numpy学习笔记

NumPy 简介

NumPy 是 Python 中用于数值计算的第三方库，名称来自 Numerical Python，意思是“数值计算的 Python”。

它的核心是多维数组 ndarray，方便我们存储数据，并对大量数据进行数学运算。

np的属性

import numpy as np

array = np.array([[1,2,3],
                  [2,3,4]
                  ])

print(array)
print('number of dim:', array.ndim)  #np数组的维度
print('shape:', array.shape)         #np数组的形状
print('size:', array.size)           #np数组的元素总个数

np的创建 array

• dtype= data type，数组内元素的数据类型

a = np.array([1,2,3],dtype=np.int64)
print(a)
a = np.array([1,2,3],dtype=np.float64)
print(a)

 

• 零矩阵和一矩阵

a = np.zeros((3,4))
print(a)
a = np.ones((3,4))
print(a)

 

• 有序数列的创建 np.arange(start,stop,step)

a = np.arange(10,20,2)
print(a)

 

• reshape()变换列表形状

a = np.arange(12).reshape(3,4)
print(a)

 

• 生成线段 linspace(start,stop,num) , num表示start和stop之间有多少个节点

a = np.linspace(1,10,6)
print(a)

numpy的基础运算

• np数组的四则运算，直接对数组操作

a = np.array([10,20,30,40])
b = np.arange(4)
print(a,b)

c = a-b
print(c)

c = a+b
print(c)

c = b**2
print(c)

 

• 通过print()使用条件表达式筛选数据

b = np.arange(4)
print(b)
print(b<3)
print(b==2)

 

• 数组的各元素相乘和矩阵相乘

a = np.array([[1,1],
              [0,1]])
b = np.arange(4).reshape(2,2)
print(a,b,sep="\n")

c = a*b                 #a的各元素与b对应元素相乘
c_dot = np.dot(a,b)     #矩阵相乘

print(c)
print(c_dot)

 

• 在np数组中找到特定的元素

a = np.random.random((2,4))     #生成2行4列的0-1之间的随机数

print(a)
print(np.sum(a))
print(np.min(a))
print(np.max(a))

 

• axis的用法
  axis=0表示对列进行操作，axis=1表示对行进行操作

print(np.sum(a,axis=0))     #对于二维数组，axis=0表示对列进行操作，axis=1表示对行进行操作
print(np.min(a,axis=1))
print(np.max(a,axis=0))

 

• 其他函数的用法

a = np.arange(2,14).reshape(3,4)
print(a)
print(np.argmin(a))         #最小值的索引
print(np.argmax(a))         #最大值的索引
print(np.mean(a))           #平均值
print(np.median(a))         #中位数
print(np.cumsum(a))         #累加

a = np.array([[1,0,5,2],
              [4,1,8,5],
              [8,7,3,9]])
print(np.diff(a))           #用来计算数组中相邻元素之间的差值, 后一个元素 − 前一个元素
print(np.nonzero(a))        #非零元素在数组中的位置
print(np.transpose(a))      #矩阵转置
print(np.clip(a,4,7))       #把数组中的元素限制在指定范围内

a = np.arange(3,15).reshape(3,4)
print(a.flatten())    #压缩为1维矩阵

numpy的array合并

• 把两个数组上下合并和左右合并

a = np.array([1,1,1])
b = np.array([2,2,2])
c = np.vstack((a,b))        #上下合并
print(c)
d = np.hstack((a,b))        #左右合并
print(d)

 

• 当我们需要把a和b转置后的数组进行合并时，我们先用a.T来看一下结果

a = np.array([1,1,1])
print(a.T)

     结果还是没变，这是因为a是一个一维数组，a.T并不对一维数生效
     我们可以使用[:,np.newaxis]来增加一列，[np.newaxis,:]来增加一行。: 表示原来的维度，在这个例子中就是3

a = np.array([1,1,1])
print(a[:,np.newaxis])  

a = np.array([1,1,1])[:,np.newaxis]
b = np.array([2,2,2])[:,np.newaxis]
c = np.hstack((a,b))
d = np.vstack((a,b))
print(c)
print(d)

 

numpy的array分割

• np.split()只能把数组分成等份的数组，而np.array_split可以分成不等份的数组

a = np.arange(12).reshape(3,4)
print(a)
print(np.split(a,2,axis=1))        #axis=1表示对行进行操作，axis=0表示对列进行操作
print(np.split(a,3,axis=0))
print(np.array_split(a,3,axis=1))

 

numpy的copy和deep copy

• 在numpy中，如果把一个变量赋值给另一个变量，则新的变量就是完完全全的被赋值的变量，即这两个变量指向同一块内存

a = np.array([1,2,3,4])
print(a)
a[0] = 11
b = a
print(b)
c = a
print(c)
d = b
print(d)

     同理，改变d的值同样也会改变a，b，c的值

d[1:3] = [22,33]
print(d)
print(a)
print(b)
print(c)

     如果我们只想单纯的把a赋值给b，但是不想把两者关联起来，就可以使用到np.copy()，即deep copy

b = np.copy(a)
a[3] = 44
print(a)
print(b)

 

✨ Process finished successfully!