Python Numpy知识 - 简约而不简单的 Numpy 小抄表（语法、代码）
2024-05-14 02:52:49
目录
前言
零、安装Numpy
一、Numpy基础
1、常用操作
2、占位符
二、数组
1、数组属性
2、拷贝 /排序
3、数组操作例程
（1）增加或减少元素
（2）组合数组
（3）分割数组
（4）数组形状变化
4、其他
三、数学计算
1、操作
2、比较
3、基本的统计
4、更多
四、切片和子集
五、小技巧
前言
Numpy是一个用python实现的科学计算的扩展程序库，包括：
1、一个强大的N维数组对象Array；
2、比较成熟的（广播）函数库；
3、用于整合C/C++和Fortran代码的工具包；
4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。
本文整理了一个Numpy的小抄表，总结了Numpy的常用操作，可以收藏慢慢看。
零、安装Numpy
可以通过 Pip 或者 Anaconda安装Numpy:
$ pip install numpy或
$ conda install numpy一、Numpy基础
NumPy最常用的功能之一就是NumPy数组：列表和NumPy数组的最主要区别在于功能性和速度。
列表提供基本操作，但NumPy添加了FTTs、卷积、快速搜索、基本统计、线性代数、直方图等。
两者数据科学最重要的区别是能够用NumPy数组进行元素级计算。
axis 0 通常指行
axis 1 通常指列
1、常用操作
| 操作 | 描述 | 文档 |
|---|---|---|
np.array([1,2,3])
|
一维数组 | https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.array |
np.array([(1,2,3),(4,5,6)])
|
二维数组 | https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.array |
np.arange(start,stop,step)
|
等差数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html |
2、占位符
| 操作 | 描述 | 文档 |
|---|---|---|
np.linspace(0,2,9)
|
数组中添加等差的值 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.linspace.html |
np.zeros((1,2))
|
创建全0数组 | docs.scipy.org/doc/numpy/reference/generated/numpy.zeros.html |
np.ones((1,2))
|
创建全1数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.ones.html#numpy.ones |
np.random.random((5,5))
|
创建随机数的数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random.html |
np.empty((2,2))
|
创建空数组 | https://numpy.org/doc/stable/reference/generated/numpy.empty.html |
举例
import numpy as np# 1 dimensional
x = np.array([1,2,3])
# 2 dimensional
y = np.array([(1,2,3),(4,5,6)])x = np.arange(3)
>>> array([0, 1, 2])y = np.arange(3.0)
>>> array([ 0., 1., 2.])x = np.arange(3,7)
>>> array([3, 4, 5, 6])y = np.arange(3,7,2)
>>> array([3, 5])二、数组
1、数组属性
| 语法 | 描述 | 文档 |
|---|---|---|
array.shape
|
维度(行,列) | https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.shape.html |
len(array)
|
数组长度 | https://docs.python.org/3.5/library/functions.html#len |
array.ndim
|
数组的维度数 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.ndim.html |
array.size
|
数组的元素数 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.size.html |
array.dtype
|
数据类型 | https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html |
array.astype(type)
|
转换数组类型 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.astype.html |
type(array)
|
显示数组类型 | https://numpy.org/doc/stable/user/basics.types.html |
2、拷贝 /排序
| 操作 | 描述 | 文档 |
|---|---|---|
np.copy(array)
|
创建数组拷贝 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.copy.html |
other = array.copy()
|
创建数组深拷贝 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.copy.html |
array.sort()
|
排序一个数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.html |
array.sort(axis=0)
|
按照指定轴排序一个数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.html |
举例
import numpy as np
# Sort sorts in ascending order
y = np.array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])
y.sort()
print(y)
>>> [ 1 2 3 4 5 6 7 8 9 10]3、数组操作例程
（1）增加或减少元素
| 操作 | 描述 | 文档 |
|---|---|---|
np.append(a,b)
|
增加数据项到数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.append.html |
np.insert(array, 1, 2, axis)
|
沿着数组0轴或者1轴插入数据项 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.insert.html |
np.resize((2,4))
|
将数组调整为形状(2,4) | https://docs.scipy.org/doc/numpy/reference/generated/numpy.resize.html |
np.delete(array,1,axis)
|
从数组里删除数据项 | https://numpy.org/doc/stable/reference/generated/numpy.delete.html |
举例
import numpy as np
# Append items to array
a = np.array([(1, 2, 3),(4, 5, 6)])
b = np.append(a, [(7, 8, 9)])
print(b)
>>> [1 2 3 4 5 6 7 8 9]# Remove index 2 from previous array
print(np.delete(b, 2))
>>> [1 2 4 5 6 7 8 9]（2）组合数组
| 操作 | 描述 | 文档 |
|---|---|---|
np.concatenate((a,b),axis=0)
|
连接2个数组，添加到末尾 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.concatenate.html |
np.vstack((a,b))
|
按照行堆叠数组 | https://numpy.org/doc/stable/reference/generated/numpy.vstack.html |
np.hstack((a,b))
|
按照列堆叠数组 | docs.scipy.org/doc/numpy/reference/generated/numpy.hstack.html#numpy.hstack |
举例
import numpy as np
a = np.array([1, 3, 5])
b = np.array([2, 4, 6])# Stack two arrays row-wise
print(np.vstack((a,b)))
>>> [[1 3 5][2 4 6]]# Stack two arrays column-wise
print(np.hstack((a,b)))
>>> [1 3 5 2 4 6]（3）分割数组
| 操作 | 描述 | 文档 |
|---|---|---|
numpy.split()
|
分割数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.split.html |
np.array_split(array, 3)
|
将数组拆分为大小（几乎）相同的子数组 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.array_split.html#numpy.array_split |
numpy.hsplit(array, 3)
|
在第3个索引处水平拆分数组 | https://numpy.org/doc/stable/reference/generated/numpy.hsplit.html#numpy.hsplit |
举例
# Split array into groups of ~3
a = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(np.array_split(a, 3))
>>> [array([1, 2, 3]), array([4, 5, 6]), array([7, 8])]（4）数组形状变化
操作
| 操作 | 描述 | 文档 |
|---|---|---|
other = ndarray.flatten()
|
平铺一个二维数组到一维数组 | https://numpy.org/doc/stable/reference/generated/numpy.ndarray.flatten.html |
| numpy.flip() | 翻转一维数组中元素的顺序 | https://docs.scipy.org/doc/stable/reference/generated/numpy.flip.html |
| np.ndarray[::-1] | 翻转一维数组中元素的顺序 | |
| reshape | 改变数组的维数 | https://docs.scipy.org/doc/stable/reference/generated/numpy.reshape.html |
| squeeze | 从数组的形状中删除单维度条目 | https://numpy.org/doc/stable/reference/generated/numpy.squeeze.html |
| expand_dims | 扩展数组维度 | https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.expand_dims.html |
4、其他
| 操作 | 描述 | 文档 |
|---|---|---|
other = ndarray.flatten()
|
平铺2维数组到1维数组 | https://numpy.org/doc/stable/reference/generated/numpy.ndarray.flatten.html |
array = np.transpose(other)array.T
|
数组转置 | https://numpy.org/doc/stable/reference/generated/numpy.transpose.html |
inverse = np.linalg.inv(matrix)
|
求矩阵的逆矩阵 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.inv.html |
举例
# Find inverse of a given matrix
>>> np.linalg.inv([[3,1],[2,4]])
array([[ 0.4, -0.1],[-0.2, 0.3]])三、数学计算
1、操作
| 操作 | 描述 | 文档 |
|---|---|---|
np.add(x,y)x + y
|
加 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.add.html |
np.substract(x,y)x - y
|
减 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.subtract.html#numpy.subtract |
np.divide(x,y)x / y
|
除 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.divide.html#numpy.divide |
np.multiply(x,y)x * y
|
乘 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.multiply.html#numpy.multiply |
np.sqrt(x)
|
平方根 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.sqrt.html#numpy.sqrt |
np.sin(x)
|
元素正弦 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.sin.html#numpy.sin |
np.cos(x)
|
元素余弦 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.cos.html#numpy.cos |
np.log(x)
|
元素自然对数 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.log.html#numpy.log |
np.dot(x,y)
|
点积 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html |
np.roots([1,0,-4])
|
给定多项式系数的根 | https://docs.scipy.org/doc/numpy/reference/generated/numpy.roots.html |
举例
# If a 1d array is added to a 2d array (or the other way), NumPy
# chooses the array with smaller dimension and adds it to the one
# with bigger dimension
a = np.array([1, 2, 3])
b = np.array([(1, 2, 3), (4, 5, 6)])
print(np.add(a, b))
>>> [[2 4 6][5 7 9]]# Example of np.roots
# Consider a polynomial function (x-1)^2 = x^2 - 2*x + 1
# Whose roots are 1,1
>>> np.roots([1,-2,1])
array([1., 1.])
# Similarly x^2 - 4 = 0 has roots as x=±2
>>> np.roots([1,0,-4])
array([-2., 2.])2、比较
| 操作 | 描述 | 文档 |
|---|---|---|
==
|
等于 | https://docs.python.org/2/library/stdtypes.html |
!=
|
不等于 | https://docs.python.org/2/library/stdtypes.html |
<
|
小于 | https://docs.python.org/2/library/stdtypes.html |
>
|
大于 | https://docs.python.org/2/library/stdtypes.html |
<=
|
小于等于 | https://docs.python.org/2/library/stdtypes.html |
>=
|
大于等于 | https://docs.python.org/2/library/stdtypes.html |
np.array_equal(x,y)
|
数组比较 | https://numpy.org/doc/stable/reference/generated/numpy.array_equal.html |
举例：
# Using comparison operators will create boolean NumPy arrays
z = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
c = z < 6
print(c)
>>> [ True True True True True False False False False False]3、基本的统计
| 操作 | 描述 | 文档 |
|---|---|---|
np.mean(array)
|
Mean | https://numpy.org/doc/stable/reference/generated/numpy.mean.html#numpy.mean |
np.median(array)
|
Median | https://numpy.org/doc/stable/reference/generated/numpy.median.html#numpy.median |
array.corrcoef()
|
Correlation Coefficient | https://numpy.org/doc/stable/reference/generated/numpy.corrcoef.html#numpy.corrcoef |
np.std(array)
|
Standard Deviation | https://docs.scipy.org/doc/numpy/reference/generated/numpy.std.html#numpy.std |
举例
# Statistics of an array
a = np.array([1, 1, 2, 5, 8, 10, 11, 12])# Standard deviation
print(np.std(a))
>>> 4.2938910093294167# Median
print(np.median(a))
>>> 6.54、更多
| 操作 | 描述 | 文档 |
|---|---|---|
array.sum()
|
数组求和 | https://numpy.org/doc/stable/reference/generated/numpy.sum.html |
array.min()
|
数组求最小值 | https://numpy.org/doc/stable/reference/generated/numpy.ndarray.min.html |
array.max(axis=0)
|
数组求最大值（沿着0轴） | |
array.cumsum(axis=0)
|
指定轴求累计和 | https://numpy.org/doc/stable/reference/generated/numpy.cumsum.html |
四、切片和子集
| 操作 | 描述 | 文档 |
|---|---|---|
array[i]
|
索引i处的一维数组 | https://numpy.org/doc/stable/reference/arrays.indexing.html |
array[i,j]
|
索引在[i][j]处的二维数组 | https://numpy.org/doc/stable/reference/arrays.indexing.html |
array[i<4]
|
布尔索引 | https://numpy.org/doc/stable/reference/arrays.indexing.html |
array[0:3]
|
选择索引为 0, 1和 2 | https://numpy.org/doc/stable/reference/arrays.indexing.html |
array[0:2,1]
|
选择第0,1行，第1列 | https://numpy.org/doc/stable/reference/arrays.indexing.html |
array[:1]
|
选择第0行数据项 (与[0:1, :]相同) | https://numpy.org/doc/stable/reference/arrays.indexing.html |
array[1:2, :]
|
选择第1行 | https://numpy.org/doc/stable/reference/arrays.indexing.html |
| [comment]: <> " |
array[1,...]
|
等同于 array[1,:,:] |
array[ : :-1]
|
反转数组 | 同上 |
举例
b = np.array([(1, 2, 3), (4, 5, 6)])# The index *before* the comma refers to *rows*,
# the index *after* the comma refers to *columns*
print(b[0:1, 2])
>>> [3]print(b[:len(b), 2])
>>> [3 6]print(b[0, :])
>>> [1 2 3]print(b[0, 2:])
>>> [3]print(b[:, 0])
>>> [1 4]c = np.array([(1, 2, 3), (4, 5, 6)])
d = c[1:2, 0:2]
print(d)
>>> [[4 5]]切片举例
import numpy as np
a1 = np.arange(0, 6)
a2 = np.arange(10, 16)
a3 = np.arange(20, 26)
a4 = np.arange(30, 36)
a5 = np.arange(40, 46)
a6 = np.arange(50, 56)
a = np.vstack((a1, a2, a3, a4, a5, a6))生成矩阵和切片图示
五、小技巧
布尔索引
# Index trick when working with two np-arrays
a = np.array([1,2,3,6,1,4,1])
b = np.array([5,6,7,8,3,1,2])# Only saves a at index where b == 1
other_a = a[b == 1]
#Saves every spot in a except at index where b != 1
other_other_a = a[b != 1]import numpy as np
x = np.array([4,6,8,1,2,6,9])
y = x > 5
print(x[y])
>>> [6 8 6 9]# Even shorter
x = np.array([1, 2, 3, 4, 4, 35, 212, 5, 5, 6])
print(x[x < 5])
>>> [1 2 3 4 4]Python Numpy知识 - 简约而不简单的 Numpy 小抄表（语法、代码）相关推荐
- 【Python】简约而不简单|值得收藏的Numpy小抄表（含主要语法、代码）
Numpy是一个用python实现的科学计算的扩展程序库,包括: 1.一个强大的N维数组对象Array: 2.比较成熟的(广播)函数库: 3.用于整合C/C++和Fortran代码的工具包: 4.实用 ...
- 【Python】简约而不简单的Numpy小抄表（含主要语法、代码）
Numpy是一个用python实现的科学计算的扩展程序库,包括: 1.一个强大的N维数组对象Array: 2.比较成熟的(广播)函数库: 3.用于整合C/C++和Fortran代码的工具包: 4.实用 ...
- 简约而不简单|值得收藏的Numpy小抄表（含主要语法、代码）
Numpy是一个用python实现的科学计算的扩展程序库,包括: 1.一个强大的N维数组对象Array: 2.比较成熟的(广播)函数库: 3.用于整合C/C++和Fortran代码的工具包: 4.实用 ...
- 小白学数据 | 28张小抄表大放送：Python,R,大数据,机器学习
1. Python的数据科学快速入门指南 如果你刚入门Python,那么这张小抄表非常适合你.查看这份小抄表,你将获得循序渐进学习Python的指导.它提供了Python学习的必备包和一些有用的学习技 ...
- 小白学数据_|_28张小抄表大放送：Python,R,大数据,机器学习
1. Python的数据科学快速入门指南 如果你刚入门Python,那么这张小抄表非常适合你.查看这份小抄表,你将获得循序渐进学习Python的指导.它提供了Python学习的必备包和一些有用的学习技 ...
- 傅里叶变换表_Numpy库小抄表！主要语法和代码都在这里啦
用户2769421 | 作者 腾讯云 云+社区 | 来源 Numpy是一个用python实现的科学计算的扩展程序库,包括: 一个强大的N维数组对象Array: 比较成熟的(广播)函数库: 用于整合C/ ...
- 300张小抄表搞定机器学习知识点：学习根本停不下来！
入坑数据科学和人工智能的同学都知道,机器学习是一个集合了计算机.统计学和数学知识的交叉领域,除了日常练习,也需要很多枯燥的记忆和理解.单纯读书不容易串联概念,又容易忘记. 可能你和我一样,读了无数遍& ...
- 像背单词一样搞定机器学习关键概念：300张小抄表满足你的所有AI好奇
入坑数据科学和人工智能的同学都知道,机器学习是一个集合了计算机.统计学和数学知识的交叉领域,除了日常练习,也需要很多枯燥的记忆和理解.单纯读书不容易串联概念,又容易忘记. 可能你和文摘菌一样,读了无数 ...
- 分享一个有趣的小抄表——机器学习关键概念
点击上方"AI算法与图像处理",选择加"星标"或"置顶" 重磅干货,第一时间送达 这个小抄来自Chris Albon博士,是一位很有热情的机 ...
最新文章
- 通过OKR复盘会议你会学到哪些？
- mysql replace语句
- 神策数据王灼洲：如何进行有效的数据治理，提升数据价值？
- 86句管理名言:管理=勤奋+智慧+知识+心理学
- Windows Azure 真实案例：CCH 财政服务独立软件开发商（ISV）通过托管服务获得了灵活性并节省成本...
- CodeForces - 1364C Ehab and Prefix MEX(贪心+构造)
- xcode 连接 github 进行代码版本控制
- 前端学习（1675）：前端系列实战课程之无缝滚动思路
- 字符变量赋值规则_Java的常量、变量、数据类型（基础篇二）
- 介绍几个专门面向中文的命名实体识别和关系抽取工具
- Python进阶(六)文件操作
- 收入没有大幅增加，苹果提高手机价格影响销量
- Lattice Diamond 的安装以及license的获取
- oracle导出自增设置,教程方法;oracle中如何设置自增主键电脑技巧-琪琪词资源网...
- 《Python编程：从入门到实践》配套源代码下载
- 旧电脑利用：windows网页版魔镜【不需树莓派】
- html 如何设置选择图片,html中如何设置默认图片？
- 计算机原理考研题库,计算机组成原理考研题库_圣考资料网
- STM32F103ZE TFT液晶代码移植
- 网易《大唐》产品经理赵青采访