In [121]:

import numpy as np

为啥使用numpy¶

计算购物车的总共价格¶

In [2]:

shop_car = [2,3,10,5]
shop_price = [10,200,150,50]

In [3]:

shop_car_np = np.array(shop_car)

In [4]:

shop_price_np = np.array(shop_price)

In [5]:

shop_car_np

Out[5]:

array([ 2,  3, 10,  5])

In [6]:

shop_price_np

Out[6]:

array([ 10, 200, 150,  50])

In [8]:

np.sum(shop_car_np * shop_price_np)  #### 向量运算

Out[8]:

In [123]:

shop_car_np * 7  #### 矢量运算

Out[123]:

array([14, 21, 70, 35])

In [125]:

shop_car * 7

Out[125]:

[2,
 3,
 10,
 5,
 2,
 3,
 10,
 5,
 2,
 3,
 10,
 5,
 2,
 3,
 10,
 5,
 2,
 3,
 10,
 5,
 2,
 3,
 10,
 5,
 2,
 3,
 10,
 5]

常见属性¶

一维数组¶

In [10]:

arr = np.array([1,2,3,4,5,6])

In [12]:

arr  #### 简单的ndarray一维数组

Out[12]:

array([1, 2, 3, 4, 5, 6])

In [14]:

arr.dtype   #### 数组的数据类型

Out[14]:

dtype('int64')

In [16]:

arr.size  ##### 数组元素的个数

Out[16]:

In [17]:

arr.ndim  #### 数组的维度

Out[17]:

In [18]:

arr.shape

Out[18]:

(6,)

二维数组¶

In [19]:

arr2 = np.array([[1,2,3,4,5], [6,7,8,9,10]])

In [20]:

arr2

Out[20]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

In [21]:

arr2.ndim

Out[21]:

In [22]:

arr2.shape

Out[22]:

(2, 5)

In [23]:

arr2.T #### 高维数组转置

Out[23]:

array([[ 1,  6],
       [ 2,  7],
       [ 3,  8],
       [ 4,  9],
       [ 5, 10]])

数据类型转换¶

In [24]:

arr

Out[24]:

array([1, 2, 3, 4, 5, 6])

In [25]:

arr.dtype

Out[25]:

dtype('int64')

In [26]:

arr.astype('float')  #### 强制转换指定的数据类型

Out[26]:

array([1., 2., 3., 4., 5., 6.])

ndarray数组的创建方式¶

In [27]:

arr3 = np.array([1,2,3,4,5,6], dtype='float')

In [28]:

arr3

Out[28]:

array([1., 2., 3., 4., 5., 6.])

In [29]:

np.arange(1,10)  ### numpy版的arange

Out[29]:

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

In [30]:

np.arange(10)

Out[30]:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [34]:

np.linspace(1,10, num=5, endpoint=False)  ##### 均匀分配多少份

Out[34]:

array([1. , 2.8, 4.6, 6.4, 8.2])

In [36]:

np.linspace?  #### 查看函数的使用方法

  File "<ipython-input-36-fe95272a62c5>", line 1
    np.linspace?  #### 查看函数的使用方法
               ^
SyntaxError: invalid syntax

In [37]:

np.zeros?

In [38]:

np.zeros(5)

Out[38]:

array([0., 0., 0., 0., 0.])

In [40]:

np.zeros((2,3), dtype='int')

Out[40]:

array([[0, 0, 0],
       [0, 0, 0]])

In [41]:

np.ones(5)

Out[41]:

array([1., 1., 1., 1., 1.])

In [42]:

np.ones((3,4))

Out[42]:

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

In [43]:

np.empty?

In [46]:

np.empty((2,3))

Out[46]:

array([[1., 2., 3.],
       [4., 5., 6.]])

In [47]:

np.eye?

In [51]:

np.eye(5, dtype='int')  ### 默认生成5行5列的数组， 并且数组的对角线默认是1

Out[51]:

array([[1, 0, 0, 0, 0],
       [0, 1, 0, 0, 0],
       [0, 0, 1, 0, 0],
       [0, 0, 0, 1, 0],
       [0, 0, 0, 0, 1]])

ndarray的索引¶

一维数组¶

In [56]:

arr

Out[56]:

array([1, 2, 3, 4, 5, 6])

In [58]:

#### 在列表中怎么通过索引获取值，在这里也是一样的
arr[2]

Out[58]:

二维数组¶

In [59]:

arr2

Out[59]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

In [61]:

arr2[0,2]   ##### 逗号前面是行索引， 逗号后面是列索引

Out[61]:

切片¶

一维数组¶

In [62]:

arr

Out[62]:

array([1, 2, 3, 4, 5, 6])

In [76]:

arr[0:-1]

Out[76]:

array([1, 2, 3, 4, 5])

二维数组¶

In [65]:

arr2

Out[65]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

In [74]:

arr2[:,1:3]  ##### 和索引的使用方法一致， 逗号前面是行索引 ， 后面是列索引

Out[74]:

array([[2, 3],
       [7, 8]])

In [75]:

arr2[:, :]

Out[75]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

布尔型索引¶

In [77]:

###查询arr中大于4的所有的数据
arr

Out[77]:

array([1, 2, 3, 4, 5, 6])

In [78]:

###查询arr中大于4的所有的数据
arr > 4

Out[78]:

array([False, False, False, False,  True,  True])

In [79]:

arr[arr>4]   ##### 布尔型索引

Out[79]:

array([5, 6])

In [80]:

arr2

Out[80]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

In [82]:

arr2[arr2 > 8]

Out[82]:

array([ 9, 10])

通用函数¶

In [84]:

a = -4
np.abs(a)

Out[84]:

In [85]:

np.ceil(4.3)  #### 向上取整

Out[85]:

5.0

In [86]:

np.floor(4.6)  #### 向下取整

Out[86]:

4.0

In [87]:

np.rint(4.6)

Out[87]:

5.0

In [88]:

np.rint(4.4)

Out[88]:

4.0

In [89]:

np.modf(5.6)

Out[89]:

(0.5999999999999996, 5.0)

In [90]:

## isnan  ### 判断某一个数是否是 nan === not a number (不是一个数)
np.nan

Out[90]:

nan

In [91]:

arr

Out[91]:

array([1, 2, 3, 4, 5, 6])

In [94]:

np.sum(arr)

Out[94]:

In [95]:

np.cumsum(arr)  #### 累加

Out[95]:

array([ 1,  3,  6, 10, 15, 21])

In [96]:

arr

Out[96]:

array([1, 2, 3, 4, 5, 6])

In [97]:

np.min(arr)

Out[97]:

In [98]:

np.max(arr)

Out[98]:

In [99]:

np.argmin(arr)

Out[99]:

随机数¶

In [100]:

np.random.rand(10)  ### 随机生成10个0-1之间的数字

Out[100]:

array([0.56187207, 0.79693148, 0.83056134, 0.97434263, 0.08407437,
       0.3006474 , 0.56696281, 0.95745467, 0.75604117, 0.25491663])

In [106]:

np.random.randint(5)

Out[106]:

In [109]:

np.random.choice(5,3)  ### 随机生成3个 0-5 之间的数

Out[109]:

array([4, 4, 0])

In [110]:

np.random.shuffle?

In [111]:

arr

Out[111]:

array([1, 2, 3, 4, 5, 6])

In [112]:

np.random.shuffle(arr)   #### 打乱给定的一个数组

In [113]:

arr

Out[113]:

array([4, 1, 2, 6, 3, 5])

In [114]:

arr

Out[114]:

array([4, 1, 2, 6, 3, 5])

In [119]:

arr.reshape(3,2)   #### 改变一维数组的形状成二维数组

Out[119]:

array([[4, 1],
       [2, 6],
       [3, 5]])

In [ ]:

</div> </div> </div> </body>

numpy模块第二部分：numpy模块 03

numpy模块 02

为啥使用numpy¶

计算购物车的总共价格¶

常见属性¶

一维数组¶

二维数组¶

数据类型转换¶

ndarray数组的创建方式¶

ndarray的索引¶

一维数组¶

二维数组¶

切片¶

一维数组¶

二维数组¶

布尔型索引¶

通用函数¶

随机数¶