python之numpy基础_Python知识普及:Numpy基础操作
原标题:Python知识普及:Numpy基础操作
Numpy基础数据结构
创建数组
Numpy通用函数
import numpy as np
# reshape 改变数组维度形状
ar1 = np.arange(10)
print(ar1)
print("")
print(ar1.reshape(5, 2)) # 方式1
print("")
ar1 = np.ones((2, 5))
print(ar1)
print("")
ar1 = np.ones((2, 5)).reshape(5, 2) # 方式2
print(ar1)
print("")
ar1 = np.reshape(np.arange(9), (3,3)) # 方式3
print(ar1)
[0 1 2 3 4 5 6 7 8 9]
[[0 1]
[2 3]
[4 5]
[6 7]
[8 9]]
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
[[ 1. 1.]
[ 1. 1.]
[ 1. 1.]
[ 1. 1.]
[ 1. 1.]]
[[0 1 2]
[3 4 5]
[6 7 8]]
# T 数组转置
ar2 = np.zeros((2, 5))
print(ar2)
print("")
print(ar2.T)
[[ 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0.]]
[[ 0. 0.]
[ 0. 0.]
[ 0. 0.]
[ 0. 0.]
[ 0. 0.]]
# resize跟reshape类似 区别是当改变数组维度时不会因数据量的不同而报错
ar3 = np.reshape(np.arange(15), (3, 5))
print(ar3)
print("")
ar4 = np.resize(ar3, (5, 3))
print(ar4)
print("")
ar5 = np.resize(ar3, (3, 4)) # 当改变后的数组需要的数据量比原数组的数据量少时 会依次排序 多余的数值不会显示
print(ar5)
print("")
ar6 = np.resize(ar3, (4, 5)) # 当改变后的数组需要的数据量比原数组的数据量多时 不足的会补充排序
print(ar6)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]
[12 13 14]]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[ 0 1 2 3 4]]
# np.resize(a, shape) 有返回值 不会改变原数组
ar7 = np.arange(10)
print(ar7)
print("")
ar8 = np.resize(ar7, (2, 5))
print(ar8)
print("")
print(ar7)
[0 1 2 3 4 5 6 7 8 9]
[[0 1 2 3 4]
[5 6 7 8 9]]
[0 1 2 3 4 5 6 7 8 9]
# a.resize(shape) 没有返回值 直接改变原数组
ar7 = np.arange(10)
print(ar7)
print("")
ar8 = ar7.resize(2, 5) # 注意ar8为None 因为是改变原数组 所以没有返回值
print(ar8)
print("")
print(ar7)
[0 1 2 3 4 5 6 7 8 9]
None
[[0 1 2 3 4]
[5 6 7 8 9]]
# 数据类型转换 astype
ar9 = np.arange(10, dtype=np.float64)
print(ar9)
print(ar9.dtype) # 查看数值类型
print("")
ar10 = ar9.astype(np.int64) # 改变数值类型
print(ar10)
print(ar10.dtype)
[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
float64
[0 1 2 3 4 5 6 7 8 9]
int64
# 数组堆叠
# hstack vstack
a = np.arange(10)
print(a)
print("")
b= np.arange(10, 20)
print(b)
print("")
c = np.hstack((a, b)) # hstack表示横向连接
print(c)
print("")
d = np.vstack((a, b)) # vstack表示纵向连接
print(d)
print("")
[0 1 2 3 4 5 6 7 8 9]
[10 11 12 13 14 15 16 17 18 19]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
[[ 0 1 2 3 4 5 6 7 8 9]
[10 11 12 13 14 15 16 17 18 19]]
[[ 0 1 2 3 4 5 6 7 8 9]
[10 11 12 13 14 15 16 17 18 19]]
# stack
print(a)
print("")
print(b)
print("")
e = np.stack((a, b), axis=0) # axis=0 横向看(纵向连接)
print(e)
print("")
e = np.stack((a, b), axis=1) # 纵向看(横向连接)
print(e)
[0 1 2 3 4 5 6 7 8 9]
[10 11 12 13 14 15 16 17 18 19]
[[ 0 1 2 3 4 5 6 7 8 9]
[10 11 12 13 14 15 16 17 18 19]]
[[ 0 10]
[ 1 11]
[ 2 12]
[ 3 13]
[ 4 14]
[ 5 15]
[ 6 16]
[ 7 17]
[ 8 18]
[ 9 19]]
# 数组拆分
a = np.arange(16).reshape(4, 4)
print(a)
print("")
b = np.hsplit(a, 2) # 按列来切割
print(b)
print("")
c = np.vsplit(a, 2) # 按行来切割
print(c)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]), array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])]
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]), array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]
# 求和 sum
a = np.arange(10).reshape(2, 5)
print(a)
print("")
print(np.sum(a, axis=0)) # 0代表横轴
print("")
print(np.sum(a, axis=1)) # 1代表纵轴
[[0 1 2 3 4]
[5 6 7 8 9]]
[ 5 7 9 11 13]
[10 35]
# 排序 sort
print(np.sort(np.array([3, 5, 5, 3, 1, 4])))
[1 3 3 4 5 5]
Numpy基本索引和切片
import numpy as np
# 一维数组
arr = np.array(range(10))
print(arr)
print("")
print(arr[4])
print(arr[:3])
print(arr[::2])
[0 1 2 3 4 5 6 7 8 9]
4
[0 1 2]
[0 2 4 6 8]
# 二维数组
arr = np.arange(20).reshape(4, 5)
print(arr)
print("")
print(arr[2]) # 取出某一行
print("")
print(arr[2][2]) # 取出某一个数
print("")
print(arr[1:3]) # 取出多行
print("")
print(arr[2, 2]) # 逗号前代表行 逗号后代表列
print("")
print(arr[:2, 1:3]) # 取出多行多列
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]]
[10 11 12 13 14]
12
[[ 5 6 7 8 9]
[10 11 12 13 14]]
12
[[1 2]
[6 7]]
# 三维数组
arr = np.arange(48).reshape(3,4,4) # 3个4行4列的数组
print(arr)
print("*"*30)
print(arr[2])
print("*"*30)
print(arr[2][1])
print("*"*30)
print(arr[2][1][1])
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
[[32 33 34 35]
[36 37 38 39]
[40 41 42 43]
[44 45 46 47]]]
[[32 33 34 35]
[36 37 38 39]
[40 41 42 43]
[44 45 46 47]]
[36 37 38 39]
37
Numpy布尔型索引及切片
# 用布尔型索引去做筛选
arr = np.arange(12).reshape(3, 4)
print(arr)
print("")
a = np.array([True, False, True])
print(a)
print("")
b = np.array([True, False, False, True])
print(b)
print("")
print(arr[a, :])
print("")
print(arr[:, b])
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[ True False True]
[ True False False True]
[[ 0 1 2 3]
[ 8 9 10 11]]
[[ 0 3]
[ 4 7]
[ 8 11]]
# 用布尔型矩阵去做筛选
print(arr)
print("")
m = arr>5
print(m)
print("")
n = arr[arr>5]
print(n)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[False False False False]
[False False True True]
[ True True True True]]
[ 6 7 8 9 10 11]
Numpy随机数生成
import numpy as np
# random.normal 正态分布随机数
print(np.random.normal(size=(4, 4))) # 生成一个4行4列的正态分布随机数
[[ 1.01645652 -0.30952914 -0.40576099 -0.94259139]
[-0.16483869 0.42278586 0.8260384 -0.88469832]
[ 1.31487466 -0.86188981 -0.71485117 -2.12449215]
[-1.80353888 -0.93264659 -1.1424078 0.31905742]]
# random.rand 平均分布 随机生成 [0-1) 之间的数
a = np.random.rand() # 生成一个数
print(a)
print("")
b = np.random.rand(4) # 生成4个数
print(b)
print("")
c = np.random.rand(2,4) # 生成二维数组
print(c)
0.11426452609434679
[ 0.79633633 0.32467913 0.28038512 0.56304155]
[[ 0.06561635 0.40454132 0.58158716 0.73527881]
[ 0.59301023 0.74935326 0.24347665 0.59653582]]
# np.random.randint 在自定义的范围内随机生成整数
a = np.random.randint(3) # 在 [0-3)的范围内随机生成一个整数
print(a)
print("")
b = np.random.randint(2, 10) # [2-10)的范围内随机生成一个整数
print(b)
print("")
c = np.random.randint(20, size=10) # 生成一个 [0-20) 之间 有10个整数元素的一维数组
print(c)
print("")
d = np.random.randint(20, 40, size=10) # 生成一个 [20-40) 之间 有10个整数元素的一维数组
print(d)
print("")
e = np.random.randint(40, 50, size=(2, 5)) # 生成一个 [40-50) 之间 有2行5列元素的二维数组
print(e)
0
6
[ 9 11 5 12 19 4 19 1 7 10]
[24 20 34 38 37 24 26 35 35 30]
[[49 42 42 44 49]
[44 44 40 49 45]]返回搜狐,查看更多
责任编辑:
python之numpy基础_Python知识普及:Numpy基础操作相关推荐
- 你需要知道的基础算法知识——STL和基础数据结构(六)
引言 STL是C++的标准模板库,竞赛中很多常用的数据结构.算法在STL中都有,熟练地掌握它们在很多题目中能极大地简化编程. STL包括容器(container).迭代器(iterator).空间配置 ...
- 你需要知道的基础算法知识——STL和基础数据结构(七)
引言 STL是C++的标准模板库,竞赛中很多常用的数据结构.算法在STL中都有,熟练地掌握它们在很多题目中能极大地简化编程. STL包括容器(container).迭代器(iterator).空间配置 ...
- 你需要知道的基础算法知识——STL和基础数据结构(五)
引言 STL是C++的标准模板库,竞赛中很多常用的数据结构.算法在STL中都有,熟练地掌握它们在很多题目中能极大地简化编程. STL包括容器(container).迭代器(iterator).空间配置 ...
- 你需要知道的基础算法知识——STL和基础数据结构(四)
引言 STL是C++的标准模板库,竞赛中很多常用的数据结构.算法在STL中都有,熟练地掌握它们在很多题目中能极大地简化编程. STL包括容器(container).迭代器(iterator).空间配置 ...
- 你需要知道的基础算法知识——STL和基础数据结构(二)
引言 STL是C++的标准模板库,竞赛中很多常用的数据结构.算法在STL中都有,熟练地掌握它们在很多题目中能极大地简化编程. STL包括容器(container).迭代器(iterator).空间配置 ...
- 你需要知道的基础算法知识——STL和基础数据结构(一)
引言 STL是C++的标准模板库,竞赛中很多常用的数据结构.算法在STL中都有,熟练地掌握它们在很多题目中能极大地简化编程. STL包括容器(container).迭代器(iterator).空间配置 ...
- python中导入numpy库_python中的Numpy库
导入numpy库: import numpy as np python的一个科学计算库的一个基础包,包含了强大的N维数组对象和向量运算 数组创建,可以使用array函数从常规的python列表和或元组 ...
- 为什么python安装不了numpy库_python 安装与numpy matplotlib 等库安装
1.下载并安装Python3.4 在官网下载即可:Python官网 2.安装pip (1)查看是否已安装pip 进入cmd命令窗口,输入pip --version ,查看是否已安装pip,如果出现下图 ...
- numpy安装_Python进阶之NumPy快速入门(一)
前言 NumPy是Python的一个扩展库,负责数组和矩阵运行.相较于传统Python,NumPy运行效率高,速度快,是利用Python处理数据必不可少的工具. 这个NumPy快速入门系列分为四篇,包 ...
最新文章
- 骑摩托的蒙娜丽莎 - 曼妙风骚的花式慢跑算法
- Lucky Substrings
- ClassLoader工作机制
- element-ui 使用table控件绑定的list数据的坑
- OpenCV_01 简介+无版权安装+模块分析
- mybatis resultMap type属性问题 ( xx.xx.PO cannot be cast to xx.xx.BO)
- 基于JAVA+SpringBoot+Vue+Mybatis+MYSQL的微信小程序点餐系统
- During a meeting, there was a woman
- es文件浏览器怎么用_python爬虫入门:什么是爬虫,怎么玩爬虫?
- 大数据笔记(二十一)——NoSQL数据库之Redis
- 2021百强县市名单
- c traps and pitfalls reading notes(2)
- python画图如何调整图例位置_python中图例的位置怎么手动调整
- oracle的单引号和双引号的深入举例分析
- HATEOAS(Hypermedia as the engine of appliation state)是什么?
- ora-01652无法通过128(在表空间temp中)扩展temp段
- html5理财计算,理财产品的收益怎么算(个人理财收益计算器)
- PWmat案例赏析:计算精度高、速度快的第一性原理计算,研究表面终端结构对NV色心影响
- 【Flink实战系列】Lorg/apache/flink/kafka/shaded/org/apache/kafka/clients/consumer/ConsumerRecord;)Ljava/
- python怎么批量爬取图片_python批量爬取网络图片