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0
ones：创建数据全为1
empty：创建数据接近0
arrange：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

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

C#使用 SharpAVI进行屏幕录制
再 nuget 中搜索 shapAvi 并添加引用 github 地址:https://github.com/baSSiLL/SharpAvi using SharpAvi; using Sharp ...
最长上升子序列（LIS)
最长递增子序列,Longest Increasing Subsequence 下面我们简记为 LIS.排序+LCS算法以及 DP算法就忽略了,这两个太容易理解了. 假设存在一个序列d[1..9] = ...
Spring Cloud Hystrix 1（熔断器简介）
在分布式框架中当某个服务单元发生故障之后通过断路器的故障监控向调用方返回一个错误响应,而不是长期等待这样就不会使得线程因调用故障服务被长时间占用不放,避免了故障在分布式系统中的蔓延针对上述问题,Sp ...
常用Linux命令-文件上传和下载
rz 上传本地文件到远程服务器 sz fileName 下载文件到本地电脑如果不能使用以上命令进行文件上传和下载需要安装命令,步骤如下: 1.软件安装1)编译安装root 账号登陆后,依次执行以下命 ...
Idea搭建Scala开发环境的注意事项
Idea搭建Scala开发环境的注意事项 1.下载ideaIC-2017.3.tar.gz 2.解压安装idea 3.File->setting->plugins 下载2个插件scala. ...
docker 制作本地镜像
docker commit 55ddf8d62688 py_wb # 容器ID, 容器名称tag py_wb IP地址:5000/my-web:20180511 # 远程registory地址我的镜 ...
cocos+kbe问题记录
1.不要使用setTimeout函数 setTimeout函数,setTimeout() 方法用于在指定的毫秒数后调用函数或计算表达式. 是HTML DOM中的方法,在游戏中使用,属于全局的延时,当游 ...
Tensorflow学习（练习）—下载骨骼图像识别网络inception数据集
import tensorflow as tfimport osimport tarfileimport requests #inception模型下载地址inception_pretrain_mod ...
codefirst updatebase
http://blog.csdn.net/dj2008/article/details/23756895 http://blog.csdn.net/gentle_wolf/article/detail ...
Entity Framework 6.0 Tutorials（8）：Custom Code-First Conventions
Custom Code-First Conventions: Code-First has a set of default behaviors for the models that are ref ...

1、Numpy基础

NumPy是什么?

1、Numpy基础的更多相关文章

随机推荐

热门专题