随笔分类 -  Numpy

介绍Numpy的主要使用功能
Numpy结构化数组
摘要：Numpy结构化数组 Numpy的结构化数组和记录数组为复合的、异构的的数据提供了非常有效的存储。 结构化数组 In [1]: import numpy as np In [2]: name = ['A','B','C','D'] In [3]: age = [23,34,23,45] In [4] 阅读全文
posted @ 2021-12-23 12:57 溪奇的数据 阅读(83) 评论(0) 推荐(0)
Numpy随机数组（random)
摘要：numpy.random()模块补充了Python内置random模块的一些功能，用于高效/高速生成一些概率分布的样本数组数据。 In [1]: import numpy as np In [2]: from random import normalvariate #从下面比较可以看到，numpy. 阅读全文
posted @ 2021-12-23 12:56 溪奇的数据 阅读(1238) 评论(0) 推荐(0)
Numpy线性计算
摘要：Numpy内置方法以及numpy.linalg模块可实现矩阵乘法、矩阵分解、矩阵行列式等线性代数的计算。 In [1]: import numpy as np In [2]: x = np.arange(6,dtype='float').reshape(2,3) In [3]: x Out[3]: 阅读全文
posted @ 2021-12-23 12:33 溪奇的数据 阅读(120) 评论(0) 推荐(0)
Numpy文件操作
摘要：Numpy可以以文本或二进制模式存储和读取数组数据。 np.save(file,array) ： 以二进制文件存储数组数据，文件后缀为.npy，可自动添加后缀。 np.savez(file, *args, **kwds)：以二进制文件不压缩存储多个数组数据到一个文件中，文件后缀为.npz。 np.s 阅读全文
posted @ 2021-12-23 12:24 溪奇的数据 阅读(165) 评论(0) 推荐(0)
常用的Numpy通用函数列表
摘要：官网来源：Universal functions (ufunc) — NumPy v1.21 Manual 数学运算（Math operations） 表达式 定义 add(x1, x2, /[, out, where, casting, order, …]) Add arguments eleme 阅读全文
posted @ 2021-12-17 17:04 溪奇的数据 阅读(169) 评论(0) 推荐(0)
Numpy通用函数及向量化计算
摘要：Python（Cpython)对于较大数组的循环操作会比较慢，因为Python的动态性和解释性，在做每次循环时，必须做数据类型的检查和函数的调度。 Numpy为很多类型的操作提供了非常方便的、静态类型的、可编译程序的接口，称为向量操作，通过通用函数实现，使数组中的数据运算执行效率更快。 In [3] 阅读全文
posted @ 2021-12-17 16:45 溪奇的数据 阅读(247) 评论(0) 推荐(0)
Numpy广播功能
摘要：广播（Broadcast）是对不同形状（shape）的数组进行数值计算的方式。 广播规则： 如果两个数组的维度数不相同，那么小维度数组的形状将会在最左边补1； 如果两个数组的形状在任何一个维度都不匹配，那么数组的形状会沿着维度为1的维度扩展以匹配另外一个数组的形状； 如果两个数组的形状在任何一个维度 阅读全文
posted @ 2021-12-17 15:59 溪奇的数据 阅读(108) 评论(0) 推荐(0)
Numpy数组拼接和分裂
摘要：将多个数组合并成一个，或将一个数组分裂成多个。 数组拼接 concatenate([a1, a2, ...], axis=0, out=None) #默认沿axis = 0轴拼接，也可设置沿axis = 1轴拼接 hstack([a1, a2, ...]) #默认沿axis = 0轴拼接 vstac 阅读全文
posted @ 2021-12-17 12:33 溪奇的数据 阅读(90) 评论(0) 推荐(0)
Numpy数组变形和轴变换
摘要：数组变形（reshape)或轴转换（Transposing Arrays and Swapping Axes）后返回的是非副本视图，对于非副本视图的修改会使原来的数组也同时改变。 In [1]: import numpy as np #np.arange()产生一维数组 In [2]: arr = 阅读全文
posted @ 2021-12-17 11:36 溪奇的数据 阅读(242) 评论(0) 推荐(0)
Numpy数组索引和切片
摘要：数组可以通过索引或切片的方式进行访问或修改，数组切片x[start:stop:step]，与Ptyhon内置的list标准索引和切片类似，只是数组产生的是一个非副本视图，根据条件索引的值如果修改，直接在原数组上修改，不另建立副本 一般索引 In [1]: import numpy as np In 阅读全文
posted @ 2021-12-16 12:57 溪奇的数据 阅读(117) 评论(0) 推荐(0)
Numpy数组属性
摘要：每个Numpy的数组都有数组维度、数组维度大小、数组总大小等属性，属性类别如下： 属性 说明 ndarray.ndim 秩，即轴的数量或维度的数量 ndarray.shape 数组的维度，对于矩阵，n 行 m 列 ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值 n 阅读全文
posted @ 2021-12-16 12:37 溪奇的数据 阅读(161) 评论(0) 推荐(0)
Numpy数据类型
摘要：Python的易用之处在于动态输入，每个变量的数据类型是动态推断的，而C语言的是被明确地声明。 Python的数据类型其实是一个Python对象，每一个Python对象都是一个聪明的伪C语言结构体，该结构体不仅包含值，也包含其它信息。在定义一个Python对象时，其实是定义一个指针，指向包含这个Py 阅读全文
posted @ 2021-12-15 12:42 溪奇的数据 阅读(274) 评论(0) 推荐(0)
Numpy的数组对象
摘要：数组对象 NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，从0 开始进行集合中元素的索引；ndarray 对象是用于存放同类型元素的多维数组，其中的每个元素在内存中都有相同存储大小的区域。 ndarray 内部由以下内容组成： 一个指向数据（内存或内存映 阅读全文
posted @ 2021-12-15 10:35 溪奇的数据 阅读(153) 评论(0) 推荐(0)
Numpy简介
摘要：NumPy（Numerical Python）是 Python 语言的一个扩展程序库，提供高效存储和操作密集数据缓存的接口（模块），数组类型与Pyhon内置列表类型非常相似，但是提供了更加高效的存储和数据操作，是整个Python数据科学工具生态系统的核心。 NumPy 通常与 SciPy（Scien 阅读全文
posted @ 2021-12-14 12:59 溪奇的数据 阅读(176) 评论(0) 推荐(0)