Numpy
学习莫烦python,非常感谢~记录自己在学习python过程中的点滴。
Numpy 安装
- Anaconda安装
- pip安装
Numpy的属性
-
ndim
:维度 -
shape
:行数和列数 -
size
:元素个数
参考代码:
import numpy as np
array = np.array([[1,2,3],
[4,5,6]])
print(array)
print('number of dim:',array.ndim) # 维度
print('shape :',array.shape) # 行数和列数
print('size:',array.size) # 元素个数
>>>
[[1 2 3]
[4 5 6]]
number of dim: 2
shape : (2, 3)
size: 6
Numpy创建array
-
array
:创建数组 -
dtype
:指定数据类型 -
zeros
:创建数据全为0 -
ones
:创建数据全为1 -
empty
:创建数据接近0 -
arrange
:按指定范围创建数据 -
linspace
:创建线段 -
reshape
:改变数据的形状
创建数组:
a = np.array([2,23,4]) # list 1d
print(a)
>>>
[2 23 4]
指定数据类型:
a = np.array([2,23,4],dtype=np.int)
print(a.dtype)
>>>
int 64
a = np.array([2,23,4],dtype=np.float)
print(a.dtype)
>>>
float64
创建特定数据:
a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列
print(a)
>>>
[[ 2 23 4]
[ 2 32 4]]
# 创建全零数组
a = np.zeros((3,4)) # 数据全为0,3行4列
>>>
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
# 创建全一数组, 同时也能指定这些特定数据的 dtype:
a = np.ones((3,4),dtype = np.int) # 数据为1,3行4列
>>>
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
# 创建全空数组, 其实每个值都是接近于零的数:
a = np.empty((2,3)) # 数据为empty,2行3列
>>>
array([[9.14670441e-312 9.14670441e-312 9.14684911e-312]
[9.14669205e-312 9.14685891e-312 9.14670438e-312]])
# 用 arange 创建连续数组:
a = np.arange(10,20,2) # 10-19 的数据,2步长
>>>
array([10, 12, 14, 16, 18])
# 使用 reshape 改变数据的形状
a = np.arange(12).reshape((3,4)) # 3行4列,0到11
>>>
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
# 用 linspace 创建线段型数据:
a = np.linspace(1,10,6) # 开始端1,结束端10,且分割成6个数据,生成线段
>>>
array([ 1. 2.8 4.6 6.4 8.2 10. ])
# 同样也能进行 reshape 工作:
a = np.linspace(1,10,6).reshape((2,3)) # 更改shape
>>>
array([[ 1. 2.8 4.6]
[ 6.4 8.2 10. ]])
Numpy 基础运算1
-
+
:加法运算 -
-
:减法运算 -
*
:乘法运算,对应矩阵中的点乘 -
**
:乘方运算 -
/
:除法运算 -
//
:整除运算,结果为整数 -
np.dot()
:矩阵乘法 -
np.sin()
:正弦运算,类似的还有cos()
,tanh()
等其他三角函数 -
np.sum()
:求和运算,类似的还有min()
,max()
等运算
import numpy as np
a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
b=np.arange(4) # array([0, 1, 2, 3])
c=a-b # 减法
>>>
array([10, 19, 28, 37])
c=a+b # 加法
>>>
array([10, 21, 32, 43])
c=b**2 # 乘方
>>>
array([0, 1, 4, 9])
c=10*np.sin(a)
>>>
array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
# 2维矩阵
a=np.array([[1,1],[0,1]])
b=np.arange(4).reshape((2,2))
print(a)
print(b)
>>>
array([[1, 1],
[0, 1]])
array([[0, 1],
[2, 3]])
# 矩阵乘法
c_dot = np.dot(a,b)
c_dot_2 = a.dot(b)
>>>
array([[2, 4],
[2, 3]])
array([[2, 4],
[2, 3]])
# sum(), min(), max()的使用
a=np.random.random((2,4))
print(a)
np.sum(a)
np.min(a)
np.max(a)
>>>
array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ],
[ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
4.4043622002745959
0.23651223533671784
0.90438450240606416
# 坐标轴细节操作
print("sum =",np.sum(a,axis=1))
print("min =",np.min(a,axis=0))
print("max =",np.max(a,axis=1))
>>>
sum = [ 1.96877324 2.43558896]
min = [ 0.23651224 0.41900661 0.36603285 0.46456022]
max = [ 0.84869417 0.9043845 ]
Numpy 基础运算2
-
argmin()
:求矩阵中最小元素的索引 -
argmax()
:求矩阵中最大元素的索引 -
mean()
:求均值运算 -
median
:求中位数运算 -
cumsum()
:累加和运算 -
diff()
:累差运算函数 -
nonzero()
:将所有非零元素的行与列坐标分割开,重构成两个分别关于行和列的矩阵。 -
sort()
:排序操作,默认对每一行进行从小到大排序操作 -
transpose()
:转置操作,把矩阵进行转置 -
clip()
:修剪运算,把Array数值范围限定在Array_min,Array_max之间。
参考代码:
import numpy as np
A = np.arange(2,14).reshape((3,4))
# array([[ 2, 3, 4, 5]
# [ 6, 7, 8, 9]
# [10,11,12,13]])
# 最大值最小值索引
print(np.argmin(A)) # 0
print(np.argmax(A)) # 11
# 平均值
print(np.mean(A)) # 7.5
print(np.average(A)) # 7.5
print(A.mean()) # 7.5
# 中位数
print(A.median()) # 7.5
# 累加函数
print(np.cumsum(A))
# [2 5 9 14 20 27 35 44 54 65 77 90]
# 累差函数
print(np.diff(A))
# [[1 1 1]
# [1 1 1]
# [1 1 1]]
# nonzero()函数
print(np.nonzero(A))
# (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))
import numpy as np
A = np.arange(14,2, -1).reshape((3,4))
# array([[14, 13, 12, 11],
# [10, 9, 8, 7],
# [ 6, 5, 4, 3]])
# 排序
print(np.sort(A))
# array([[11,12,13,14]
# [ 7, 8, 9,10]
# [ 3, 4, 5, 6]])
# 转置
print(np.transpose(A))
print(A.T)
# array([[14,10, 6]
# [13, 9, 5]
# [12, 8, 4]
# [11, 7, 3]])
# array([[14,10, 6]
# [13, 9, 5]
# [12, 8, 4]
# [11, 7, 3]])
# clip()函数
print(A)
# array([[14,13,12,11]
# [10, 9, 8, 7]
# [ 6, 5, 4, 3]])
print(np.clip(A,5,9))
# array([[ 9, 9, 9, 9]
# [ 9, 9, 8, 7]
# [ 6, 5, 5, 5]])
更多具体的使用细节请记得查阅Numpy官方英文教材
Numpy 的索引
-
[index]
:一维索引 -
[row][col]
:二维索引,也可写成[row,col]
一维索引:
import numpy as np
A = np.arange(3,15)
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
print(A[3]) # 6
A = np.arange(3,15).reshape((3,4))
"""
array([[ 3, 4, 5, 6]
[ 7, 8, 9, 10]
[11, 12, 13, 14]])
"""
print(A[2])
# [11 12 13 14]
二维索引:
print(A[1][1]) # 8
print(A[1, 1]) # 8
print(A[1, 1:3]) # [8 9]
# 使用for循环打印行
for row in A:
print(row)
"""
[ 3, 4, 5, 6]
[ 7, 8, 9, 10]
[11, 12, 13, 14]
"""
# 使用for循环打印列
for column in A.T:
print(column)
"""
[ 3, 7, 11]
[ 4, 8, 12]
[ 5, 9, 13]
[ 6, 10, 14]
"""
# 迭代输出
print(A.flatten())
# array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
for item in A.flat:
print(item)
# 3
# 4
……
# 14
Numpy array 合并
-
np.vstack()
:对矩阵进行上下合并 -
np.hstack()
:对矩阵进行左右合并 -
np.newaxis()
:添加维度,例如把list变为array -
np.concatenate()
:对矩阵进行合并,可以指定合并维度
参考代码:
import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
# 垂直(上下)合并
print(np.vstack((A,B))) # vertical stack
"""
[[1,1,1]
[2,2,2]]
"""
# 水平(左右)合并
D = np.hstack((A,B)) # horizontal stack
print(D)
# [1,1,1,2,2,2]
# 增加维度
print(A[np.newaxis,:])
# [[1 1 1]]
print(A[np.newaxis,:].shape)
# (1,3)
print(A[:,np.newaxis])
"""
[[1]
[1]
[1]]
"""
print(A[:,np.newaxis].shape)
# (3,1)
# 矩阵合并-纵向
C = np.concatenate((A,B,B,A),axis=0)
print(C)
"""
array([[1],
[1],
[1],
[2],
[2],
[2],
[2],
[2],
[2],
[1],
[1],
[1]])
"""
# 矩阵合并-横向
D = np.concatenate((A,B,B,A),axis=1)
print(D)
"""
array([[1, 2, 2, 1],
[1, 2, 2, 1],
[1, 2, 2, 1]])
"""
Numpy array 分割
-
np.vsplit()
:对矩阵进行按行分割 -
np.hsplit()
:对矩阵进行按列分割 -
np.split()
:对矩阵进行按列分割,按照指定维度 -
np.array_split()
:对矩阵进行不等量分割
参考代码:
# 横向分割:从左到右分割(hsplit,axis=1)
# 纵向分割:从上到下分割(vsplit,axis=0)
import numpy as np
A = np.arange(12).reshape((3, 4))
print(A)
"""
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
"""
# 纵向分割
print(np.split(A, 2, axis=1))
"""
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
"""
# 横向分割
print(np.split(A, 3, axis=0))
# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
# 错误分割
print(np.split(A, 3, axis=1))
# ValueError: array split does not result in an equal division
# 不等量分割
print(np.array_split(A, 3, axis=1))
"""
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
"""
# 其他分割方式
print(np.vsplit(A, 3)) #等于 print(np.split(A, 3, axis=0))
# [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
print(np.hsplit(A, 2)) #等于 print(np.split(A, 2, axis=1))
"""
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
"""
Numpy copy & deep copy
-
=
的赋值方式会带有关联性 -
copy()
的赋值方式没有关联性
参考代码:
import numpy as np
a = np.arange(4)
# array([0, 1, 2, 3])
b = a
a[0] = 11
print(a)
# array([11, 1, 2, 3])
b is a # True
b[1:3] = [22, 33] # array([11, 22, 33, 3])
print(a) # array([11, 22, 33, 3])
print(b) # array([11, 22, 33, 3])
b = a.copy() # deep copy
print(b) # array([11, 22, 33, 3])
a[3] = 44
print(a) # array([11, 22, 33, 44])
print(b) # array([11, 22, 33, 3])
再次感谢莫烦python
网友评论