1、引入numpy库
import numpy as np
2、创建数组
'''创建新的数组'''
1、a = np.array([1,2,3,4,5]) --->array([1, 2, 3, 4, 5])
2、c = np.array([[1,2],[5,6],[9,10]])
--->
array([[ 1, 2],
[ 5, 6],
[ 9, 10]])
3、x = np.empty((3,2,1), dtype = np.int8)
# empty创建随机数数组，zeros都是0的数组，ones都是1的数组
--->
[[[ 0]
[1072168960]]
[[ 0]
[1072168960]]
[[ 0]
[ 0]]]
'''根据已有的列表或元组创建数组'''
x = [1,2,3]
a = np.asarray(x) ---> [1 2 3]
'''自动构造数组arange\linspace\logspace'''
g = np.arange(0,10,1).reshape(2,-1) #以序列方式构造数组，1表示步长
--->
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
------------------------------------------------------------------------------------------
h = np.linspace(0,10,5) #以等差的方式构造数组，5表示数组中元素个数
--->array([ 0. , 2.5, 5. , 7.5, 10. ])
------------------------------------------------------------------------------------------
i = np.logspace(0,10,5) #以等比的方式构造数组，5表示数组中元素个数
--->array([ 1.00000000e+00, 3.16227766e+02, 1.00000000e+05,
3.16227766e+07, 1.00000000e+10])
'''高级构造数组法'''
def func(i):
return i%4+1
np.fromfunction(func,[5,]) #fromfunction函数的第一个参数为计算每个数组元素的函数，第二个参数为数组的大小(shape)
--->array([ 1., 2., 3., 4., 1.])
关于fromfunction的源代码：
def fromfunction(function, shape, **kwargs):
dtype = kwargs.pop('dtype', float)
args = indices(shape, dtype=dtype)
return function(*args,**kwargs)
-----------------------------------------------------------------------------------
np.fromfunction(lambda x,y : 5*x + y,(4,4)) #x，y代表行列索引
--->
[[ 0. 1. 2. 3.]
[ 5. 6. 7. 8.]
[ 10. 11. 12. 13.]
[ 15. 16. 17. 18.]]
3、数组的基本属性
'''示例数组'''
a = np.array([[1,2],[5,6],[9,10]])
--->
array([[ 1, 2],
[ 5, 6],
[ 9, 10]])
#数组类型
type(a) --->numpy.ndarray
#数据类型
a.dtype --->dtype('int32')
#数组的轴数量（秩）
a.ndim --->2
#数组的长度
a.size --->6
#数组的形状
a.shape --->(3, 2)
4、数组切片/索引
'''一维数组索引'''
a = np.arange(10)
s = slice(2,7,2) #等同于 b = a[2:7:2]
print a[s] --->[2 4 6]
'''二维数组索引'''
（1）
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a[...,1]) --->[2 4 5] #取第二列
print(a[1,...]) --->[3 4 5] #取第二行
print(a[...,1:]) # 取第二行第二列
--->[[2 3]
[4 5]
[5 6]]
（2）
x = np.array([[1, 2], [3, 4], [5, 6]])
--->[[1, 2],
[3, 4],
[5, 6]]
y = x[[0,1,2], [0,1,0]] --->[1, 4, 5]
#[0,1,2]代表行数，[0,1,0]代表列数，即(0,0),(1,1),(2,0)
（3）
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
--->[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
rows = np.array([[3,3],[0,1],[1,1]])
cols = np.array([[0,2],[1,1],[0,0]])
y = x[rows,cols]
--->[[ 9 11] #(3,0)=9,(3,2)=11
[ 1 4] #(0,1)=1,(1,1)=4
[ 3 3]] #(1,0)=3,(1,0)=3
（4）
1、创建数组
a =np.arange(0,60,10).reshape(-1,1)+np.arange(6)
--->
array([[ 0, 1, 2, 3, 4, 5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[30, 31, 32, 33, 34, 35],
[40, 41, 42, 43, 44, 45],
[50, 51, 52, 53, 54, 55]])
2、多维数组的引用
a[(1,2),(1,2)]
--->array([11, 22])
a[3:,(0,2,5)]
--->array([[30, 32, 35],
[40, 42, 45],
[50, 52, 55]])
a[0,1] == a[0][1]
--->True
'''布尔索引'''
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print(x[x > 5]) --->[ 6 7 8 9 10 11]
4、数组的广播
a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]]) #a数组2维4行3列
--->[[ 0. 0. 0.]
[ 10. 10. 10.]
[ 20. 20. 20.]
[ 30. 30. 30.]]
b = np.array([1.0,2.0,3.0]) --->[ 1. 2. 3.] #b数组1维1行3列
print(a+b) #列数相同，行数相同或行数=1 的数组可加减乘除
--->[[ 1. 2. 3.]
[ 11. 12. 13.]
[ 21. 22. 23.]
[ 31. 32. 33.]]
图示
5、数组的迭代
'''按单个元素迭代'''
a = np.arange(0,60,5).reshape(4,3)
--->[[ 0 5 10]
[15 20 25]
[30 35 40]
[45 50 55]]
for x in np.nditer(a): #nditer可以遍历数组元素
print(x,end = ',')
--->0,5,10,15,20,25,30,35,40,45,50,55,
'''按一维数组迭代'''
for y in np.nditer(a, flags = ['external_loop'], order ='F'): #！同上面区别
print(y)
--->[ 0 15 30 45]
[ 5 20 35 50]
[10 25 40 55]
'''对两个数组同时迭代'''
a = np.arange(0,60,5).reshape(4,3) #同上例的a
b = np.array([1, 2, 3])
for x,y in np.nditer([a,b]):
print (x,':',y,end='|')
--->0 : 1||5 : 2||10 : 3||15 : 1||20 : 2||25 : 3||30 : 1||35 : 2||40 : 3||45 : 1||50 : 2||55 : 3||
'''迭代过程中可以对元素进行运算'''
for x in np.nditer(a, op_flags=['readwrite']):
x[...]=2*x
print(x,end=',')
--->0,10,20,30,40,50,60,70,80,90,100,110,
6、数组的操作
'''数组大小shape 、 重组数组形状reshape'''
a = np.array([1,2,3,4,5])
c = np.array([[1,2],[5,6],[9,10]])
a.shape ---> (5,)
c.shape ---> (3, 2)
c.shape = 6,1 #重组数组形状 改变原值，第2个参数为-1时将根据数组元素的个数自动计算此轴的长度
--->
array([[ 1],
[ 2],
[ 5],
[ 6],
[ 9],
[10]])
c.reshape(3,-1) #重组数组形状 ， 但不改变原值
c --->
array([[ 1],
[ 2],
[ 5],
[ 6],
[ 9],
[10]])
d = c.reshape(3,-1)
d
--->
array([[ 1, 2],
[ 5, 6],
[ 9, 10]])
---------------------------------------------------------------------------------------------------------
c[0][0] = 100 #注意：改变c的值同样改变d的值
c
--->
array([[100],
[ 2],
[ 5],
[ 6],
[ 9],
[ 10]])
d
--->
array([[100, 2],
[ 5, 6],
[ 9, 10]])
'''多维数组转一维'''
a = np.arange(8).reshape(2,4)
--->[[0 1 2 3]
[4 5 6 7]]
a.flatten() --->[0 1 2 3 4 5 6 7] #作用 = a.ravel()
a.flat[5] --->5
'''数组转置'''
a = np.arange(8).reshape(2,4)
--->[[0 1 2 3]
[4 5 6 7]]
np.transpose(a) #转置，作用 = a.T
--->[[0 4]
[1 5]
[2 6]
[3 7]]
'''数组按轴翻转'''
a = np.arange(8).reshape(2,2,2)
--->[[[0 1]
[2 3]]
[[4 5]
[6 7]]]
np.rollaxis(a,2,0) #轴滚动规则：4=a[1][0][0] ---> 4=a[0][1][0]
--->[[[0 2]
[4 6]]
[[1 3]
[5 7]]]
np.swapaxes(a,2,0) #轴交换规则：1=a[0][0][1] ---> 1=a[1][0][0]把第3个轴和第1个轴交换
--->
array([[[0, 4],
[2, 6]],
[[1, 5],
[3, 7]]])
'''删除一维条目'''
x = np.arange(9).reshape(1,3,3) #x形状（1，3，3）
--->[[[0 1 2]
[3 4 5]
[6 7 8]]]
y = np.squeeze(x) #删除后y形状（3，3）
--->[[0 1 2]
[3 4 5]
[6 7 8]]
'''数组连接'''
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])
print( np.concatenate((a,b))) #！ 两个数组的维度必须相同
--->[[1 2]
[3 4]
[5 6]
[7 8]]
print( np.concatenate((a,b),axis = 1)) #延轴1连接
--->[[1 2 5 6]
[3 4 7 8]]
'''数组分割'''
a = np.arange(8)
#必须按等分分割
b = np.split(a,4) --->[array([0, 1]), array([2, 3]), array([4, 5]), array([6, 7])]
#可以分割出指定的数组
b = np.split(a,[4,7]) --->[array([0, 1, 2, 3]), array([4, 5, 6]), array([7])]
----------------------------------------------------------------------------------------------
A = np.arange(16).reshape(4,4)
--->
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
#水平切分，按宽度切分
[B,C] = np.hsplit(A,2)
B
--->
array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]])
C
--->
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])
#垂直切分，按高度切分
[D,E] = np.vsplit(A,2)
--->
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
E
--->
array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])
'''向数组添加数据'''
a = np.array([[1,2,3],[4,5,6]])
#没有提供轴数，原始数组会被展开
print( np.append(a, [7,8,9])) --->[1 2 3 4 5 6 7 8 9]
#按轴0方向添加
print( np.append(a, [[7,8,9]],axis = 0))
--->[[1 2 3]
[4 5 6]
[7 8 9]]
#添加到数组必须和原数组大小相等
print( np.append(a, [[5,5,5],[7,8,9]],axis = 1))
--->[[1 2 3 5 5 5]
[4 5 6 7 8 9]]
'''向数组插入数据'''
a = np.array([[1,2],[3,4]])
#同append，未传递 Axis 参数。 在插入之前输入数组会被展开
print( np.insert(a,3,[11,12]))
--->[ 1 2 3 11 12 4]
#沿轴 0 广播
print( np.insert(a,1,[11],axis = 0))
--->[[ 1 2]
[11 11]
[ 3 4]]
#沿轴 1 广播
print( np.insert(a,1,11,axis = 1))
--->[[ 1 11 2]
[ 3 11 4]]
'''数组去重复'''
a = np.array([5,2,6,2,7,5,6,8,2,9])
#去重结果：
u = np.unique(a) --->[2 5 6 7 8 9]
#去重数组的索引数组：
u,indices = np.unique(a, return_index = True) --->[1 0 2 4 7 9]
#返回去重元素的重复数量：
u,indices = np.unique(a,return_counts = True)
--->[2 5 6 7 8 9]
[3 2 2 1 1 1]
'''改变数组中的数值类型'''
a = np.array([1,2,3,4,5])
a.dtype ---> dtype('int32')
a = np.array([1,2,3,4,5],dtype = np.float) #dtype = np.complex为复数
a.dtype ---> array([ 1., 2., 3., 4., 5.]) dtype('float64')
'''指定数据类型'''
#构建一个数据格式类型元组
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
#以元组形式赋值
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)
print(student) ---> [('name', 'S20'), ('age', 'i1'), ('marks', '<f4')]
print(a) ---> [(b'abc', 21, 50.) (b'xyz', 18, 75.)]
'''数组排序，返回值'''
a = np.array([[3,7],[9,1]])
--->[[3, 7]
[9, 1]]
np.sort(a) #默认按a[max]排序，返回值
--->[[3, 7],
[1, 9]]
np.sort(a,axis = 0) #按轴0排序
--->[[3, 1],
[9, 7]]
-------------------------------------------------------------------------------------
'''数组排序，返回索引'''
x = np.array([3, 1, 2])
np.argsort(x) --->array([1, 2, 0], dtype=int64) #返回索引值，同上区别
'''对字段排序'''
dt = np.dtype([('name', 'S10'),('age', int)])
a = np.array([("raju",21),("anil",25),("ravi", 17), ("amar",27)], dtype = dt)
np.sort(a,order = 'age') #指定需要排序的字段
--->array([(b'ravi', 17), (b'raju', 21), (b'anil', 25), (b'amar', 27)],dtype=[('name', 'S10'), ('age', '<i4')])
'''按条件查找1'''
a = np.array([1.0,5.55, 123, 0.567, 25.532])
#根据条件返回索引
np.where(a>10) --->(array([2, 4], dtype=int64),)
#根据索引返回值
a[np.where(a>10)] --->array([ 123. , 25.532])
-------------------------------------------------------------------------
'''另一种直接返回值的方法'''
np.extract(a>10,a) --->array([ 123. , 25.532])
'''按条件查找2'''
#条件数组
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
--->[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
#待查找的函数
y = np.random.rand(4,3)
--->[[ 0.58863932 0.30323212 0.69433913]
[ 0.42826112 0.26868396 0.1792074 ]
[ 0.27208391 0.66650392 0.05543131]
[ 0.50812218 0.98126265 0.41180628]]
#简单查找
print(y[x>5]) #等于np.extract(x>5,y)
--->[ 0.27208391 0.66650392 0.05543131 0.50812218 0.98126265 0.41180628]
#！多个并列条件查找，条件之间用&
print(y[(x>5) & (x%2==0)] )
--->[ 0.27208391 0.05543131 0.98126265]
#！多个可选条件查找，条件之间用|
print(y[(x>5) | (x%2==0)] )
--->[ 0.58863932 0.69433913 0.26868396 0.27208391 0.66650392 0.05543131
0.50812218 0.98126265 0.41180628]
7、数组的算数函数和运算
a = np.array([1.0,5.55, 123, 0.567, 25.532])
#四舍五入
np.around(a) --->[ 1. 6. 123. 1. 26.] #默认保留到个位
np.around(a, decimals = 1) --->[ 1. 5.6 123. 0.6 25.5] #保留1位小数
np.around(a, decimals = -1) --->[ 0. 10. 120. 0. 30.] #对个位数四舍五入
#向上取整，即标量x 的下限是最大的整数i ，使得i <= x
np.floor(a) --->[ 1. 5. 123. 0. 25.]
#向下取整，即标量x的上限是最小的整数i ，使得i> = x
print(np.ceil(a)) --->[ 1. 6. 123. 1. 26.]
'''求数组倒数'''
a = np.array([0.25, 1.33, 1, 100])
np.reciprocal(a) --->[ 4. 0.7518797 1. 0.01 ]
#！对任何大于1的整数求倒数，结果都为0
b = np.array([100], dtype = int)
np.reciprocal(b) --->[0]
'''数组幂运算'''
a = np.array([10,100,1000])
np.power(a,2) --->[ 100 10000 1000000]
b = np.array([1,2,3])
np.power(a,b) --->[ 10 10000 1000000000] #两个数组形状必须一致
'''数组求余数'''
a = np.array([10,20,30])
b = np.array([3,5,7])
np.remainder(a,b) --->[1 0 2]
'''矩阵积'''
A = np.arange(0,9).reshape(3,3)
--->
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
B = np.ones((3,3))
--->
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])
A*B
--->
array([[ 0., 1., 2.],
[ 3., 4., 5.],
[ 6., 7., 8.]])
--------------------------------------------------
A.dot(B)
--->
array([[ 3., 3., 3.],
[ 12., 12., 12.],
[ 21., 21., 21.]])
--------------------------------------------------
B.dot(A)
--->
array([[ 9., 12., 15.],
[ 9., 12., 15.],
[ 9., 12., 15.]])
'''矩阵的自增自减'''
A += 1 #减法同理
--->
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
A *= 10
--->
array([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
'''通用函数'''
np.sqrt(A)
--->
array([[ 3.16227766, 4.47213595, 5.47722558],
[ 6.32455532, 7.07106781, 7.74596669],
[ 8.36660027, 8.94427191, 9.48683298]])
np.log(A)
--->
array([[ 2.30258509, 2.99573227, 3.40119738],
[ 3.68887945, 3.91202301, 4.09434456],
[ 4.24849524, 4.38202663, 4.49980967]])
np.sin(A)
--->
array([[-0.54402111, 0.91294525, -0.98803162],
[ 0.74511316, -0.26237485, -0.30481062],
[ 0.77389068, -0.99388865, 0.89399666]])
'''聚合函数'''
A.sum() --->450
A.max() --->90
A.mean() --->50.0
A.std() --->25.819888974716111
8、数组的统计函数
'''最大值和最小值，值范围(最大值 - 最小值)'''
a = np.array([[3,7,5],[8,4,3],[2,4,9]])
--->[[3 7 5]
[8 4 3]
[2 4 9]]
np.amin(a) --->2 #最大值amax()，不指定轴就是对所有值求最小值
np.amin(a,axis = 0) --->[2 4 3] #指定0轴，就是按列取最小值
np.ptp(a) --->7 #求值范围(最大值 - 最小值)，即计算（9-2）
np.ptp(a,axis = 0) --->[6 3 6] #计算（8-2），（7-4），（9-3）
'''其他统计函数'''
a = np.array([[30,40,70],[80,20,10],[50,90,60]])
#求百分位数
np.percentile(a,50) --->50.0 #计算中位数，可加轴数[axis = ]
#求中值
np.median(a) --->50.0 #可加轴数[axis = ]
#求算数平均值
np.mean(a) --->50.0 #可加轴数[axis = ]
a = np.array([1,2,3,4])
#求加权平均值
wts = np.array([8,7,6,5]) #设定权重函数，必须与数组函数同形状，不设定则默认为求平均值
np.average(a,weights = wts) --->2.3076923076923075 #计算过程：(1*8+2*7+3*6+4*5)/(8+7+6+5)
#方差
np.var(a) --->1.25
#标准差
np.std(a) --->1.1180339887498949
9、Matplotlib库
'''例1：基本用法'''
import numpy as np
#导入Matplotlib库
from matplotlib import pyplot as plt
#设定x和y
x = np.arange(1,11)
y = x**2+5
#打印标题
plt.title("Matplotlib demo")
#打印x轴和y轴标签
plt.xlabel("x axis caption")
plt.ylabel("y axis caption")
#设置线段的格式
plt.plot(x,y,'m')
#输出图表
plt.show()
例1
'''例2：同时绘制多张图表'''
import numpy as np
#导入Matplotlib库
import matplotlib.pyplot as plt
# 计算正弦和余弦曲线上的点的 x 和 y 坐标
x = np.arange(0, 3 * np.pi, 0.1)
y_sin = np.sin(x)
y_cos = np.cos(x)
# 建立 subplot 网格，高为 2，宽为 1
plt.subplot(2, 1, 1)
# 绘制第一个图像
plt.plot(x, y_sin)
plt.title('Sine')
# 将第二个 subplot 激活，并绘制第二个图像
plt.subplot(2, 1, 2)
# 绘制第二个图像
plt.plot(x, y_cos)
plt.title('Cosine')
# 展示图像
plt.show()
例2
'''例3：绘制条形图'''
from matplotlib import pyplot as plt
x = [5,8,10]
y = [12,16,6]
x2 = [6,9,11]
y2 = [6,15,7]
#！bar()函数来生成条形图
plt.bar(x, y, align = 'center')
plt.bar(x2, y2, color = 'g', align = 'center')
plt.title('Bar graph')
plt.ylabel('Y axis')
plt.xlabel('X axis')
plt.show()
例3
10、数组的文件IO
'''保持为npy格式文件'''
a = np.array([1,2,3,4,5])
#保持为npy格式文件
np.save('outfile',a)
#读取npy文件
b = np.load('outfile.npy')
print(b) --->[1 2 3 4 5]
'''保持为txt格式文件'''
a = np.array([1,2,3,4,5])
#保持为npy格式文件
np.savetxt('out.txt',a)
#读取txt文件
b = np.loadtxt('out.txt')
print(b) --->[ 1. 2. 3. 4. 5.]
11、其他
'''赋值区别'''
python中的赋值：
a = [1,2,3,4,5]
b = a[1:3]
b[0] = 10
print(a) ---> [1, 2, 3, 4, 5]
print(b) ---> [10, 3]
----------------------------------------------------------------------------------------------
numpy的赋值：
a = np.arange(1,6)
b = a[1:3]
b[0] = 10
print(a) ---> [1, 10, 3, 4, 5] #改变b的值，a的值同时改变
print(b) ---> [10, 3]
'''数组元素的字节单位长度'''
x = np.array([1,2,3,4,5], dtype = np.int8)
y = np.array([1,2,3,4,5], dtype = np.int32)
z = np.array([1,2,3,4,5], dtype = np.float32)
print("x的字节单位长度：",x.itemsize) ---> x的字节单位长度： 1
print("y的字节单位长度：",y.itemsize) ---> y的字节单位长度： 4
print("z的字节单位长度：",z.itemsize) ---> z的字节单位长度： 4
网友评论