python关于numpy基础问题

Posted 2023-05-03

a = np.arange(15).reshape(3, 5)

a.ndim
执行结果是2，非常不解，nidm是轴的个数，a有3个维度，为什么ndim结果是2，不是3呢 ？

参考技术A 　　Python发展至今，已经有越来越多的人使用python进行科学技术，NumPY是python中的一款高性能科学计算和数据分析的基础包。
　　ndarray
　　ndarray（以下简称数组）是numpy的数组对象，需要注意的是，它是同构的，也就是说其中的所有元素必须是相同的类型。其中每个数组都有一个shape和dtype。
　　shape既是数组的形状，比如
　　复制代码
　　1 import numpy as np
　　2 from numpy.random import randn
　　3
　　4 arr = randn(12).reshape(3, 4)
　　5
　　6 arr
　　7
　　8 [[ 0.98655235 1.20830283 -0.72135183 0.40292924]
　　9 [-0.05059849 -0.02714873 -0.62775486 0.83222997]
　　10 [-0.84826071 -0.29484606 -0.76984902 0.09025059]]
　　11
　　12 arr.shape
　　13 (3, 4)
　　复制代码
　　其中(3, 4)即代表arr是3行4列的数组，其中dtype为float64
　　一下函数可以用来创建数组
　　array　　将输入数据转换为ndarray，类型可制定也可默认
　　asarray　　将输入转换为ndarray
　　arange类似内置range
　　ones、ones_like　　根据形状创建一个全1的数组、后者可以复制其他数组的形状
　　zeros、zeros_like类似上面，全0
　　empty、empty_like创建新数组、只分配空间
　　eye、identity创建对角线为1的对角矩阵
　　数组的转置和轴对称
　　转置是多维数组的基本运算之一。可以使用.T属性或者transpose()来实现。.T就是进行轴对换而transpose则可以接收参数进行更丰富的变换
　　复制代码
　　arr = np.arange(6).reshape((2,3))
　　print arr
　　[[0 1 2]
　　[3 4 5]]
　　print arr.T
　　[[0 3]
　　[1 4]
　　[2 5]]
　　arr = np.arange(24).reshape((2,3,4))
　　print arr
　　[[[ 0 1 2 3]
　　[ 4 5 6 7]
　　[ 8 9 10 11]]
　　[[12 13 14 15]
　　[16 17 18 19]
　　[20 21 22 23]]]
　　print arr.transpose((0,1,2))
　　[[[ 0 1 2 3]
　　[ 4 5 6 7]
　　[ 8 9 10 11]]
　　[[12 13 14 15]
　　[16 17 18 19]
　　[20 21 22 23]]]
　　复制代码
　　数组的运算
　　大小相等的数组之间做任何算术运算都会将运算应用到元素级别。
　　复制代码
　　1 arr = np.arange(9).reshape(3, 3)
　　2 print arr
　　3
　　4 [[0 1 2]
　　5 [3 4 5]
　　6 [6 7 8]]
　　7
　　8 print arr*arr
　　9
　　10 [[ 0 1 4]
　　11 [ 9 16 25]
　　12 [36 49 64]]
　　13
　　14 print arr+arr
　　15
　　16 [[ 0 2 4]
　　17 [ 6 8 10]
　　18 [12 14 16]]
　　19
　　20 print arr*4
　　21
　　22 [[ 0 4 8]
　　23 [12 16 20]
　　24 [24 28 32]]
　　复制代码
　　numpy的简单计算中，ufunc通用函数是对数组中的数据执行元素级运算的函数。
　　如：
　　复制代码
　　arr = np.arange(6).reshape((2,3))
　　print arr
　　[[0 1 2]
　　[3 4 5]]
　　print np.square(arr)
　　[[ 0 1 4]
　　[ 9 16 25]]
　　复制代码
　　类似的有：abs,fabs,sqrt,square,exp,log,sign,ceil,floor,rint,modf,isnan,isfinite,isinf,cos,cosh,sin,sinh,tan,tanh，
　　add,subtract,multiply,power,mod,equal,等等 参考技术B ndim的维度（数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵））不是通常矩阵中所说的维度（矩阵多少行多少列），这个矩阵可以被形容为多少行多少列，所以这种程度上来说是2维。当然如果矩阵只有一个数，那么就是1了。nidm的值就是shape函数返回元组的长度

关于Numpy 的一些操作

简介：

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!

Numpy简单创建数组

import numpy as np

# 创建简单的列表

a = [1, 2, 3, 4]

# 将列表转换为数组

b = np.array(b)

Numpy查看数组属性

数组元素个数

b.size

数组形状

b.shape

数组维度

b.ndim

数组元素类型

b.dtype

快速创建N维数组的api函数

• 创建10行10列的数值为浮点1的矩阵

  array_one = np.ones([10, 10])

• 创建10行10列的数值为浮点0的矩阵

  array_zero = np.zeros([10, 10])

• 从现有的数据创建数组

  • array(深拷贝)

  • asarray(浅拷贝)

Numpy创建随机数组np.random

• 均匀分布

  • np.random.rand(10, 10)创建指定形状(示例为10行10列)的数组(范围在0至1之间)

  • np.random.uniform(0, 100)创建指定范围内的一个数

  • np.random.randint(0, 100) 创建指定范围内的一个整数

• 正态分布

  给定均值/标准差/维度的正态分布np.random.normal(1.75, 0.1, (2, 3))

• 数组的索引, 切片

  正态生成4行5列的二维数组

  ? arr = np.random.normal(1.75, 0.1, (4, 5))

  ? print(arr)

  截取第1至2行的第2至3列(从第0行算起)

  ? after_arr = arr[1:3, 2:4]

  ? print(after_arr)

数组索引

• 改变数组形状(要求前后元素个数匹配)

 

改变数组形状

print("reshape函数的使用!")
one_20 = np.ones([20])
print("-->1行20列<--")
print (one_20)
?
one_4_5 = one_20.reshape([4, 5])
print("-->4行5列<--")
print (one_4_5)x 
?

 

Numpy计算(重要)

条件运算

条件判断

import numpy as np
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
stus_score > 80

import numpy as np
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
np.where(stus_score < 80, 0, 90)

统计运算

• 指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)

• 

  求最大值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 求每一列的最大值(0表示列)
print("每一列的最大值为:")
result = np.amax(stus_score, axis=0)
print(result)
?
print("每一行的最大值为:")
result = np.amax(stus_score, axis=1)
print(result)

 

• 指定轴最小值amin

• 

  求最小值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 求每一行的最小值(0表示列)
print("每一列的最小值为:")
result = np.amin(stus_score, axis=0)
print(result)
?
# 求每一行的最小值(1表示行)
print("每一行的最小值为:")
result = np.amin(stus_score, axis=1)
print(result)

• 指定轴平均值mean

求平均值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 求每一行的平均值(0表示列)
print("每一列的平均值:")
result = np.mean(stus_score, axis=0)
print(result)
?
# 求每一行的平均值(1表示行)
print("每一行的平均值:")
result = np.mean(stus_score, axis=1)
print(result)

• 方差std

求方差

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 求每一行的方差(0表示列)
print("每一列的方差:")
result = np.std(stus_score, axis=0)
print(result)
?
# 求每一行的方差(1表示行)
print("每一行的方差:")
result = np.std(stus_score, axis=1)
print(result)

数组运算

• 数组与数的运算

加法

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
print("加分前:")
print(stus_score)
?
# 为所有平时成绩都加5分
stus_score[:, 0] = stus_score[:, 0]+5
print("加分后:")
print(stus_score)

乘法

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
print("减半前:")
print(stus_score)
?
# 平时成绩减半
stus_score[:, 0] = stus_score[:, 0]*0.5
print("减半后:")
print(stus_score)

• 数组间也支持加减乘除运算,但基本用不到

image.png

a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])
c = a + b
d = a - b
e = a * b
f = a / b
print("a+b为", c)
print("a-b为", d)
print("a*b为", e)
print("a/b为", f)

矩阵运算np.dot()(非常重要)

根据权重计算成绩

• 计算规则

(M行, N列) * (N行, Z列) = (M行, Z列)

矩阵计算总成绩

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 平时成绩占40% 期末成绩占60%, 计算结果
q = np.array([[0.4], [0.6]])
result = np.dot(stus_score, q)
print("最终结果为:")
print(result)

• 矩阵拼接

  • 矩阵垂直拼接

垂直拼接

print("v1为:")
v1 = [[0, 1, 2, 3, 4, 5],
      [6, 7, 8, 9, 10, 11]]
print(v1)
print("v2为:")
v2 = [[12, 13, 14, 15, 16, 17], 
      [18, 19, 20, 21, 22, 23]]
print(v2)
# 垂直拼接
result = np.vstack((v1, v2))
print("v1和v2垂直拼接的结果为")
print(result)

• 矩阵水平拼接

• 

  水平拼接

print("v1为:")
v1 = [[0, 1, 2, 3, 4, 5],
      [6, 7, 8, 9, 10, 11]]
print(v1)
print("v2为:")
v2 = [[12, 13, 14, 15, 16, 17], 
      [18, 19, 20, 21, 22, 23]]
print(v2)
# 垂直拼接
result = np.hstack((v1, v2))
print("v1和v2水平拼接的结果为")
print(result)

Numpy读取数据np.genfromtxt

csv文件以逗号分隔数据

? 读取csv格式的文件