01_Numpy基本使用
1.Numpy读取txt/csv文件
读取数据
import numpy as np
# numpy打开本地txt文件
world_alcohol = np.genfromtxt("D:\\数据分析\\01_Numpy\\numpy\\world_alcohol.txt", delimiter=",", dtype=str, skip_header=1)
print(world_alcohol)
# 第一个参数为文件存放路径
# delimiter 分隔符
# dtype 以哪种数据类型打开
# skip_header=1 跳过头信息,不打印第一行
结果输出:
[['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
['1986' 'Americas' 'Uruguay' 'Other' '0.5']
['1985' 'Africa' "Cte d'Ivoire" 'Wine' '1.62']
...
['1987' 'Africa' 'Malawi' 'Other' '0.75']
['1989' 'Americas' 'Bahamas' 'Wine' '1.5']
['1985' 'Africa' 'Malawi' 'Spirits' '0.31']]
# numpy打开数据后,以矩阵的形式展示,索引值从0开始
vector = world_alcohol[2, 4] # 取第二行第四列的值
print(vector)
结果输出:
1.62
帮助文档
# 打印帮助文档
print(help(np.genfromtxt))
使用help命令查看帮助文档
结果输出:
Help on function genfromtxt in module numpy.lib.npyio: genfromtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None, skip_header=0, skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None, names=None, excludelist=None, deletechars=None, replace_space='_', autostrip=False, case_sensitive=True, defaultfmt='f%i', unpack=None, usemask=False, loose=True, invalid_raise=True, max_rows=None, encoding='bytes')
Load data from a text file, with missing values handled as specified. Each line past the first `skip_header` lines is split at the `delimiter`
character, and characters following the `comments` character are discarded. Parameters
----------
...
2.Numpy的矩阵操作
构造矩阵
# 导入
import numpy as np vector = np.array([5, 10, 15, 20]) # 构造一个numpy的向量 matrix = np.array([[5, 10, 15], [20, 25, 30]]) # 构造一个numpy的矩阵
print(vector)
print(matrix)
结果输出:
[ 5 10 15 20]
[[ 5 10 15]
[20 25 30]]
vector = np.array([5, 10, 15, 20])
print("矩阵维度:", vector.shape) # shape属性打印矩阵(向量)的维度
print("矩阵数据类型:", vector.dtype) # 打印矩阵中的数据类型
结果输出:
矩阵维度: (4,)
矩阵数据类型: int32
类型转换
# numpy 要求array中是数据为同一类型,且自动实现类型转换 vector = np.array([5.0, 10, 15])
print(vector)
print(vector.dtype)
结果输出:
[ 5. 10. 15.]
float64
切片操作
vector = np.array([5, 10, 15, 20])
# 切片操作,取前三个元素
print(vector[0:3])
结果输出:
[ 5 10 15]
matrix = np.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
# 矩阵取元素
# 取矩阵第二列,所有值
vector = matrix[:, 1] # 冒号表示所有样本,1表述列数(前面表示行,后面表示列)
print(vector)
print("---------")
print(matrix[:, 0:2]) # 取前两列所有元素
print("---------")
print(matrix[:2, :2]) # 取前两列的前两行元素
结果输出:
[2 5 8]
---------
[[1 2]
[4 5]
[7 8]]
---------
[[1 2]
[4 5]]
逻辑运算
vector = np.array([5, 10, 15, 20])
equal = (vector == 10) # 判断array中的元素是否为10, 对array的每一个元素进行判断
print(equal) print(vector[equal]) # 从向量中取返回True的值 and_ = (vector == 10) & (vector == 5) # 逻辑运算 与 其他同理
print(and_)
结果输出:
[False True False False]
[10]
[False False False False]
matrix = np.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
matrix == 5 # 矩阵操作同理,判断array中所有元素是否为5
结果输出:
array([[False, False, False],
[False, True, False],
[False, False, False]])
# array数据类型转换换
vector = np.array(['', '', ''])
print(vector.dtype) # 打印数据类型 str类型显示未U1
vector = vector.astype(float) # 使用astype()实现类型转换,转换为float类型
print(vector.dtype)
结果输出:
<U1
float64
一般函数
vector = np.array([5, 10, 15, 20])
# 求最小值
print(vector.min())
# 求最大值
print(vector.max())
结果输出:
5
20
matrix = np.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
# 按行求和
matrix.sum(axis=1) # axis=0表示按列求和
结果输出:
array([ 6, 15, 24])
3.Numpy矩阵属性
常用属性
import numpy as np print(np.arange(15)) # 生成一个列表(索引)
print('--'*10)
a = np.arange(15).reshape(3, 5) # reshape函数修改矩阵为3行5列
print(a)
结果输出:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
--------------------
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
print(a.shape) # shape属性打印矩阵的行列数
print(a.ndim) # ndim查看当前矩阵的维度
print(a.dtype) # 查看矩阵数据类型
print(a.size) # 查看矩阵中的元素
结果输出:
(3, 5)
2
int32
15
4.Numpy矩阵的初始化
zeros与ones
np.zeros((3, 4)) # 初始化一个3行4列的0矩阵,参数以元组的形式传入,默认为float类型
结果输出:
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
np.ones((2, 3, 4),dtype=np.int32) # 初始化一个三维1矩阵, 指定数据类型为int,元组长度决定了矩阵维度
结果输出:
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]]])
np.arange(5, 10, 0.3) # 创建一个等差数列,公差为0.3
结果输出:
array([5. , 5.3, 5.6, 5.9, 6.2, 6.5, 6.8, 7.1, 7.4, 7.7, 8. , 8.3, 8.6,
8.9, 9.2, 9.5, 9.8])
随机矩阵
np.random.random((2, 3)) # 随机矩阵,创建一个2行3列的随机矩阵,默认为0到1之间
结果输出:
array([[0.10536991, 0.49359947, 0.56369024],
[0.39357893, 0.78362851, 0.75576749]])
from numpy import pi # 数学中的π
np.linspace(0, 2*pi, 100) # 从0到2π中平均生成100个数
结果输出:
array([0. , 0.06346652, 0.12693304, 0.19039955, 0.25386607,
0.31733259, 0.38079911, 0.44426563, 0.50773215, 0.57119866,
0.63466518, 0.6981317 , 0.76159822, 0.82506474, 0.88853126,
0.95199777, 1.01546429, 1.07893081, 1.14239733, 1.20586385,
1.26933037, 1.33279688, 1.3962634 , 1.45972992, 1.52319644,
1.58666296, 1.65012947, 1.71359599, 1.77706251, 1.84052903,
1.90399555, 1.96746207, 2.03092858, 2.0943951 , 2.15786162,
2.22132814, 2.28479466, 2.34826118, 2.41172769, 2.47519421,
2.53866073, 2.60212725, 2.66559377, 2.72906028, 2.7925268 ,
2.85599332, 2.91945984, 2.98292636, 3.04639288, 3.10985939,
3.17332591, 3.23679243, 3.30025895, 3.36372547, 3.42719199,
...
基础运算
a = np.array([20, 30, 40])
b = np.array([2, 3, 4])
print("a:",a)
print("b:",b)
c = a - b
print("c:",c) # numpy是对应位置相减
c = c - 1
print("c-1:",c)
print("b^2:", b ** 2) # 平方
print("a<30:",a < 30) # 判断每个元素是否小于30
结果输出:
a: [20 30 40]
b: [2 3 4]
c: [18 27 36]
c-1: [17 26 35]
b^2: [ 4 9 16]
a<30: [ True False False]
a = np.array([
[1, 1],
[0, 1]
])
b = np.array([
[2, 0],
[3, 4]
])
print( a * b) # 点积相乘,对应位置相乘
print("------")
print(a.dot(b)) # 矩阵相乘
print("------")
print(np.dot(a, b)) # 同样的矩阵相乘
结果输出:
[[2 0]
[0 4]]
------
[[5 4]
[3 4]]
------
[[5 4]
[3 4]]
5.Numpy中的常用函数
平方与幂
B = np.arange(3)
print(np.exp(B)) # e的幂运算
print(np.sqrt(B)) # 开平方
结果输出:
[1. 2.71828183 7.3890561 ]
[0. 1. 1.41421356]
取整函数
a = np.floor(10 * np.random.random((3, 4))) # floor 向下取整
print(a)
结果输出:
[[8. 0. 7. 6.]
[3. 1. 3. 1.]
[3. 0. 1. 4.]]
拆分矩阵
aa = a.ravel() # ravel 拆分矩阵,将矩阵拆分为向量
print(aa)
结果输出:
[8. 0. 7. 6. 3. 1. 3. 1. 3. 0. 1. 4.]
reshape函数
aa.shape = (6, 2) # 改变矩阵样式, 效果和reshape((6, 2))相同
aa
结果输出:
array([[8., 0.],
[7., 6.],
[3., 1.],
[3., 1.],
[3., 0.],
[1., 4.]])
矩阵转置
aa.T # 转置
结果输出:
array([[8., 7., 3., 3., 3., 1.],
[0., 6., 1., 1., 0., 4.]])
矩阵拼接
a = np.floor(10 * np.random.random((2, 3)))
b = np.floor(10 * np.random.random((2, 3))) print(a)
print(b)
print('============')
print(np.vstack((a, b))) # 按行拼接
print('============')
print(np.hstack((a, b))) # 按列拼接
结果输出:
[[5. 6. 7.]
[0. 1. 7.]]
[[6. 2. 3.]
[5. 4. 7.]]
============
[[5. 6. 7.]
[0. 1. 7.]
[6. 2. 3.]
[5. 4. 7.]]
============
[[5. 6. 7. 6. 2. 3.]
[0. 1. 7. 5. 4. 7.]]
a = np.floor(10 * np.random.random((2, 12)))
print(a)
print("===="*5)
print(np.hsplit(a, 3)) # 将a(2行12列)平均切分为3份,按行切分
print("===="*5)
print(np.hsplit(a, (3, 4))) # 在角标为3的地方切分开一次,角标为4的地方再切分开一次,参数为元组
print("===="*5)
a = a.T
print(np.vsplit(a, 3)) # 同理操作,按列切分
结果输出:
[[6. 0. 3. 8. 4. 2. 6. 7. 2. 9. 7. 9.]
[2. 3. 5. 5. 3. 2. 5. 6. 8. 2. 6. 4.]]
====================
[array([[6., 0., 3., 8.],
[2., 3., 5., 5.]]), array([[4., 2., 6., 7.],
[3., 2., 5., 6.]]), array([[2., 9., 7., 9.],
[8., 2., 6., 4.]])]
====================
[array([[6., 0., 3.],
[2., 3., 5.]]), array([[8.],
[5.]]), array([[4., 2., 6., 7., 2., 9., 7., 9.],
[3., 2., 5., 6., 8., 2., 6., 4.]])]
====================
[array([[6., 2.],
[0., 3.],
[3., 5.],
[8., 5.]]), array([[4., 3.],
[2., 2.],
[6., 5.],
[7., 6.]]), array([[2., 8.],
[9., 2.],
[7., 6.],
[9., 4.]])]
import numpy as np data = np.sin(np.arange(20)).reshape(5, 4) # 生成一组数据
print(data)
ind = data.argmax(axis=0) # 按列查找,返回每列最大值的索引
print(ind)
data_max = data[ind, range(data.shape[1])] # 取出每一列的最大值
print(data_max)
结果输出:
[[ 0. 0.84147098 0.90929743 0.14112001]
[-0.7568025 -0.95892427 -0.2794155 0.6569866 ]
[ 0.98935825 0.41211849 -0.54402111 -0.99999021]
[-0.53657292 0.42016704 0.99060736 0.65028784]
[-0.28790332 -0.96139749 -0.75098725 0.14987721]]
[2 0 3 1]
[0.98935825 0.84147098 0.99060736 0.6569866 ]
a = np.arange(0, 20, 3)
print(a)
b = np.tile(a, (4, 2)) # 平铺,行变为原来的多少倍(4),列变为原来的多少倍(2)
print(b)
结果输出:
[ 0 3 6 9 12 15 18]
[[ 0 3 6 9 12 15 18 0 3 6 9 12 15 18]
[ 0 3 6 9 12 15 18 0 3 6 9 12 15 18]
[ 0 3 6 9 12 15 18 0 3 6 9 12 15 18]
[ 0 3 6 9 12 15 18 0 3 6 9 12 15 18]]
矩阵排序
a = np.array([
[4, 3, 5],
[1, 2, 1]
])
print(a)
print("---"*5)
b = np.sort(a, axis=0) # 按行从小到大排序
print(b)
print("---"*5)
print(np.sort(a, axis=1)) # 按列从小到大排序
print("---"*5)
index = np.argsort(a) # 获取从小到大排序的索引值
print(index)
结果输出:
[[4 3 5]
[1 2 1]]
---------------
[[1 2 1]
[4 3 5]]
---------------
[[3 4 5]
[1 1 2]]
---------------
[[1 0 2]
[0 2 1]]
01_Numpy基本使用的更多相关文章
随机推荐
- Unity C#数据持久化与xml
最近工作需要用到数据持久化,所以在此分享一下,通过查阅资料,数据持久化大体都是通过xml或者json来进行的.unity为我们自定义了数据持久化方法,但是比较局限,还需要自己来完成数据持久化方法. ( ...
- SpringBoot2.1.9+dubbo2.7.3+Nacos1.1.4构建你的微服务体系
简单几步使用最新版本的DUBBO构建你的微服务体系 NACOS注册中心 从github下载最新版本的nacos 上传至服务器并解压 单机启动sh startup.sh -m standalone na ...
- 纯HTML+JS实现轮播
<!DOCTYPE html> <html lang="en" xmlns="http://www.w3.org/1999/xhtml"> ...
- JNI技术实现--Java调C/C++
废话不多说,首先我们来看Java调用C/C++步骤: 1.编写Java代码,在代码中使用native关键字标明该方法是调用本地库,不需要实现. 2.使用javah -jni 命令,生成对应的头文件,此 ...
- git 命令归纳版
1.克隆: 单纯的克隆名字: git clone [url] 自定义新建项目名称: git clone [url] [项目名字] 2.跟踪文件: git add [文件名] 3.添加忽略文件 ...
- MIT线性代数:20.克拉默法则,逆矩阵和体积
- 闯缸鱼:看懂python如何实现整数加和,再决定是否自学编程
玩鱼缸的新手都知道有一种鱼叫"闯缸鱼",皮实好养,帮助新手判断鱼缸环境是否准备好.这篇笔记,最初用来解答一个编程新手的疑问,后来我发现,整理一下也可当做有兴趣自学python 编程 ...
- [考试反思]0829NOIP模拟测试33:仰望
,160,160,160... 凑和吧,但是莫名开心. 然而这次没有什么想讲的. T1,等比数列求和,XX题,水极,20分钟找规律,找错,快速幂又打错,没检查,10分. T2,想复杂了,想了很久效率很 ...
- Linux基础指令--韩顺平老师课程笔记
一.vi和vim编辑器 ①.三种模式 所有的 Linux 系统都会内建 vi 文本编辑器.vim 具有程序编辑的能力,可以看做是 vi 的增强版本,可以主动的以字体颜色辨别语法的正确性,方便程序设计. ...
- 基于 JavaFX 开发的聊天客户端 OIM-即时通讯
OIM 详细介绍 一.简介 OIM是一套即时通讯的聊天系统,在这里献给大家,一方面希望能够帮助对即时通讯有兴趣研究的朋友,希望我们能够共同进步,另一个就是希望能够帮助到需要即时通讯系统的朋友或者企业, ...