numpy的学习

2019-04-21 本文已影响0人 xm的那年

ndarray的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相等于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小。以字节为单位


import numpy as np 

a=np.array([[0,1,2,3,4],[9,8,7,6,5]])

a
Out[3]: 
array([[0, 1, 2, 3, 4],
       [9, 8, 7, 6, 5]])

a.ndim
Out[4]: 2

a.shape
Out[6]: (2, 5)

a.size
Out[7]: 10

a.dtype
Out[8]: dtype('int32')

a.itemsize
Out[9]: 4

ndarray的元素类型

数据类型	说明
bool	布尔类型，True或False
intc	与C语言中的int类型一致，一般是int32或Int64
intp	用于索引的整数，与C语言中的ssize_t一致，int32或int64
int8	字节长度的整数，取值：[-127，128]
int16	16位的长度的整数，取值[-3276832767]
int32	32位长度的整数，取值:[-2³¹, -2³¹-1]
int64	64位的长度的整数，取值[-2⁶³ ,2⁶³-1]

ndarray的元素类型

数据类型	说明
uint8	8位无符号整数，取值：[0，255]
uint16	16位无符号整数，取值:[0,65535]
uint32	32位无符号整数，取值：[0，2³²-1]
uint64	32位无符号整数，取值：[0，2⁶⁴-1]
float16	16位半精度浮点数，1位符号位，5位指数，10位尾数
float32	32位半精度浮点数，1位符号位，8位指数，23位尾数
float64	64位半精度浮点数，1位符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位的浮点数
complex128	复数类型，实部和虚部都是64位的浮点数

实数（.real）+j虚部（.imag）

ndarray数组的创建方法：

（1）从python中的列表，元组类型创建的ndarray数组，
x=np.array(list/tuple)
x=np.array(list/tuple,dtype=np.float32)
当np.array()不指定dtype的时候，Numpy将根据情况关联一个dtype类型

从列表创建：
x=np.array([0,1,2,3])
从元组类型创建
np.array((4,5,6,7))
从列表和元组混合类型创建

print(np.array([[1,2],[9,8],(0.1,2.3)]))
[[1.  2. ]
 [9.  8. ]
 [0.1 2.3]]

记得列表和元组的类型同质，长度一致

(2) 使用NumPy中函数创建ndarray数组，如：arange，ones,zeros等

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n-1
np.ones(shape）	根据shape生成一个全1的数组，shape是元组类型
np.zeros(shape）	根据shape生成一个全0的数组，shape是元组类型
np.full(shape，val）	根据shape生成一个数组，每一个元素值都是val
np.eye(n）	创建一个正方的n*n单位矩阵，对角线为1。其余为0

例子：
·np.arange(10) Out[21]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.ones((3,6))
Out[28]: 
array([[1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1.]])

np.zeros((3,6),dtype=np.int32)
Out[29]: 
array([[0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0]])

np.eye(5)
Out[30]: 
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.]])
单位矩阵

Out[31]: 
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.]]])

（3）使用NumPy中函数创建ndarray数组，如：arange,ones,zeros等

函数	说明
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0的数组
np.full_like(a,val）	根据数组a的形状生成一个数组，每个元素都是val
np.linspace()	根据起止数据等间距的填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

 a=np.linspace(1,10,4,dtype=np.int32)

a=np.linspace(1,10,4,dtype=np.int32,endpoint=False)

print(a)
[1 3 5 7]

a=np.linspace(1,10,4,endpoint=False)

print(a)
[1.   3.25 5.5  7.75]

print(np.concatenate((A,B)))
[ 1.    3.25  5.5   7.75  1.    4.    7.   10.  ]

ndarray数组的维度变换

函数	说明
.reshape(shape)	不改变数组，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
np.full_like(a,val）	根据数组a的形状生成一个数组，每个元素都是val
np.swapaxes(ax1,ax2)	将数组的n个维度进行调换
np.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

a=np.ones((2,3,4),dtype=np.int32)

print(a)
[[[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]

 [[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]]

a.reshape((3,8))
Out[57]: 
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]])

resize改变原数组


a.resize((4,6))

print(a)
[[1 1 1 1 1 1]
 [1 1 1 1 1 1]
 [1 1 1 1 1 1]
 [1 1 1 1 1 1]]

a.flatten()
Out[60]: 
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])

ndarray数组的类型变换

new_a=a.astype(new_type)

a.astype(np.float)
Out[63]: 
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.]])

ndarray数组向列表的转换

ls=a.tolist()


a.tolist()
Out[65]: 
[[1, 1, 1, 1, 1, 1],
 [1, 1, 1, 1, 1, 1],
 [1, 1, 1, 1, 1, 1],
 [1, 1, 1, 1, 1, 1]]

数组的索引和切片

索引：获取数组中特定位置元素的过程

切片：获取数组中元素自己的过程
一维数组的索引和切片：与python的列表类似


a=np.array([9,8,7,6,5])

a
Out[75]: array([9, 8, 7, 6, 5])

a[2]
Out[76]: 7

a[1:4:2]
Out[77]: array([8, 6])```

a=np.arange(24)

a
Out[80]: 
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])

a.reshape(3,8)
Out[81]: 
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]])

image.png

数组的运算

数组与标量之间的运算作用于数组的每一个元素

a.mean()
Out[90]: 11.5
平均值

计算a与元素平均值的商
a=a/a.mean()

a=a/a.mean()

a
Out[93]: 
array([[0.        , 0.08695652, 0.17391304, 0.26086957, 0.34782609,
        0.43478261, 0.52173913, 0.60869565],
       [0.69565217, 0.7826087 , 0.86956522, 0.95652174, 1.04347826,
        1.13043478, 1.2173913 , 1.30434783],
       [1.39130435, 1.47826087, 1.56521739, 1.65217391, 1.73913043,
        1.82608696, 1.91304348, 2.        ]])

Numpy一元函数

函数	说明
np.abs(x) np.fabs(x)	计算数组个元素的绝对值
np.sqrt(x)	计算数组个元素的平方根
np.square(x)	计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x)	计算数组各元素的自然数，10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值，或floor值
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组各元素的小数和整数部分以两个独立的数组形式返回
np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x)	计算各元素的小数和整数部分以独立的数组形式返回
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+),0,-1(-)

np.modf(a)
Out[98]: 
(array([[0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0.]]),
 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.]]))


np.square(a)
Out[100]: 
array([[  0,   1,   4,   9,  16,  25,  36,  49],
       [ 64,  81, 100, 121, 144, 169, 196, 225],
       [256, 289, 324, 361, 400, 441, 484, 529]], dtype=int32)

numpy的二元函数

函数	说明
+ - * / **	两个数组各元素进行对应运算
np.maximun(x,y) np.fmax() np. minmun(x,y) np.fmin()	元素级的最大值/最小值的计算
np.mod(x,y)	元素级的摸运算
np.copysign(x,y)	将数组y中各元素值的符号复制给数组x对应的元素
> < >= <= == !=	算术比较，产生布尔型的数组

numpy的学习

ndarray的属性

ndarray的元素类型

ndarray数组的创建方法：

ndarray数组的维度变换

ndarray数组的类型变换

ndarray数组向列表的转换

数组的索引和切片

数组的运算

Numpy一元函数

numpy的二元函数

猜你喜欢

热点阅读