python学习之numpy
Posted 周虽旧邦其命维新
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python学习之numpy相关的知识，希望对你有一定的参考价值。
1、ndarray
Numpy 的数组类称做 ndarry，别名是 array。注意 numpy.array 和 Python 标准库的类 array.array 不同，标准库的类只处理一维数组（one-dimensional arrays）。
1.1入门例子
使用numpy对列表中每个元素进行开平方运算
import numpy as np
import math
a = [3,4,9,15]
result = []
for i in a:
print(math.sqrt(i))
result.append(math.sqrt(i))
print(result)
print(np.sqrt(a))
1.2使用array函数创建ndarray
import numpy as np
# 使用array函数创建一维数组
a = np.array([1,2,3,4])
print(a)
print(type(a))
# 使用array函数创建二维数组
b = np.array([[11,12,13],[21,22,23],[31,32,33]])
print(b)
print(type(b))
# 使用array函数创建三维数组
c = np.array([[[11,12,13],[21,22,23],[31,32,33]],[[211,212,213],[221,222,223],[231,232,233]]])
print(c)
print(type(c))
# 使用dtype设置ndarray中的元素类型
d = np.array([1,2,3,4], dtype=float)
print(d)
print(type(d))
# array函数中ndmin设置ndarray的维度
e = np.array([1,2,3], dtype=float, ndmin=4)
print(e)
print(type(e))
注意，使用array函数创建多维数组时，每个维度下元素内部必须一致，否则会报错
VisibleDeprecationWarning: Creating an ndarray from ragged nested sequences (which is a list-or-tuple of lists-or-tuples-or ndarrays with different lengths or shapes) is deprecated. If you meant to do this, you must specify ‘dtype=object’ when creating the ndarray.
2、numpy基础数据结构
2.1练习
import numpy as np
arr = np.array([[1,2,3,4],[1,2,3,4]])
print(arr, type(arr))
print(arr.ndim) # ndim数组维度的个数(轴数)
print(arr.shape) # 数组的维度，对于n行m列的数组，shape为(n, m)
print(arr.size) # 数组中元素的个数
print(type(arr), arr.dtype) # dtype数组中元素的类型
print(arr.itemsize) # 每个元素的字节数
print(arr.data) # 数组数据对象在内存中的起始地址
ar1 = np.array(range(10))
ar2 = np.arange(10)
ar3 = np.array([1,2,3])
ar4 = np.array([[1,2,3], [1,2,3]])
# 如果多维数组类型不一致，所有元素都会转成字符串，如果多维数组元素个数不一致，则会转成一维数组
ar5 = np.array([[1,2,3], ['a','b','c']])
ar6 = np.random.rand(10).reshape(2, 5)
print(ar1)
print(ar2)
print(ar3)
print(ar4)
print(ar5)
print(ar6)
# 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。
print(np.arange(10)) # 返回0-9，整型
print(np.arange(10.0)) # 返回0.0-9.0，浮点型
print(np.arange(5,12)) # 返回5-11
print(np.arange(5.0,12,2)) # 返回5.0-12.0，步长为2
print(np.arange(10000)) # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：
# 创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。
br1 = np.linspace(10, 20, 20) # 因为前闭后闭，实际包含21个数
br2 = np.linspace(10, 20, 20, endpoint=False) #
print(br1)
print(br2)
br3 = np.linspace(10, 20, 20, retstep=True) #
print(br3, type(br3))
# zeros创建一个所有元素都是0的元组，第一个参数是维度，第二个参数是元素类型
print(np.zeros(10))
print(np.zeros((3,5), dtype=np.int64))
# zeros_like创建一个和源数组相同但元素都是0的数组
arr1 = np.array([list(range(10)), list(range(10, 20))])
print(arr1)
print(np.zeros_like(arr1))
print(np.ones(10))
print(np.ones((3,5), dtype=np.int64))
# zeros_like创建一个和源数组相同但元素都是0的数组
arr1 = np.array([list(range(10)), list(range(10, 20))])
print(arr1)
print(np.ones_like(arr1))
# 创建数组eye()
print(np.eye(6))
# 创建一个n*n的矩阵，对角线为1，其余元素为0
2.2作业
import numpy as np
# 作业1：分别按照要求，生成一个一维数组、二维数组，并且查看其shape
arr1 = np.array([list(range(10)), list(range(10, 20))])
print(arr1)
print(arr1.shape)
# 作业2：生成一个一维数组，起始值为5，终点值为15，样本数为10个
arr2 = np.linspace(5, 15, 10)
print(arr2)
# 作业3：按照要求创建以下数组
# 3.1 四行四列全部为0
print(np.zeros((4,4), np.int64))
# 3.2 两行三列全部为1
print(np.ones((2,3), np.int64))
# 3.3 三行三列对角线为1，其余元素为0
print(np.eye(3))
3、通用函数
3.1练习
import numpy as np
# 数组形状：.T/.reshape()/.resize()
ar1 = np.arange(10)
ar2 = np.zeros((5,4))
print(ar1)
print(ar2)
print(ar1.T)
print(ar2.T)
print('------')
# .T方法：转置，例如原shape为(3,4)/(2,3,4)，转置结果为(4,3)/(4,3,2) → 所以一维数组转置后结果不变
ar3 = ar1.reshape(2,5) # 用法1：直接将已有数组改变形状
ar4 = np.zeros((4,6)).reshape(3,8) # 用法2：生成数组后直接改变形状
ar5 = np.reshape(np.arange(12),(3,4)) # 用法3：参数内添加数组，目标形状
print(ar1,'\\n',ar3)
print(ar4)
print(ar5)
print('------')
# numpy.reshape(a, newshape, order='C')：为数组提供新形状，而不更改其数据，所以元素数量需要一致！！
ar6 = np.resize(np.arange(5),(3,4))
print(ar6)
# numpy.resize(a, new_shape)：返回具有指定形状的新数组，如有必要可重复填充所需数量的元素。
# 注意了：.T/.reshape()/.resize()都是生成新的数组！！！
# 数组的复制
ar1 = np.arange(10)
ar2 = ar1
print(ar2 is ar1)
ar1[2] = 9
print(ar1,ar2)
# 回忆python的赋值逻辑：指向内存中生成的一个值 → 这里ar1和ar2指向同一个值，所以ar1改变，ar2一起改变
ar3 = ar1.copy()
print(ar3 is ar1)
ar1[0] = 9
print(ar1,ar3)
# copy方法生成数组及其数据的完整拷贝
# 再次提醒：.T/.reshape()/.resize()都是生成新的数组！！！
# 数组类型转换：.astype()
ar1 = np.arange(10,dtype=float)
print(ar1,ar1.dtype)
print('-----')
# 可以在参数位置设置数组类型
ar2 = ar1.astype(np.int32)
print(ar2,ar2.dtype)
print(ar1,ar1.dtype)
# a.astype()：转换数组类型
# 注意：养成好习惯，数组类型用np.int32，而不是直接int32
# 数组堆叠
a = np.arange(5) # a为一维数组，5个元素
b = np.arange(5,9) # b为一维数组,4个元素
ar1 = np.hstack((a,b)) # 注意:((a,b))，这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
a = np.array([[1],[2],[3]]) # a为二维数组，3行1列
b = np.array([['a'],['b'],['c']]) # b为二维数组，3行1列
ar2 = np.hstack((a,b)) # 注意:((a,b))，这里形状必须一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
print('-----')
# numpy.hstack(tup)：水平（按列顺序）堆叠数组
a = np.arange(5)
b = np.arange(5,10)
ar1 = np.vstack((a,b))
print(a,a.shape)
print(b,b.shape)
print(ar1,ar1.shape)
a = np.array([[1],[2],[3]])
b = np.array([['a'],['b'],['c'],['d']])
ar2 = np.vstack((a,b)) # 这里形状可以不一样
print(a,a.shape)
print(b,b.shape)
print(ar2,ar2.shape)
print('-----')
# numpy.vstack(tup)：垂直（按列顺序）堆叠数组
a = np.arange(5)
b = np.arange(5, 10)
print(a)
print(b)
ar1 = np.stack((a, b))
ar2 = np.stack((a,b), axis=1)
print(ar1, ar1.shape)
print(ar2, ar2.shape)
# numpy.stack(arrays, axis=0)：沿着新轴连接数组的序列，形状必须一样！
# 重点解释axis参数的意思，假设两个数组[1 2 3]和[4 5 6]，shape均为(3,0)
# axis=0：[[1 2 3] [4 5 6]]，shape为(2,3)
# axis=1：[[1 4] [2 5] [3 6]]，shape为(3,2)
# 数组拆分
a = np.arange(16).reshape(4,4)
print(a)
print("------------")
ar1 = np.hsplit(a, 2)
ar2 = np.vsplit(a, 2)
print(ar1)
print(ar2)
# numpy.hsplit(ary, indices_or_sections)：将数组水平（逐列）拆分为多个子数组 → 按列拆分
# numpy.vsplit(ary, indices_or_sections)：:将数组垂直（行方向）拆分为多个子数组 → 按行拆
# 数组简单运算
ar = np.arange(6).reshape(2,3)
print(ar + 10) # 加法
print(ar * 2) # 乘法
print(1 / (ar+1)) # 除法
print(ar ** 0.5) # 幂
# 与标量的运算
print(ar.mean()) # 求平均值
print(ar.max()) # 求最大值
print(ar.min()) # 求最小值
print(ar.std()) # 求标准差
print(ar.var()) # 求方差
print(ar.sum(), np.sum(ar,axis = 0)) # 求和，np.sum() → axis为0，按列求和；axis为1，按行求和
print(np.sort(np.array([1,4,3,2,5,6]))) # 排序
# 常用函数
3.2作业
import numpy as np
# 作业1：创建一个20个元素的数组，分别改变成两个形状：(4,5),(5,6) （提示：超出范围用resize）
a = np.arange(20)
ar1 = np.reshape(a, (4,5))
print(ar1, ar1.shape)
ar2 = np.resize(a, (5,6))
print(ar2, ar2.shape)
# 作业2：创建一个(4,4)的数组，把其元素类型改为字符型
ar1 = np.reshape(np.arange(16), (4,4))
ar2 = ar1.astype(dtype=str)
print(ar2, ar2.dtype)
# 作业3：根据要求创建数组，运用数组的运算方法得到结果：result = ar * 10 +100，并求出result的均值及求和
ar1 = np.reshape(np.arange(16), (4,4))
print(ar1)
ar2 = (ar1 * 10) + 100
print(ar2)
print(np.average(ar2))
print(np.sum(ar2))
4、Numpy索引及切片
4.1练习
import numpy as np
# 基本索引及切片
ar1 = np.arange(20)
print(ar1)
print(ar1[3])
print(ar1[3:5])
print('-----')
# 一维数组索引及切片
ar1 = np.reshape(np.arange(16), (4,4))
print(ar1, ar1.ndim)
print(ar1[2], ar1[2].ndim)
print(ar1[2][2], ar1以上是关于python学习之numpy的主要内容，如果未能解决你的问题，请参考以下文章