1、Numpy基础
NumPy是什么?
NumPy是科学计算的基本包在Python中。 这是一个Python库,它提供了一个多维数组对象, 各种派生的对象(如蒙面数组和矩阵),和一个 快速操作数组的各式各样的例程,包括 数学、逻辑、形状操作、排序选择、I / O, 离散傅里叶变换,基本的线性代数,基本统计 操作,随机模拟和更多。
1、Numpy数组对象：
NumPy中的 ndarray 是一个多维数组对象，该对象由两部分组成：
实际的数据
描述这些数据的元数据
大部分的数组操作仅仅修改元数据部分，而不改变底层的实际数据NumPy数组一般是同质的（但有一种特殊的数组类型例外，它是异质的），即数组中的所有元素类型必须是一致的。
NumPy数组类的ndarray。 也是已知的别名array。 请注意,numpy.array不一样的标准吗 Python库类array.array,它只处理一维 数组和提供功能比较少。 更重要的一个属性 象是ndarray:
#ndarray类的属性,别名为array ndarray.ndim #(也可以为array.ndim下面类似)数组的维度
ndarray.shape #数组的行数和列数
ndarray.size#数组的大小，数组元素的总和
ndarray.dtype#对象数组的数据类型
ndarray.itemsize#每个数组元素的字节大小
ndarray.data#缓冲区包含实际的元素的数组。 通常,我们 不需要使用这个属性,因为我们将访问元素 在使用数组索引设施。
import numpy as np
array = np.array([[1,2,3],[2,3,4]])
print(array)
print(array.ndim)
print(array.shape)
print(array.size)
print(array.dtype)
print(array.itemsize)
print(array.data)
结果：
2、创建数组：
array：创建数组dtype：指定数据类型zeros：创建数据全为0ones：创建数据全为1empty：创建数据接近0arrange：按指定范围创建数据linspace：创建线段
- 创建普通的数组：
import numpy as np
array = np.array([[1,2,3],[2,3,4]])#数组的类型为默认类型
array1 = np.array([[1,2,3],[2,3,4]],dtype=np.int16)#设置自己想要的数据类型
print(array.dtype)
print(array1.dtype)结果;
Numpy支持的数据类型;
创建全为零和全为一的数组：empty创建全空数组,
>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])- 用
arange创建连续数组:
- 用
linspace创建线段型数据:
3、创建自定义数据类型：
自定义数据类型是一种异构数据类型，与C语言和C++语言的结构体类似，可以用来实现结构体
1.创建数据类型：
import numpy as np
t = np.dtype({'names':['name','numitems','price'],
'formats':[np.str,np.uint32,np.float32]})
a = np.array([("jhf",54, 78.2),('hvgh',89,12.2)],dtype=t)
print(a.dtype)
print(a[1])
结果：
2.一维数组的索引和切片
In [2]: a = np.arange(9)
print(a[3:7])
结果:[3 4 5 6]
3.多维数组的切片与索引
# -*- coding: utf- -*-
import numpy as np
b = np.arange().reshape(,,)
print(b.shape)
print(b)
结果：
(2, 3, 4)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]] [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
多维数组 b 中有 0 ~ 23 的整数，共 24 个元素，是一个2×3×4的三维数组。我们可以形象地把它看做一个两层楼建筑，每层楼有12个房间，并排列成3行4列。或者，我们也可以将其看成是电子表格中工作表（sheet）、行和列的关系。你可能已经猜到， reshape 函数的作用是改变数组的“形状”，也就是改变数组的维度，其参数为一个正整数元组，分别指定数组在每个维度上的大小。如果指定的维度和数组的元素数目不相吻合，函数将抛出异常
4. 改变数组的维度：
- （ravel（）函数）将数组展平
1 # -*- coding: utf-8 -*-
2 import numpy as np
3 b = np.arange(24).reshape(2,3,4)
4 print(b)
5 print(b.ravel())结果：
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]] [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] - （flatten（）函数） 这个函数恰如其名， flatten 就是展平的意思，与 ravel 函数的功能相同。不过， flatten 函数会请求分配内存来保存结果，而 ravel 函数只是返回数组的一个视图（view）：
# -*- coding: utf-8 -*-
import numpy as np
b = np.arange(24).reshape(2,3,4)
print(b)
print(b.ravel())
a=b.flatten()
print(a)结果：
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]] [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] 用元组设置维度 除了可以使用 reshape 函数，我们也可以直接用一个正整数元组来设置数组的维度，如下所示：
# -*- coding: utf-8 -*-
import numpy as np
b = np.arange(24).reshape(2,3,4)
b.shape = (6,4)
print(b)结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]- (transpose()函数或者array.T )在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：
# -*- coding: utf-8 -*-
import numpy as np
b = np.arange(24).reshape(6,4)
print(b)
print('\n')
print(b.transpose())
print('\n')
#或者b.T
print(b.T)结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]] [[ 0 4 8 12 16 20]
[ 1 5 9 13 17 21]
[ 2 6 10 14 18 22]
[ 3 7 11 15 19 23]] [[ 0 4 8 12 16 20]
[ 1 5 9 13 17 21]
[ 2 6 10 14 18 22]
[ 3 7 11 15 19 23]] - （ resize（）函数） resize 和 reshape 函数的功能一样，但 resize 会直接修改所操作的数组：
# -*- coding: utf-8 -*-
import numpy as np
b = np.arange(24).reshape(6,4)
print(b)
b.resize((2,12))
print(b)结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
[[ 0 1 2 3 4 5 6 7 8 9 10 11]
[12 13 14 15 16 17 18 19 20 21 22 23]]
5.组合数组
- 创建两个数组：
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
print('\n')
b = 2*a
print(b)结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [[ 0 2 4]
[ 6 8 10]
[12 14 16]] - 水平组合：
1.hstack 函数实现# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(np.hstack((a,b)))结果：
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]2. concatenate 函数来实现
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(np.concatenate((a,b),axis=1))结果：
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]] - 垂直组合：
1.vstack函数实现：# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(b)
print()
print(np.vstack((a,b)))结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [[ 0 2 4]
[ 6 8 10]
[12 14 16]] [[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]2. concatenate 函数的 axis 参数设置为0即可实现
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(b)
print()
print(np.concatenate((a,b),axis= 0))结果;
[[0 1 2]
[3 4 5]
[6 7 8]] [[ 0 2 4]
[ 6 8 10]
[12 14 16]] [[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]] 深度组合 将相同的元组作为参数传给 dstack 函数，即可完成数组的深度组合.深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合。
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(b)
print()
print(np.dstack((a,b)))结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [[ 0 2 4]
[ 6 8 10]
[12 14 16]] [[[ 0 0]
[ 1 2]
[ 2 4]] [[ 3 6]
[ 4 8]
[ 5 10]] [[ 6 12]
[ 7 14]
[ 8 16]]]- 列组合 column_stack 函数对于一维数组将按列方向进行组合
# -*- coding: utf-8 -*-
import numpy as np
noed =np.arange(2)
twod = noed *2
c = np.column_stack((noed,twod))
print(noed)
print()
print(twod)
print()结果：
[0 1] [0 2] [[0 0]
[1 2]]而对于二维数组， column_stack 与 hstack 的效果是相同的
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(b)
print()
c = np.column_stack((a,b))
print(c)
print(c==np.hstack((a,b)))结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [[ 0 2 4]
[ 6 8 10]
[12 14 16]] [[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]
[[ True True True True True True]
[ True True True True True True]
[ True True True True True True]] 行组合 当然，NumPy中也有按行方向进行组合的函数，它就是 row_stack 。对于两
个一维数组，将直接层叠起来组合成一个二维数组# -*- coding: utf-8 -*-
import numpy as np
noed =np.arange(2)
twod = noed *2
c = np.row_stack((noed,twod))
print(noed)
print()
print(twod)
print()
print(c)结果：
[0 1] [0 2] [[0 1]
[0 2]]对于二维数组， row_stack 与 vstack 的效果是相同的
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(b)
print()
print(np.row_stack((a,b)))
print()
print(np.row_stack((a,b)) == np.vstack((a,b)))结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [[ 0 2 4]
[ 6 8 10]
[12 14 16]] [[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]] [[ True True True]
[ True True True]
[ True True True]
[ True True True]
[ True True True]
[ True True True]]
6.数组分割
NumPy数组可以进行水平、垂直或深度分割，相关的函数有 hsplit 、 vsplit 、 dsplit 和split 。我们可以将数组分割成相同大小的子数组，也可以指定原数组中需要分割的位置。
- 水平分割
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(np.hsplit(a,3))结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [array([[0],
[3],
[6]]),
array([[1],
[4],
[7]]),
array([[2],
[5],
[8]])]对同样的数组，调用 split 函数并在参数中指定参数 axis=1
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(9).reshape(3,3)
b = 2*a
print(a)
print()
print(np.split(a,3,axis = 1))结果：
[[0 1 2]
[3 4 5]
[6 7 8]] [array([[0],
[3],
[6]]),
array([[1],
[4],
[7]]),
array([[2],
[5],
[8]])] 垂直分割
vsplit 函数将把数组沿着垂直方向分割：
In: vsplit(a, 3)
Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
同样，调用 split 函数并在参数中指定参数 axis=0 ，也可以得到同样的结果：
In: split(a, 3, axis=0)
Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]- 深度分割 不出所料， dsplit 函数将按深度方向分割数组
# -*- coding: utf-8 -*-
import numpy as np
a = np.arange(27).reshape(3,3,3)
print(a.shape)
print(a)
b = np.dsplit(a,3)
print(b)
print(type(b))结果：
(3, 3, 3)
[[[ 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]]]
[array([[[ 0],
[ 3],
[ 6]], [[ 9],
[12],
[15]], [[18],
[21],
[24]]]), array([[[ 1],
[ 4],
[ 7]], [[10],
[13],
[16]], [[19],
[22],
[25]]]), array([[[ 2],
[ 5],
[ 8]], [[11],
[14],
[17]], [[20],
[23],
[26]]])]
<class 'list'>我们用 hsplit 、 vsplit 、 dsplit 和 split 函数进行了分割数组的操作
- 水平分割
1、Numpy基础的更多相关文章
- 利用Python进行数据分析(5) NumPy基础: ndarray索引和切片
概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为a ...
- 《利用python进行数据分析》读书笔记--第四章 numpy基础：数组和矢量计算
http://www.cnblogs.com/batteryhp/p/5000104.html 第四章 Numpy基础:数组和矢量计算 第一部分:numpy的ndarray:一种多维数组对象 实话说, ...
- 利用Python进行数据分析——Numpy基础：数组和矢量计算
利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组 对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...
- numpy 基础操作
Numpy 基础操作¶ 以numpy的基本数据例子来学习numpy基本数据处理方法 主要内容有: 创建数组 数组维度转换 数据选区和切片 数组数据计算 随机数 数据合并 数据统计计算 In [1]: ...
- Numpy 基础
Numpy 基础 参考https://www.jianshu.com/p/83c8ef18a1e8 import numpy as np 简单创建数组 # 创建简单列表 a = [1, 2, 3, 4 ...
- [转]python与numpy基础
来源于:https://github.com/HanXiaoyang/python-and-numpy-tutorial/blob/master/python-numpy-tutorial.ipynb ...
- python学习笔记（三）：numpy基础
Counter函数可以对列表中数据进行统计每一个有多少种 most_common(10)可以提取前十位 from collections import Counter a = ['q','q','w' ...
- Numpy基础数据结构 python
Numpy基础数据结构 NumPy数组是一个多维数组对象,称为ndarray.其由两部分组成: 实际的数据 描述这些数据的元数据 1.一维数组 import numpy as np ar = np.a ...
- Python Numpy基础教程
Python Numpy基础教程 本文是一个关于Python numpy的基础学习教程,其中,Python版本为Python 3.x 什么是Numpy Numpy = Numerical + Pyth ...
- NumPy基础操作
NumPy基础操作(1) (注:记得在文件开头导入import numpy as np) 目录: 数组的创建 强制类型转换与切片 布尔型索引 结语 数组的创建 相关函数 np.array(), np. ...
随机推荐
- Python编程总结之常用三方模块
1.excel读写 利用python进行excel读写是经常遇到的事情,最常用的excel读写模块必属xlrd和xlwt,前者负责读,后者负责写,配合起来可实现读写. 举例1):使用xlrd读取exc ...
- cuteFTP软件往linux中上传文件时报…
我是在win7和VM中的ubuntu传输文件: 使用一个客户端,可以正常的连接,但是当上传文件时,总是报553 Could not create file错误信息. 主要原因是新建的文件夹没有更改权限 ...
- 23-从零玩转JavaWeb-单例设计模式
一.什么是设计模式 二.什么是单例设计模式 三.单例设计模式特点 四.单例设计模式优点 五.单例设计模式实现步骤 六.什么是工具类
- Python常用算法
本节内容 算法定义 时间复杂度 空间复杂度 常用算法实例 1.算法定义 算法(Algorithm)是指解题方案的准确而完整的描述,是一系列解决问题的清晰指令,算法代表着用系统的方法描述解决问题的策略机 ...
- dokuwiki安装问题
工作了几年,虽然在程序员这个道路上才算开始,希望以后能够有所成长,为了把平时遇到的技术问题,记录下来,第一个想到的就是写wiki,博客虽然创建了许久,但是没有坚持写下去,在网上找了许多的wiki程序, ...
- linux Shell中常用的条件判断
linux Shell中常用的条件判断 -b file 若文件存在且是一个块特殊文件,则为真 -c file 若文件存在且是一个字符特殊文件,则为真 -d ...
- linux内核被加载的过程
二,linux内核被加载的过程 一,linux安装时遇到的概念解析 内核必须模块vmlinz(5M左右)不认识硬盘,原本是需要写跟loader中一样的内容,来加载非必要模块. 内核非必要的功能被编译为 ...
- 性能优化之_android内存
优化内存使用主要是三个原则: CPU如何操纵特定的数据类型 数据和指令需要占用多少存储空间 数据在内存中的布局方式 处理大量数据时,使用可以满足要求的最小字节数据类型,能用short就不用int,能用 ...
- if else的执行流程
int main(void) { int a, b; char op; float ans; scanf_s("%d%c%d",&a,&op,1,&b); ...
- Mac下切换Python版本
Mac下有多个版本的Python时,需要进行版本切换.我使用的是anaconda,在终端下进行包安装时,默认Python版本是MacOS自带的Python,需要进行手动的版本切换. # 将anacon ...