Python Numpy 数组的初始化和基本操作
一.基础:
Numpy的主要数据类型是ndarray,即多维数组。它有以下几个属性:
ndarray.ndim:数组的维数
ndarray.shape:数组每一维的大小
ndarray.size:数组中全部元素的数量
ndarray.dtype:数组中元素的类型(numpy.int32, numpy.int16, and numpy.float64等)
ndarray.itemsize:每个元素占几个字节
例子:
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
二.创建数组:
使用array函数讲tuple和list转为array:
>>> import numpy as np
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
多维数组:
>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5, 2. , 3. ],[ 4. , 5. , 6. ]])
- 1
- 2
- 3
- 4
生成数组的同时指定类型:
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j],[ 3.+0.j, 4.+0.j]])
- 1
- 2
- 3
- 4
生成数组并赋为特殊值:
ones:全1
zeros:全0
empty:随机数,取决于内存情况
>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],[ 0., 0., 0., 0.],[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],[ 1, 1, 1, 1],[ 1, 1, 1, 1]],[[ 1, 1, 1, 1],[ 1, 1, 1, 1],[ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
生成均匀分布的array:
arange(最小值,最大值,步长)(左闭右开)
linspace(最小值,最大值,元素数量)
>>> np.arange( 10, 30, 5 )
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 ) # it accepts float arguments
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> x = np.linspace( 0, 2*pi, 100 ) # useful to evaluate function at lots of points
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
三.基本运算:
整个array按顺序参与运算:
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False], dtype=bool)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
两个二维使用*符号仍然是按位置一对一相乘,如果想表示矩阵乘法,使用dot:
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A*B # elementwise product
array([[2, 0],[0, 4]])
>>> A.dot(B) # matrix product
array([[5, 4],[3, 4]])
>>> np.dot(A, B) # another matrix product
array([[5, 4],[3, 4]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
内置函数(min,max,sum),同时可以使用axis指定对哪一维进行操作:
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]])
>>>
>>> b.sum(axis=0) # sum of each column
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1) # min of each row
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1) # cumulative sum along each row
array([[ 0, 1, 3, 6],[ 4, 9, 15, 22],[ 8, 17, 27, 38]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
Numpy同时提供很多全局函数
>>> B = np.arange(3)
>>> B
array([0, 1, 2])
>>> np.exp(B)
array([ 1. , 2.71828183, 7.3890561 ])
>>> np.sqrt(B)
array([ 0. , 1. , 1.41421356])
>>> C = np.array([2., -1., 4.])
>>> np.add(B, C)
array([ 2., 0., 6.])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
四.寻址,索引和遍历:
一维数组的遍历语法和python list类似:
>>> a = np.arange(10)**3
>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000 # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000
>>> a
array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])
>>> a[ : :-1] # reversed a
array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
>>> for i in a:
... print(i**(1/3.))
...
nan
1.0
nan
3.0
nan
5.0
6.0
7.0
8.0
9.0
- 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
多维数组的访问通过给每一维指定一个索引,顺序是先高维再低维:
>>> def f(x,y):
... return 10*x+y
...
>>> b = np.fromfunction(f,(5,4),dtype=int)
>>> b
array([[ 0, 1, 2, 3],[10, 11, 12, 13],[20, 21, 22, 23],[30, 31, 32, 33],[40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # each row in the second column of b
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1] # equivalent to the previous example
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ] # each column in the second and third row of b
array([[10, 11, 12, 13],[20, 21, 22, 23]])
When fewer indices are provided than the number of axes, the missing indices are considered complete slices:>>>
>>> b[-1] # the last row. Equivalent to b[-1,:]
array([40, 41, 42, 43])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
…符号表示将所有未指定索引的维度均赋为 : ,:在python中表示该维所有元素:
>>> c = np.array( [[[ 0, 1, 2], # a 3D array (two stacked 2D arrays)
... [ 10, 12, 13]],
... [[100,101,102],
... [110,112,113]]])
>>> c.shape
(2, 2, 3)
>>> c[1,...] # same as c[1,:,:] or c[1]
array([[100, 101, 102],[110, 112, 113]])
>>> c[...,2] # same as c[:,:,2]
array([[ 2, 13],[102, 113]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
遍历:
如果只想遍历整个array可以直接使用:
>>> for row in b:
... print(row)
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
但是如果要对每个元素进行操作,就要使用flat属性,这是一个遍历整个数组的迭代器
>>> for element in b.flat:
... print(element)
...
0
1
2
3
10
11
12
13
20
21
22
23
30
31
32
33
40
41
42
43
Python Numpy 数组的初始化和基本操作相关推荐
- python 初始化数组 numpy,Python Numpy 数组的初始化和基本操作
Python 是一种高级的,动态的,多泛型的编程语言.Python代码很多时候看起来就像是伪代码一样,因此你可以使用很少的几行可读性很高的代码来实现一个非常强大的想法. 一.基础: Numpy的主要数 ...
- Review Python Numpy 数组的初始化和基本操作
一.基础: Numpy的主要数据类型是ndarray,即多维数组.它有以下几个属性: ndarray.ndim:数组的维数 ndarray.shape:数组每一维的大小 ndarray.size: ...
- python数组初始化_Python Numpy 数组的初始化和基本操作
Python 是一种高级的,动态的,多泛型的编程语言.Python代码很多时候看起来就像是伪代码一样,因此你可以使用很少的几行可读性很高的代码来实现一个非常强大的想法. 一.基础: Numpy的主要数 ...
- python数组初始化_Python科学计算库Numpy数组的初始化和基本操作
umPy系统是Python的一种开源的数值计算扩展.这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表(nested list structure)结构要高效的多(该结构也可以用来表示矩阵 ...
- python numpy数组和one-hot编码相互转换
a=[0,0,1,0,1,0,1]result=[] for i, x in enumerate(a):if x==1:result.append(i)print(result) python num ...
- 【Python语言基础】——Python NumPy 数组副本 vs 视图
Python语言基础--Python NumPy 数组副本 vs 视图 文章目录 Python语言基础--Python NumPy 数组副本 vs 视图 一.Python NumPy 数组副本 vs ...
- 【Python语言基础】——Python NumPy 数组索引
Python语言基础--Python NumPy 数组形状 文章目录 Python语言基础--Python NumPy 数组形状 一.Python NumPy 数组形状 一.Python NumPy ...
- 【Python语言基础】——Python NumPy 数组搜索
Python语言基础--Python NumPy 数组搜索 文章目录 Python语言基础--Python NumPy 数组搜索 一.Python NumPy 数组搜索 一.Python NumPy ...
- Python —— Numpy数组组合
Numpy数组组合 运行 :Jupyter import numpyworld_alcohol = numpy.genfromtxt('world_alcohol.txt',delimiter&quo ...
最新文章
- mysql有三种事务模式_MySQL之事务与三大范式
- 高可用MySQL架构设计2
- layer中嵌套的页面如何操作父页面_layui框架中layer父子页面交互详细解说
- hdu 5631 Rikka with Graph(图)
- 【珍藏版】长文详解python正则表达式
- python---python基本算法的时间复杂度和空间复杂度
- 可道云 docker 群晖_【curl】校园网群晖DS120j自动认证
- 透彻理解cmake(含PRIVATE,PUBLIC,INTERFACE的详细解释)
- 如何下载spring sts
- Json Editor命令行版
- html嵌入flv格式和swf格式视频
- 【故障处理】ORA-12162 错误的处理
- 孪生网络 应用_数字孪生照进现实,Unity如何打造数字世界的基础设施?
- [MySQL 源码] Innodb Pessimistic Insert流程
- 如何根据视频的宽屏与竖屏来排序?
- linux下scp的常见问题解决方法
- 研发思维08----嵌入式智能产品数据服务后端分析
- 数据解密:B站UP林果儿53视频获取30万粉丝,千年老汤必须有!
- 在SpringBoot中添加发送邮件功能
- Kindle 电子书分享
热门文章
- 06512oracle数据库,ORA-06512 – 专业Oracle数据库恢复,或许是您恢复数据的最后机会@phone:13429648788 - 专业Oracle数据库恢复技术支持...
- 用于角点检测的FAST算法
- 干货集锦:200+生信范文、30+款软件、12类图片素材PPT,今年的SCI稳了!(附下载)...
- Conda solving environment一晚上还不能完成有解吗?
- 2.3 基本算法之递归变递推 放苹果 python
- 1.3编程基础之算术表达式与顺序执行 09 与圆相关的计算
- 1.5 编程基础之循环控制 29 数字反转
- laravel操作$request中值删除、增加、替换等方式的代码实例
- java 获取键盘输入法_Java中接收键盘输入的三种方法
- PHP笔记-所有错误统一输出404页面(详细错误日志输出,提高安全性)