numpy 多维数组及数组操作

NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

简单理解：

　　2维是EXCEL表格里面的多行多列
　　3维是EXCEL表格里面的多行多列+下面的sheet1、2、3
　　4维是包括了同一个文件夹下不同名称的EXCEL表格
　　5维是同一分区不同文件夹下不同名称的EXCEL表格
　　6维是不同分区不同文件夹下不同名称的EXCEL表格

多维数组非常像列表，但通常它的元素类型是相同的，且都是数字，下面是一个简单的例子。

 声明数组：

import numpy as np

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

print(f'一维数组: {a}')

结果：

a = np.array([[1, 2, 3], [4, 5, 6]])
print(f'二维数组: {a}')

结果： 

# 使用reshape方法反向生成多维数组 三维数组
nlist_3 = np.array(range(24)).reshape((3,2,4))
print(nlist_3)

结果：

#反向声明一个size为20个元素的四维数组
nlist_4 = np.array(range(20)).reshape((1,2,5,2))
print(nlist_4)

结果：

 数组操作：

print(f'维度(axes or dimensions)): {a.ndim}')

结果：

print(f'每个维度长度: {a.shape}')

结果：

print(f'数组长度: {a.size}')

结果：

print(f'数组类型: {type(a)}')

结果：

print(f'数组元素类型: {a.dtype}')

结果：

print(f'数组元素大小(bytes): {a.itemsize}')

结果：

print(f'数组元素: {a.data}')

结果：

#data属性，用来打印数据缓冲区 buffer
print(a.data)

结果：

#使用浮点作为元素类型
nlist_flaot = np.array([1.0,2.0,3.0])
print(nlist_flaot.dtype)

结果：

#使用字符串作为元素类型

nlist_string = np.array(['a','b','c'])
print(nlist_string.dtype)

结果：

#自动生成使用ones方法，自动生成元素为1的多维数组
nlist_ones = np.ones((4,4))
print(nlist_ones)
print(nlist_ones.dtype)

结果：

#使用zeros来生成元素为0的多维数组
nlist_zeros = np.zeros((4,4))
print(nlist_zeros)
print(nlist_zeros.dtype)

结果:

#使用empty方法来生成随机多维数组 使用第二个参数指定数据类型 不指定为float64
nlist_empty = np.empty([2,2],dtype=np.int)
print(nlist_empty)
print(nlist_empty.dtype)

结果:

#把普通list转换成数组
x = [1,2,3]
x = [[1,2,3],[4,5]]
print(type(x))
nlist = np.asarray(x)
print(nlist)
print(nlist.ndim)
print(nlist.shape)
print(type(nlist))

结果:

#把普通list转换成数组 二维数组
x = [1,2,3]
x = [[1,2,3],[4,5,6]]
print(type(x))
nlist = np.asarray(x)
print(nlist)
print(nlist.ndim)
print(nlist.shape)
print(type(nlist))

结果：

#frombuffer  通过字符串(buffer内存地址)切片来生成多维数组 b指定字节
my_str = b'Hello Word'
nlist_str = np.frombuffer(my_str,dtype='S1')
print(nlist_str)

结果：

x = np.array([[1,2],[3,4]])
print(x)

#指定axis属性可以指定当前多维数组的维度  keepdims=True让其维度不变
sum0 = np.sum(x,axis=0,keepdims=True)
print(sum0)
print('--------------')
sum1 = np.sum(x,axis=1,keepdims=True)
print(sum1)

结果：

#多维数组赋值
x = np.array([1,2])
y = x.copy()
y[0] = 3
print(x)

结果：

#维度级的运算
a = np.array([[1,2],[3,4],[5,6]])
b = np.array([[10,20],[30,40],[50,60]])

#vstack方法
suma = np.vstack((a,b))
print(suma)

#hstack方法
sumb = np.hstack((a,b))
print(sumb)

结果：

#多维数组调用
nlist = np.array([[1,2],[3,4],[5,6]])
print(nlist[0])
#取元素4
print(nlist[1][1])
#第二种写法
print(nlist[1,1])
nlist[2,1] = 7
print(nlist)

结果：

#删除方法 delete
#删除nlist第二行
print(np.delete(nlist,1,axis=0))
print(np.delete(nlist,0,axis=1))

结果：

简单的计算及数组值交换操作

import numpy as np

q1 = np.zeros(shape=10)

#给第五个元素赋值

q1[4] = 1

# print(q1)

# 创建一个每一行都是0到4的5*5矩阵

q2_list = [0,1,2,3,4]

# 使用list乘法反推矩阵

q2 = np.array(q2_list * 5).reshape(5,5)

# print(q2)

q3 = np.array([[1,2,3],[4,5,6],[7,8,9]])

#使用所引交换元素

# 换行

q3 = q3[[2,1,0]]

q3 = q3[[2][0]]

print(q3)

#原数组为一维数组，内容为从 0 到 100，抽取出所有偶数。

q4 = np.array(range(101))

#判断偶数

q4 = q4[q4 % 2 == 0]

print(q4)

import numpy as np

q1 = np.zeros(shape=10)
#给第五个元素赋值
q1[4] = 1
# print(q1)

# 创建一个每一行都是0到4的5*5矩阵
q2_list = [0,1,2,3,4]
# 使用list乘法反推矩阵
q2 = np.array(q2_list * 5).reshape(5,5)
# print(q2)

q3 = np.array([[1,2,3],[4,5,6],[7,8,9]])
#使用所引交换元素
# 换行
q3 = q3[[2,1,0]]print(q3)

#原数组为一维数组，内容为从 0 到 100，抽取出所有偶数。
q4 = np.array(range(101))
#判断偶数
q4 = q4[q4 % 2 == 0]
print(q4)