numpy数据类型

# numpy创建对象,numpy创建的对象是n阶矩阵,类似python中列表的嵌套

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

结果:

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

ndarray的切片操作

格式:nd[start:end:step]

nd1 =[1,2,3,4,5,6,7,8,9,90]

#每隔三个取一个

nd1[::3]

#结果:[1, 4, 7, 90]

对三维数组进行切片

import matplotlib.pyplot as plt

data = Image.open("./timg.jpg")

plt.imshow(data)

data = np.array(data)

#第一维是行,第二维是列,第三维是像素

#颠倒第二维的顺序
data1 = data[::,::-1,:]

plt.imshow(data1)

如:

#查看数组的格式:shape

data1.shape

结果:(140, 121, 3)

对于数组中的值可以进行赋值

nd1 =[1,2,3,4,5,6,7,8,9,90]
nd1[3] = 10000
nd1

输出结果:

[1, 2, 3, 10000, 5, 6, 7, 8, 9, 90]

注意:numpy默认ndarray的所有元素的类型是相同的

如果传进来的列表中包含不同的类型,则统一为统一类型,优先级:str>float>int

使用np的routines常规函数创建

1.onces()和zeros()

np.ones(shape = (4,5)))

#创建数值为1的四行五列的数组

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

nd0 = np.zeros(shape =(4,5,6))

创建数值为0的四行五列,六个元素的三维数组

2.np.full(shape,fill_value,dtype = None,order = "C")          #自定义数组

np.full(shape  = (4,5),fill_value = 3.14)

array([[3.14, 3.14, 3.14, 3.14, 3.14],
[3.14, 3.14, 3.14, 3.14, 3.14],
[3.14, 3.14, 3.14, 3.14, 3.14],
[3.14, 3.14, 3.14, 3.14, 3.14]])

3.np.eye(N,M = None,k = 0,dtype = float)

对角线为1,其他位置为0 的二维数组,若M为None,则默认M=N。

如:

e = np.eye(5)

e

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.]])

4.将一维或是二维数组转换成为矩阵使用matrix()

注意:只能是一维或是二维数组进行转化

m = np.matrix(e)
m

matrix([[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.]])
#矩阵

type(m)

结果显示:

numpy.matrixlib.defmatrix.matrix

5.在指定的间隔没返回一个均匀间隔的数(生成等差数列)

np.arrange(start,spot,endpoint = Ture,retstep = False,dtype = None)

如:

np.linspace(0,99,num = 100)              #在0~99之间生成100个数字的数组,相当于公差 为1的等差数列

array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12.,
13., 14., 15., 16., 17., 18., 19., 20., 21., 22., 23., 24., 25.,
26., 27., 28., 29., 30., 31., 32., 33., 34., 35., 36., 37., 38.,
39., 40., 41., 42., 43., 44., 45., 46., 47., 48., 49., 50., 51.,
52., 53., 54., 55., 56., 57., 58., 59., 60., 61., 62., 63., 64.,
65., 66., 67., 68., 69., 70., 71., 72., 73., 74., 75., 76., 77.,
78., 79., 80., 81., 82., 83., 84., 85., 86., 87., 88., 89., 90.,
91., 92., 93., 94., 95., 96., 97., 98., 99.])

np.arange(start,stop,step,dtype)             #在给定范围内生成等差数列、

如:np.arange(0,99,3)

array([ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48,
51, 54, 57, 60, 63, 66, 69, 72, 75, 78, 81, 84, 87, 90, 93, 96])

np.random.randint(low,high = None,size =None,dtype ="l" )

如:

np.random.randint(0,150,size = (4,5))                                   # 在0~150之间随机生成4行5列的二维数组

array([[ 49, 149,  26, 140,  18],
[ 18, 91, 97, 32, 34],
[108, 101, 55, 48, 94],
[ 34, 117, 113, 78, 67]])

生成一个标准的n维正态分布 即(生成的平均值为0,标准差为1的正态分布的数值)

np.random.randn(d0,d1,d2....dn)

如:

np.random.randn(10)

array([-0.11345673, -1.11331963, -0.96848249, -1.56695811,  0.81071585,
0.46713518, 0.72475584, -0.35389568, 1.22464807, -0.30686513])

ndarray的属性

4个必须记住的参数:ndim:维度,shape:形状(各维度的长度),size:总长度

dtype:元素类型

如:data.shape

#查看数据的数据类型:dtype

data.dtype

结果:

dtype('uint8')

int8和uint8的区别:

int8即指:2**8,范围是:-128~127

uint8指:256个数,范围是:~256

ndarray的基本操作

1.索引

一维列表完全一致,多维时同理

df = np.random.randint(0,100,size = [3,3,3])
df

输出结果:

array([[[91, 31, 3],

array([[[91, 31,  3],
[65, 65, 30],
[33, 56, 91]], [[50, 5, 69],
[30, 67, 57],
[53, 13, 97]], [[24, 9, 7],
[60, 59, 9],
[96, 58, 23]]])


切片:df[0,0,2]
索引到第三维,索引三次
输出结果:80
#拿到第三位数据

df[0,0]
#索引到第二维,索引两次
输出结果:
array([91, 31,  3])
#拿到第二维数据

分析:先看是几维数组,然后想要所以到第几维就索引到第几维就行了

2.变形

使用reshape函数,注意参数是一个tuple!

如:

nd = np.random.randint(0,100,size = 10)
nd

输出结果:

array([28, 79, 17,  2, 68,  3, 92,  2, 35, 16])

nd.reshape(5,2)

输出结果:

array([[39,  0],
[21, 26],
[33, 29],
[72, 23],
[34, 77]])

nd.reshape(2,5)

输出结果:

array([[39,  0, 21, 26, 33],
[29, 72, 23, 34, 77]])

注意:变形时是在数据够用的情况下进行变形

转置

在矩阵中,行变列,列变行

如:

data1 = Image.open("./wuxuanyi.jpg")
data

data2 = np.array(data1)

#将图片数据变成数组格式
wuxuanyi = data2.transpose([1,0,2])

#将行和列互换,使用函数transpose()
plt.imshow(wuxuanyi)

3.联级

np.concatenate()联级

需要注意的点

1.联级的参数是列表;一定需要加中括号,或是小括号

2.维度必须相同

3.形状相符

4.【重点】联级的方向默认位shape这个tuple的第一个值所代表的维度方向

5.可通过axis参数改变联级的方向

如:

data3 = np.concatenate((data2,data2),axis = 1)
plt.imshow(data3)

输出结果:

 np.hstack与np.vstack

水平级联和竖直级联,处理自己,进行维度的变更

data4 = np.vstack((data2,data2))
plt.imshow(data4)
data4.shape

4切片

切片与级联类似,三个函数完成切分工作

np.split:对数组进行切片(自定义切片方向)

np.vsplit:水平进行切片

np.hsplit:垂直进行切片

如:

a1,a2,a3 = np.split(a,indices_or_sections=(2,3),axis = 0)
display(a1,a2,a3)

indics_or_sections属性若给定的是一个整数N,则会沿着指定的轴将数据分隔成为等份的N个数组

若给定的是一个索引的元祖或是列表,切片函数会根据索引进行切片,

如:给定的如给定的缩影是(2,3),就是在index = 2,和index=3位置进行切割,在切时不包括当前索引的值

输出结果:

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

q1,q2,q3 = np.split(data2,indices_or_sections=3,axis = 2)

#将数据沿着第三个轴进行切片,切成等份的三组数据

#上边切割是按照图片的三原色进行切割的
q2.shape

#(140, 121, 1)

q2 = q2.reshape(140,-1)

#将一维的数据进行转换成为二维的数组,列和行是表示图片的宽和高
plt.imshow(q2,cmap = plt.cm.gray)

# 显示切割完后的图片,并给她附加灰色

a数组:

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

np.vsplit(a,indices_or_sections=4)

显示结果:

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

#在竖直方向上将原数组平均切割成为4等份

#水平方向同理

5.副本

可使用copy对数组创建副本

b = a.copy
display(id(a),id(b))

显示结果:两个数组的内存地址不一样,相当于python中的深拷贝

464370384
435125776
 

numpy学习(一)的更多相关文章

  1. NumPy学习笔记 三 股票价格

    NumPy学习笔记 三 股票价格 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.&l ...

  2. NumPy学习笔记 二

    NumPy学习笔记 二 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.<数学分 ...

  3. NumPy学习笔记 一

    NumPy学习笔记 一 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.<数学分 ...

  4. 数据分析之Pandas和Numpy学习笔记(持续更新)<1>

    pandas and numpy notebook        最近工作交接,整理电脑资料时看到了之前的基于Jupyter学习数据分析相关模块学习笔记.想着拿出来分享一下,可是Jupyter导出来h ...

  5. NumPy学习(索引和切片,合并,分割,copy与deep copy)

    NumPy学习(索引和切片,合并,分割,copy与deep copy) 目录 索引和切片 合并 分割 copy与deep copy 索引和切片 通过索引和切片可以访问以及修改数组元素的值 一维数组 程 ...

  6. NumPy学习(让数据处理变简单)

    NumPy学习(一) NumPy数组创建 NumPy数组属性 NumPy数学算术与算数运算 NumPy数组创建 NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型. 它描述相同 ...

  7. numpy 学习笔记

    numpy 学习笔记 导入 numpy 包 import numpy as np 声明 ndarray 的几种方法 方法一,从list中创建 l = [[1,2,3], [4,5,6], [7,8,9 ...

  8. numpy 学习总结

    numpy 学习总结 作者:csj更新时间:01.09 email:59888745@qq.com 说明:因内容较多,会不断更新 xxx学习总结: 回主目录:2017 年学习记录和总结 #生成数组/使 ...

  9. (转)Python数据分析之numpy学习

    原文:https://www.cnblogs.com/nxld/p/6058572.html https://morvanzhou.github.io/tutorials/data-manipulat ...

  10. Numpy学习1

    NumPy学习(1) 参考资料: http://www.cnblogs.com/zhanghaohong/p/4854858.html http://linusp.github.io/2016/02/ ...

随机推荐

  1. 源码分析(一) 进程cleos的命令解析

    EOS版本:4.0   一.进程cleos的作用   cleos,即为client eos.从名字就可以猜出来,它是一个标准的客户端程序,而实际上,它也确实为一个标准的client^_^   准确地说 ...

  2. js 中止程序继续进行(break continue return throw)

    1.break 跳出循环 2.continue 跳出本次循环,进入下次循环 3.return 中止当前函数继续执行 4.throw 异常信息;中止程序抛出异常,可用于中止程序

  3. [LOJ 2082] 「JSOI2016」炸弹攻击 2

    [LOJ 2082] 「JSOI2016」炸弹攻击 2 链接 链接 题解 枚举发射源,将发射源当做原点,对敌人和激光塔极角排序. 由于敌人纵坐标均为正,而其它点均为负,因此每两个角度差在 \(\pi\ ...

  4. url、src与href属性的区别

    http://blog.csdn.net/rickgreen/article/details/54943500

  5. C - AtCoDeerくんと選挙速報 / AtCoDeer and Election Report

    ceil有毒啊..用ceil一直错. 思路就是模拟吧,设当前的答案是ansx和ansy. 如果比例是小于ansx的,那么就要乘以一个倍数k1,使得a * k1 >= ansx的. 所以就用cei ...

  6. js字符串与十六进制之间的转换

    在寻找加密解密的时候看到一个方法,代码图片转换.原理为:字符可以转为16进制,与图片RGB的一个R/G/B相对应,即一个像素点可容纳3个字符(注:Canvas的RGBA,透明度A似乎不能使用,使用后, ...

  7. java项目定时任务实现

    首先配置spring-context.xml文件 在xmlns 下加如下代码 xmlns:task="http://www.springframework.org/schema/task&q ...

  8. Uncaught exception 'PDOException' with message 'SQLSTATE[HY000] [2002] No such file or directory解决方法

    今天用pdo连接mysql遇到一个奇怪的问题,host设为127.0.0.1可以连接成功,设为localhost就会报如下的错误: PHP Fatal error:  Uncaught excepti ...

  9. img标签src资源无法加载,报net::ERR_RESPONSE_HEADERS_MULTIPLE_CONTENT_DISPOSITION错

    html代码: chrome和360浏览器均报错,系统自带IE.Firefox浏览器没有问题 原因:加载的资源名含有半角逗号(,)或者别的特殊符号 解决办法:后台给资源名加上双引号("&qu ...

  10. jsp另外五大内置对象之config

    //配置web.xml <?xml version="1.0" encoding="UTF-8"?><web-app xmlns:xsi=&q ...