的基础包
ndarray,多维数组(矩阵),具有矢量运算能力,快速、节省空间
矩阵运算,无需循环,可完成类似Matlab中的矢量运算
线性代数、随机数生成
import numpy as np
Scipy
Scipy :基于Numpy提供了一个在Python中做科学计算的工具集,专为科学和工程设计的Python工具包。主要应用于统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解、稀疏矩阵等,在数学系或者工程系相对用的多一些,和数据处理的关系不大
在NumPy库的基础上增加了众多的数学、科学及工程常用的库函数
线性代数、常微分方程求解、信号处理、图像处理
一般的数据处理numpy已经够用
import scipy as sp
ndarray 多维数组(N Dimension Array)
NumPy数组是一个多维的数组对象(矩阵),称为ndarray,具有矢量算术运算能力和复杂的广播能力,并具有执行速度快和节省空间的特点。
注意:ndarray的下标从0开始,且数组里的所有元素必须是相同类型
ndarray拥有的属性
ndim属性:维度个数
shape属性:维度大小
dtype属性:数据类型
ndarray的随机创建
通过随机抽样 (numpy.random) 生成随机数据。
#导入numpy,别名np
importnumpy as np#生成指定维度大小(3行4列)的随机多维浮点型数据(二维),rand固定区间0.0 ~ 1.0
arr = np.random.rand(3, 4)print(arr)print(type(arr))#生成指定维度大小(3行4列)的随机多维整型数据(二维),randint()可以指定区间(-1, 5)
arr = np.random.randint(-1, 5, size=(3, 4)) #'size='可省略
print(arr)print(type(arr))#生成指定维度大小(3行4列)的随机多维浮点型数据(二维),uniform()可以指定区间(-1, 5)
arr = np.random.uniform(-1, 5, size=(3, 4)) #'size='可省略
print(arr)print(type(arr))print('维度个数:', arr.ndim)print('维度大小:', arr.shape)print('数据类型:', arr.dtype)
效果:
[[0.79504779 0.16123613 0.70996342 0.78046926]
[0.65905115 0.95009793 0.35331166 0.75117232]
[0.1457965 0.47664155 0.08532238 0.55371099]][[1 0 0 4]
[3 2 3 2]
[ 01 -1 4]][[3.3520979 4.36571846 2.13926496 -0.82483995]
[0.36302781 4.02376606 1.9752519 -0.16793017]
[0.04568178 3.31841901 -0.78181444 4.90897601]]维度个数:2维度大小: (3, 4)
数据类型: float64
ndarray的序列创建
1. np.array(collection)
collection 为 序列型对象(list)、嵌套序列对象(list of list)。
#list序列转换为 ndarray
importnumpy as np
lis= range(10)
arr=np.array(lis)print(arr) #ndarray数据
print(arr.ndim) #维度个数
print(arr.shape) #维度大小
#list of list嵌套序列转换为ndarray
lis_lis = [range(10), range(10)]
arr=np.array(lis_lis)print(arr) #ndarray数据
print(arr.ndim) #维度个数
print(arr.shape) #维度大小
效果:
[0 1 2 3 4 5 6 7 8 9]1(10,)
[[01 2 3 4 5 6 7 8 9]
[01 2 3 4 5 6 7 8 9]]2(2, 10)
2. np.zeros()
指定大小的全0数组。注意:第一个参数是元组,用来指定大小,如(3, 4)。
3. np.ones()
指定大小的全1数组。注意:第一个参数是元组,用来指定大小,如(3, 4)。
4. np.empty()
初始化数组,不是总是返回全0,有时返回的是未初始的随机值(内存里的随机值)。
#list序列转换为 ndarray
importnumpy as np#np.zeros
zeros_arr = np.zeros((3, 4))#np.ones
ones_arr = np.ones((2, 3))#np.empty
empty_arr = np.empty((3, 3))#np.empty 指定数据类型
empty_int_arr = np.empty((3, 3), int)print('------zeros_arr-------')print(zeros_arr)print('\n------ones_arr-------')print(ones_arr)print('\n------empty_arr-------')print(empty_arr)print('\n------empty_int_arr-------')print(empty_int_arr)
效果:
------zeros_arr-------[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]------ones_arr-------[[1. 1. 1.]
[1. 1. 1.]]------empty_arr-------[[-2.68156159e+154 1.29073764e-231 2.19484874e-314]
[2.20090106e-314 2.20090631e-314 2.20090109e-314]
[0.00000000e+000 0.00000000e+000 0.00000000e+000]]------empty_int_arr-------[[-2305843009213693952 4611694785890592072 -2305843009213693947]
[8070459299711120806 4575920132 4575962608]
[4575975536 4575966032 4576021120]]
5. np.arange() 和 reshape()
arange() 类似 python 的 range() ,创建一个一维 ndarray 数组。
reshape() 将 重新调整数组的维数。
#list序列转换为 ndarray
importnumpy as np#np.arange()
arr = np.arange(15) #15个元素的 一维数组
print('------arr-------')print(arr)print('------arr.reshape(3, 5)-------')print(arr.reshape(3, 5)) #3x5个元素的 二维数组
print('------arr.reshape(1, 3, 5)-------')print(arr.reshape(1, 3, 5)) #1x3x5个元素的 三维数组
效果:
------arr-------[ 01 2 3 4 5 6 7 8 9 10 11 12 13 14]------arr.reshape(3, 5)-------[[ 01 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]]------arr.reshape(1, 3, 5)-------[[[ 01 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]]]
6. np.arange() 和 random.shuffle()
random.shuffle() 将打乱数组序列(类似于洗牌)。
#list序列转换为 ndarray
importnumpy as np
arr= np.arange(15)print(arr)
np.random.shuffle(arr)print(arr)print("------")print(arr.reshape(3,5))
效果:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[ 013 4 6 9 5 3 8 12 1 11 7 14 10 2]------[[ 013 4 6 9]
[5 3 8 12 1]
[11 7 14 10 2]]
ndarray的数据类型
1. dtype参数
指定数组的数据类型,类型名+位数,如float64, int32
2. astype方法
转换数组的数据类型
#list序列转换为 ndarray
importnumpy as np#初始化3行4列数组,数据类型为float64
zeros_float_arr = np.zeros((3, 4), dtype=np.float64)print(zeros_float_arr)print(zeros_float_arr.dtype)#astype转换数据类型,将已有的数组的数据类型转换为int32
zeros_int_arr =zeros_float_arr.astype(np.int32)print(zeros_int_arr)print(zeros_int_arr.dtype)
效果:
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
float64
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
int32
ndarray的矩阵运算
数组是编程中的概念,矩阵、矢量是数学概念。
在计算机编程中,矩阵可以用数组形式定义,矢量可以用结构定义!
1. 矢量运算:相同大小的数组间运算应用在元素上
importnumpy as np#矢量与矢量运算
arr = np.array([[1, 2, 3],
[4, 5, 6]])print("元素相乘:")print(arr *arr)print("矩阵相加:")print(arr + arr)
效果:
元素相乘:
[[1 4 9]
[16 25 36]]
矩阵相加:
[[2 4 6]
[8 10 12]]
2. 矢量和标量运算:"广播" - 将标量"广播"到各个元素
importnumpy as np#矢量与矢量运算
arr = np.array([[1, 2, 3],
[4, 5, 6]])#矢量与标量运算
print(1. /arr)print(2. * arr)
效果:
[[1. 0.5 0.33333333]
[0.25 0.2 0.16666667]]
[[2. 4. 6.]
[8. 10. 12.]]
ndarray的索引与切片
1. 一维数组的索引与切片
与Python的列表索引功能相似
importnumpy as np#一维数组
arr1 = np.arange(10)print(arr1)print(arr1[2:5])
效果:
[0 1 2 3 4 5 6 7 8 9]
[2 3 4]
2. 多维数组的索引与切片:
arr[r1:r2, c1:c2]
arr[1,1] 等价 arr[1][1]
[:] 代表某个维度的数据
importnumpy as np#多维数组
arr2 = np.arange(12).reshape(3,4)print(arr2)print(arr2[1])print(arr2[0:2, 2:])print(arr2[:, 1:3])
效果:
[[ 0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
[4 5 6 7]
[[2 3]
[6 7]]
[[1 2]
[5 6]
[9 10]]
3. 条件索引
布尔值多维数组:arr[condition],condition也可以是多个条件组合。
注意,多个条件组合要使用 & | 连接,而不是Python的 and or。
importnumpy as np#条件索引
#找出 data_arr 中 2005年后的数据
data_arr = np.random.rand(3,3)print(data_arr)
year_arr= np.array([[2000, 2001, 2000],
[2005, 2002, 2009],
[2001, 2003, 2010]])
is_year_after_2005= year_arr >= 2005
print(is_year_after_2005, is_year_after_2005.dtype)
filtered_arr=data_arr[is_year_after_2005]print(filtered_arr)#filtered_arr = data_arr[year_arr >= 2005]#print(filtered_arr)
#多个条件
filtered_arr = data_arr[(year_arr <= 2005) & (year_arr % 2 ==0)]print(filtered_arr)
效果:
[[0.98334856 0.63551066 0.29149196]
[0.72503413 0.93842167 0.37301235]
[0.9551573 0.14087825 0.25574944]]
[[False False False]
[ True False True]
[False False True]] bool
[0.72503413 0.37301235 0.25574944]
[0.98334856 0.29149196 0.93842167]
ndarray的维数转换
二维数组直接使用转换函数:transpose()
高维数组转换要指定维度编号参数 (0, 1, 2, …),注意参数是元组
importnumpy as np
arr= np.random.rand(2,3) #2x3 数组
print("转换前")print(arr)print("转换后")print(arr.transpose()) #转换为 3x2 数组
arr3d= np.random.rand(2,3,4) #2x3x4 数组,2对应0,3对应1,4对应3
print("转换前")print(arr3d)print("转换后")print(arr3d.transpose((1,0,2))) #根据维度编号,转为为 3x2x4 数组
效果:
转换前
[[0.89524524 0.08353467 0.39123507]
[0.88177968 0.97609575 0.3881562]]
转换后
[[0.89524524 0.88177968]
[0.08353467 0.97609575]
[0.39123507 0.3881562]]
转换前
[[[0.62153196 0.78681829 0.34988096 0.15066897]
[0.08783996 0.76118557 0.36000474 0.12955172]
[0.59389965 0.98384567 0.50790895 0.50955181]]
[[0.36728472 0.02177603 0.74034979 0.52395055]
[0.15123696 0.52766901 0.16023566 0.38975676]
[0.86663207 0.12199002 0.91367068 0.07474323]]]
转换后
[[[0.62153196 0.78681829 0.34988096 0.15066897]
[0.36728472 0.02177603 0.74034979 0.52395055]]
[[0.08783996 0.76118557 0.36000474 0.12955172]
[0.15123696 0.52766901 0.16023566 0.38975676]]
[[0.59389965 0.98384567 0.50790895 0.50955181]
[0.86663207 0.12199002 0.91367068 0.07474323]]]
ndarray的元素处理
元素计算函数
ceil(): 向上最接近的整数,参数是 number 或 array
floor(): 向下最接近的整数,参数是 number 或 array
rint(): 四舍五入,参数是 number 或 array
isnan(): 判断元素是否为 NaN(Not a Number),参数是 number 或 array
multiply(): 元素相乘,参数是 number 或 array
divide(): 元素相除,参数是 number 或 array
abs():元素的绝对值,参数是 number 或 array
where(condition, x, y): 三元运算符,x if condition else y
importnumpy as np#randn() 返回具有标准正态分布的序列。
arr = np.random.randn(2,3)print("arr")print(arr)print("np.ceil")print(np.ceil(arr))print("np.floor")print(np.floor(arr))print("np.rint")print(np.rint(arr))print("np.isnan")print(np.isnan(arr))print("np.multiply")print(np.multiply(arr, arr))print("np.divide")print(np.divide(arr, arr))print("np.where")print(np.where(arr > 0, 1, -1))
效果:
arr
[[-0.28099283 0.07128696 -1.2619215]
[1.04315532 -0.68456104 1.04562554]]
np.ceil
[[-0. 1. -1.]
[2. -0. 2.]]
np.floor
[[-1. 0. -2.]
[1. -1. 1.]]
np.rint
[[-0. 0. -1.]
[1. -1. 1.]]
np.isnan
[[False False False]
[False False False]]
np.multiply
[[0.07895697 0.00508183 1.59244588]
[1.08817303 0.46862382 1.09333277]]
np.divide
[[1. 1. 1.]
[1. 1. 1.]]
np.where
[[-1 1 -1]
[1 -1 1]]
元素统计函数
np.mean(), np.sum():所有元素的平均值,所有元素的和,参数是 number 或 array
np.max(), np.min():所有元素的最大值,所有元素的最小值,参数是 number 或 array
np.std(), np.var():所有元素的标准差,所有元素的方差,参数是 number 或 array
np.argmax(), np.argmin():最大值的下标索引值,最小值的下标索引值,参数是 number 或 array
np.cumsum(), np.cumprod():返回一个一维数组,每个元素都是之前所有元素的 累加和 和 累乘积,参数是 number 或 array
多维数组默认统计全部维度,axis参数可以按指定轴心统计,值为0则按列统计,值为1则按行统计。
importnumpy as np
arr= np.arange(12).reshape(3, 4)print("arr")print(arr)print("cumsum")print(np.cumsum(arr)) #返回一个一维数组,每个元素都是之前所有元素的 累加和
print("np.sum(arr)")print(np.sum(arr)) #所有元素的和
print("np.sum(arr, axis=0)")print(np.sum(arr, axis=0)) #数组的按列统计和
print("np.sum(arr, axis=1)")print(np.sum(arr, axis=1)) #数组的按行统计和
效果:
arr
[[ 01 2 3]
[4 5 6 7]
[8 9 10 11]]
cumsum
[ 01 3 6 10 15 21 28 36 45 55 66]
np.sum(arr)66np.sum(arr, axis=0)
[12 15 18 21]
np.sum(arr, axis=1)
[6 22 38]
元素判断函数
np.any(): 至少有一个元素满足指定条件,返回True
np.all(): 所有的元素满足指定条件,返回True
importnumpy as np
arr= np.random.randn(2,3)print(arr)print(np.any(arr >0))print(np.all(arr > 0))
效果:
[[-1.08208833 0.46202246 0.04891938]
[-0.73026743 0.78151862 0.51218528]]
True
False
元素去重排序函数
np.unique():找到唯一值并返回排序结果,类似于Python的set集合
importnumpy as np
arr= np.array([[1, 2, 1], [2, 3, 4]])print(arr)print(np.unique(arr))
效果
[[1 2 1]
[2 3 4]]
[1 2 3 4]
python 数学计算库_数学计算工具库-Numpy相关推荐
- java 数学计算库_数学计算工具类
[java]代码库/** * Description: [数字计算工具类] * @version 1.0 */ public class MathUtils { /** 一百的常量 */ privat ...
- 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( ...
- python四分位数怎么算_四分位数计算以及使用pandas计算
最近学习python数据分析,遇到了四分位数计算问题,因四分位数计算公式不一致,导致结果不一样,坑爹的百度只给了一种计算方法,容易迷惑初学者,故总结如下: 计算方法 三个四分位数的确定: 先按从小到大 ...
- python绘制玫瑰曲线_数学的有趣图形-玫瑰线
玫瑰线的说法源于欧洲海图.在中世纪的航海地图上,并没有经纬线,有的只是一些从中心有序地向外辐射的互相交叉的直线方向线.此线也称罗盘线,希腊神话里的各路风神被精心描绘在这些线上,作为方向的记号.葡萄牙水 ...
- python自然语言处理库_Python自然语言处理工具库(含中文处理)
自然语言处理(Natural Language Processing,简称 NLP),是研究计算机处理人类语言的一门技术.随着深度学习在图像识别.语音识别领域的大放异彩,人们对深度学习在 NLP 的价 ...
- 边缘计算架构_边缘计算到底是个什么技术?边缘计算硬件架构
对物联网IoT技术感兴趣的朋友在这两年一定经常可以看到"边缘计算"这个名词,但是总感觉不明白到底什么是"边缘计算",不明觉厉的感觉.让我们看看业界泰斗Intel ...
- 数学猜想验证步骤_数学猜想验证_数学教学中如何运用“猜想验证”
[摘要]猜想验证方法是指通过数学的直觉思维对数学问题进行猜想,然后通过验证得出结论的方法.在新课程标准实施的今天,在学生数学教学中运用"猜想验证",有利于提高学生主动探索.获取数学 ...
- Python超简单容易上手的画图工具库
今天,在网上发现一款很棒的python画图工具库.很简单的api调用就能生成漂亮的图表.并且可以进行一些互动. pyecharts 是一个用于生成 Echarts 图表的类库.Echarts 是百度开 ...
- python实现cc攻击_第二章 Requests库的使用:变相的cc攻击
环境 Python 3.6.5 Pycharm Professional 2017.1 需要预备的知识 python基础语法 了解基础的web网页结构知识 了解http协议 熟悉浏览器开发者工具使用 ...
- python图片分类管理系统_图片分类工具MyQcloudImage免费版下载(图片管理系统) V1.0 绿色版_数码资源网...
需要智能人脸识别图片管理软件?MyQcloudImage免费版肯定是您需要的哦!图片分类工具这里有最新的最强大的图片数据分类和图片识别功能可以了解哦!MyQcloudImage免费版最好用的图片管理系 ...
最新文章
- tensorflow 1
- 米家扩展程序初始化超时_28条规范和建议,教你如何设计出一套完美的PLC程序...
- 时间序列预测——深度好文,ARIMA是最难用的(数据预处理过程不适合工业应用),线性回归模型简单适用,预测趋势很不错,xgboost的话,不太适合趋势预测,如果数据平稳也可以使用。...
- android oppo调试模式,OPPO A59 开启USB调试模式
- rxjs里mapTo operators的用法
- IntelliJ idea 12的初次约会
- IDEA常用插件整理
- 【渝粤教育】国家开放大学2018年春季 0100-22T程序设计基础 参考试题
- S20_DAY20--课堂笔记
- android使用FFmpeg解码MP4中的音频并使用AudioTrack播放
- html中dom什么意思,dom属性是什么意思啊 html dom是什么意思,通俗易懂
- RT进程组的cpu带宽限制
- window的dos命令学习笔记 二
- Stream Collectors - counting
- Rapid SCADA中文使用说明书(一)
- R语言可视化——画脸谱图
- 两台计算机能否共用一个ip地址,多台电脑共用一个WIFI,IP地址是不是一样?
- viso画图时如何让右侧显示设置形状格式栏
- 用jupyter notebook修改.md文件后,遇见的问题:Jupyter上无法保存md文件; FileNotFoundError: [Errno 2] No such file or direc
- vs2022最新版本安装MVC4详细教程