numpy学习

2024-07-11 02:44:02
开发
18

numpy

高效的数组操作：NumPy的数组操作非常高效，因为它是用C语言编写的，可以直接操作计算机的内存。这使得NumPy在大规模数据处理和科学计算中非常强大。

广泛的数学函数：NumPy提供了大量的数学函数，包括基本的数学运算、统计分析、线性代数等。这些函数使得科学计算和数据分析变得更加容易。

广泛的数据类型支持：NumPy支持多种数据类型，包括整数、浮点数、复数等，可以满足不同应用的需求。

广泛的数据输入和输出支持：NumPy可以轻松地与各种文件格式进行数据交互，包括文本文件、CSV文件、HDF5文件等。这使得数据的导入和导出非常方便。

import numpy as np

a = [1,2.2,99]

a_np = np.array(a)
a_np

array([ 1. ,  2.2, 99. ])

a_np.dtype

dtype('float64')

创建全 1 的numpy

np.ones((3,4))

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

创建全 0 的数组

np.zeros((3,4))

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

创建多维数组，自定义填充值

np.full(shape,fill_value)

np.full((3,4),fill_value=5)

array([[5, 5, 5, 5],
       [5, 5, 5, 5],
       [5, 5, 5, 5]])

单位矩阵

np.eye(3,4)

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

生成等差数列

np.linspace(0,10,20)

array([ 0.        ,  0.52631579,  1.05263158,  1.57894737,  2.10526316,
        2.63157895,  3.15789474,  3.68421053,  4.21052632,  4.73684211,
        5.26315789,  5.78947368,  6.31578947,  6.84210526,  7.36842105,
        7.89473684,  8.42105263,  8.94736842,  9.47368421, 10.        ])

根据开始值，结束值，步长生成数组

np.arange(0,10,1)

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

在数值范围内随机生成指定shape的多维数组

np.random.randint(0,100,(3,4))

array([[29, 61, 27, 53],
       [67, 35, 82, 24],
       [84, 57, 17, 18]])

生成标准正态分布

np.random.randn(2,4)

array([[ 0.88892813,  0.72167577, -1.65972133,  0.35827695],
       [ 0.6485041 ,  1.09440367, -0.40121106,  0.65053935]])

生成普通正态分布

np.random.normal(170,5,(3,4))

array([[181.2757465 , 174.13997894, 178.4883532 , 167.11768902],
       [170.09477859, 168.32151363, 171.23464558, 166.28698326],
       [175.0587546 , 171.14062693, 178.34369189, 170.53161937]])

生成0-1的随机数

np.random.random((3,4))

array([[0.96068526, 0.48792948, 0.42863906, 0.05561108],
       [0.01916122, 0.9598553 , 0.279491  , 0.55950602],
       [0.24036869, 0.01171435, 0.39917078, 0.25462912]])

生成一组随机索引

np.random.permutation(20)

array([ 7,  1, 17, 18, 12,  5,  4,  3, 14, 13, 16,  2,  6, 19,  0,  8, 15,
       11,  9, 10])

ndarray的属性

ndim：维度
shape：形状
size：总大小
dtype：元素类型

arr = np.random.randint(0,100,(3,4,5))
arr

array([[[66,  0, 85, 79, 48],
        [94, 10,  9, 28,  2],
        [23, 78, 51, 50, 21],
        [ 3, 93, 25, 77, 48]],

       [[33, 62, 99, 51, 92],
        [24, 68, 25, 10, 58],
        [45, 92, 77,  4, 35],
        [31, 94, 94,  0, 86]],

       [[26, 88, 66, 13, 33],
        [15, 16,  9, 94, 86],
        [62, 67, 18, 55, 34],
        [83, 77,  5, 76, 73]]])

arr.ndim

arr.shape

(3, 4, 5)

arr.size

arr.dtype

dtype('int64')

ndarray的基本操作

1、索引

arr[1,3,4]

使用列表作为索引

arr[[0,1],[1,2]]

array([[94, 10,  9, 28,  2],
       [45, 92, 77,  4, 35]])

使用bool 列表作为索引，对应为true的值返回

arr[arr>20]

array([66, 85, 79, 48, 94, 28, 23, 78, 51, 50, 21, 93, 25, 77, 48, 33, 62,
       99, 51, 92, 24, 68, 25, 58, 45, 92, 77, 35, 31, 94, 94, 86, 26, 88,
       66, 33, 94, 86, 62, 67, 55, 34, 83, 77, 76, 73])

2、切片

切片都是开区间（左闭右开），与列表一样

arr2 = np.random.randint(0,100,(5,6))
arr2

array([[ 1, 23, 54, 33, 81, 57],
       [60,  3, 10,  9, 79,  5],
       [71, 38, 15,  4, 46, 10],
       [99, 24,  4,  6, 82, 28],
       [31, 18, 66, 83, 24, 26]])

#行切片
arr2[1:3]

array([[60,  3, 10,  9, 79,  5],
       [71, 38, 15,  4, 46, 10]])

#列切片，不论多少维度，每一维都用：进行分割
arr2[:,0:2]

array([[ 1, 23],
       [60,  3],
       [71, 38],
       [99, 24],
       [31, 18]])

# :: 表示反转
arr2[:,::-1]

array([[57, 81, 33, 54, 23,  1],
       [ 5, 79,  9, 10,  3, 60],
       [10, 46,  4, 15, 38, 71],
       [28, 82,  6,  4, 24, 99],
       [26, 24, 83, 66, 18, 31]])

3、变形

使用reshape，参数是一个元组（tuple）

arr2.reshape((6,5))

array([[ 1, 23, 54, 33, 81],
       [57, 60,  3, 10,  9],
       [79,  5, 71, 38, 15],
       [ 4, 46, 10, 99, 24],
       [ 4,  6, 82, 28, 31],
       [18, 66, 83, 24, 26]])

4、级联（拼接）

a1 = np.random.randint(0,10,(3,4))
a2 = np.random.uniform(10,20,(3,4))
display(a1,a2)

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



array([[12.70255101, 13.93713091, 15.21392137, 19.09076818],
       [15.13001599, 15.70935654, 13.69569491, 19.59468276],
       [12.00687179, 10.94521978, 17.60840831, 15.91710952]])

#axis = 0 表示0维方向进行拼接
np.concatenate((a1,a2),axis=0)

array([[ 0.        ,  2.        ,  8.        ,  9.        ],
       [ 7.        ,  8.        ,  3.        ,  9.        ],
       [ 9.        ,  1.        ,  4.        ,  5.        ],
       [12.70255101, 13.93713091, 15.21392137, 19.09076818],
       [15.13001599, 15.70935654, 13.69569491, 19.59468276],
       [12.00687179, 10.94521978, 17.60840831, 15.91710952]])

np.concatenate((a1,a2),axis=1)

array([[ 0.        ,  2.        ,  8.        ,  9.        , 12.70255101,
        13.93713091, 15.21392137, 19.09076818],
       [ 7.        ,  8.        ,  3.        ,  9.        , 15.13001599,
        15.70935654, 13.69569491, 19.59468276],
       [ 9.        ,  1.        ,  4.        ,  5.        , 12.00687179,
        10.94521978, 17.60840831, 15.91710952]])

5、切分

a3 = np.random.randint(10,20,(6,6))
a3

array([[10, 15, 17, 16, 16, 15],
       [11, 16, 11, 14, 10, 18],
       [19, 15, 17, 10, 12, 11],
       [17, 11, 12, 16, 14, 19],
       [14, 12, 17, 11, 13, 10],
       [17, 12, 18, 17, 15, 10]])

#indices_or_sections 表示切分的份数，axis 表示切分方向（即维度）
part1,part2 = np.split(a3, indices_or_sections=2)
display(part1,part2)

array([[10, 15, 17, 16, 16, 15],
       [11, 16, 11, 14, 10, 18],
       [19, 15, 17, 10, 12, 11]])



array([[17, 11, 12, 16, 14, 19],
       [14, 12, 17, 11, 13, 10],
       [17, 12, 18, 17, 15, 10]])

part1,part2 = np.split(a3, indices_or_sections=2,axis = 1)
display(part1,part2)

array([[10, 15, 17],
       [11, 16, 11],
       [19, 15, 17],
       [17, 11, 12],
       [14, 12, 17],
       [17, 12, 18]])



array([[16, 16, 15],
       [14, 10, 18],
       [10, 12, 11],
       [16, 14, 19],
       [11, 13, 10],
       [17, 15, 10]])

6、副本

所有的赋值运算都不会产生副本，对赋值后的对象生效，也对原来对象生效

使用 copy 生成副本

a4 = a3.copy()
a4

array([[10, 15, 17, 16, 16, 15],
       [11, 16, 11, 14, 10, 18],
       [19, 15, 17, 10, 12, 11],
       [17, 11, 12, 16, 14, 19],
       [14, 12, 17, 11, 13, 10],
       [17, 12, 18, 17, 15, 10]])

a4[0,0] = 11111
display(a3,a4)

array([[10, 15, 17, 16, 16, 15],
       [11, 16, 11, 14, 10, 18],
       [19, 15, 17, 10, 12, 11],
       [17, 11, 12, 16, 14, 19],
       [14, 12, 17, 11, 13, 10],
       [17, 12, 18, 17, 15, 10]])



array([[11111,    15,    17,    16,    16,    15],
       [   11,    16,    11,    14,    10,    18],
       [   19,    15,    17,    10,    12,    11],
       [   17,    11,    12,    16,    14,    19],
       [   14,    12,    17,    11,    13,    10],
       [   17,    12,    18,    17,    15,    10]])

聚合操作


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

total = np.sum(arr)  # 计算数组元素的总和
mean_value = np.mean(arr)  # 计算数组元素的平均值
max_value = np.max(arr)  # 找到数组中的最大值
min_value = np.min(arr)  # 找到数组中的最小值

max_index = np.argmax(arr)

display(total,mean_value,max_value,min_value,max_index)

# 标准差
arr.std()

1.4142135623730951

# 方差
arr.var()

2.0

# 中位数
np.median(arr)

3.0

#any 检测bool 列表中，是否存在一个true
#all 检测bool 列表中，是否全是true

广播


arr = np.array([[1, 2, 3], [4, 5, 6]])
scalar = 10

# 使用广播将标量加到数组的每个元素
result = arr + scalar  # 结果是一个与arr相同形状的数组，每个元素加10
result

array([[11, 12, 13],
       [14, 15, 16]])

矩阵乘法

# 矩阵乘法
matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
np.dot(matrix1,matrix2)

array([[19, 22],
       [43, 50]])

文件保存

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

# 将数组保存到文件
np.save("my_array.npy", arr)

# 从文件中读取数组
loaded_arr = np.load("my_array.npy")

原文地址:https://blog.csdn.net/qq_41934789/article/details/140336467 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：https://www.suanlizi.com/kf/1811109139506663424.html 如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！

阅读全部