小白怎么开始学python-Numpy数组篇

2021-06-19 本文已影响0人偶余杭

数组是python的主角之一，以下会记录数组的创建方法和应用

Numpy——用它来进行数组创建

在开始之前先来了解Numpy，NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持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怎么安装呢？
最简单的方法是下载以下的 Python 发行版，它们包含了所有的关键包（包括 NumPy，SciPy，matplotlib，IPython，SymPy 以及 Python 核心自带的其它包）
由于我们已经安装了 Anaconda: 免费 Python 发行版，所以自带了Numpy，不用另外安装了。

如果没有安装Numpy，可以通过以下pip语句安装：

//安装
! pip install numpy
//导入
import numpy as np

创建一个 ndarray(N维数组）只需调用 NumPy 的 array 函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
object 数组或嵌套的数列
dtype 数组元素的数据类型，可选
copy 对象是否需要复制，可选
order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok 默认返回一个与基类类型一致的数组
ndmin 指定生成数组的最小维度

数组产生

数组产生方法：

通过list

通过tuple

通过list of list

通过list of tuple

通过function

arange-等差数组

linspace-等差数组

logspace-等比数组

zeros-全0数组

ones-全1数组

random-随机数组

自定义数组

#引入numpy
import numpy as np;
#list产生数组
np.array([3,2])
#list of list
np.array([[3,2]])
#二维list
np.array([3,2],ndmin=2)
#tuple
np.array((3,2))
#二维list
np.array((3,2),ndmin=2)
#二维数组
np.array([[3,2],[3,4]])
np.array([(2,3),(3,4)])
#设置数据类型
np.array([[1,2],[3,4]],dtype='float')
np.array([[1,2],[3,4]],dtype='str')

等差数组

1、使用arange函数，参数为开始、结束、等差值

image.png

使用reshape函数可以设置维度，参数为行数、列数

image.png
当列数为-1时，自动计算适配，不用我们自己计算

image.png

设置数据类型

image.png
2、使用linspace设置等差数列，参数为开始、结束，数据个数

image.png

等比数列

使用lospace设置等比数列，参数为开始、结束，数据个数，等比base（默认是10）

image.png

全0\1数组

image.png

随机数组

image.png

需要固定随机结果，设置seed：

image.png

随机生成正太分布数据

image.png
随机生成整数数据

image.png

数组属性

ndarray.ndim 秩，即轴的数量或维度的数量
ndarray.shape 数组的维度，对于矩阵，n 行 m 列
ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype ndarray 对象的元素类型
ndarray.itemsize ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags ndarray 对象的内存信息
ndarray.real ndarray元素的实部
ndarray.imag ndarray 元素的虚部
ndarray.data 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

image.png

数组转置

image.png

数据选择

一维数组选择

image.png

索引选择

image.png
切片选择：切出一部分，参数：头索引、尾索引，间隔

image.png

多维数组选择

image.png

索引选择

image.png
切片选择
注意：冒号和三个省略号作用一致

image.png

条件选择

image.png

数组计算

image.png

a=np.array([[1,2,3,4],[5,6,7,8]])
#求和
np.sum(a)
#按行求和
np.sum(a,axis=1)
#按列求和
np.sum(a,axis=0)
#累积求和
np.cumsum(a)
#按行累积
np.cumsum(a,axis=1)
#求均值
np.mean(a)
#按行求均值
np.mean(a,axis=1)
#求均值
np.average(a)
#加权求均值
np.average(a,axis=1,weights=[1,2,3,4])
#求中位数
np.median(a)
#按行求中位数
np.median(a,axis=1)
#求百分位数
np.percentile(a,q=[50,100])
#求方差
np.var(a)
#求标准差
np.std(a)
#求最小值
np.min(a)
#求最大值
np.max(a)
#按列求最小值
np.min(a,axis=0)
#求最大值索引
np.argmax(a)
#四舍五入
np.round([1.3,4.5,3.9])
np.floor([1.3,4.5,3.9])
np.ceil([1.3,4.5,3.9])
#排序
np.sort(a)
#倒序
-np.sort(-a)
#选择
np.where(a>50,">50",'<=50')
#提取
np.extract(a>50,a)