numpy如何使用
Posted 594504110python
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numpy如何使用相关的知识，希望对你有一定的参考价值。
numpy介绍
创建numpy的数组
np.array()
传入一个列表, 返回一个数组
li = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] arr = np.array(li) print(type(arr), arr) # <class ‘numpy.ndarray‘> [0 1 2 3 4 5 6 7 8 9]
np.arange(10)
类似于python中的range
arr = np.arange(10) print(type(arr), arr) <class ‘numpy.ndarray‘> [0 1 2 3 4 5 6 7 8 9] # 和python的range类型, 顾头不顾尾, 支持步长, 和python的range的区别在于, 起始值和步长支持小数 arr = np.arange(1.2, 10.5, 0.5) print(type(arr), arr) # <class ‘numpy.ndarray‘> [ 1.2 1.7 2.2 2.7 3.2 3.7 4.2 4.7 5.2 5.7 6.2 6.7 7.2 7.7 8.2 8.7 9.2 9.7 10.2]
拓展: 将一维数据变成多维数组
前提保证, reshape()中的行和列相乘等于数组中的全部元素的个数
将一维数组转换成二维数组
arr = np.arange(0, 15).reshape(3, 5) print(arr) # [[ 0 1 2 3 4] # [ 5 6 7 8 9] # [10 11 12 13 14]]
将一维数组转换成三维数组
arr = np.arange(30).reshape(3, 2, 5) 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 24] # [25 26 27 28 29]]] # 三维数组可以只给出两个数值, 另外一个用-1代替, 自动求剩下一个一个应该是多少 # 比如:arr = np.arange(30).reshape(3, 2, -1) 会自动求出-1位置的数应该是6
np.linspace(0, 10, 5)
把0到10范围的数分成长度为5的数组, 保证每个数之间的差是相等的, 前包后也包
arr = np.linspace(0, 10, 5) print(type(arr), arr) # <class ‘numpy.ndarray‘> [ 0. 2.5 5. 7.5 10. ]
np.zeros(10)
创建全0的数组
arr = np.zeros(10) print(arr) # [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] # 默认是float类型, 可以指定dtype, 可以指定创建几维的数据传一个元祖, 比如np.zeros(3,2,5), 就是创建一个3页2行5列的全0数组
np.ones(10)
创建全1的数组
arr = np.ones(10) print(arr) # [1. 1. 1. 1. 1. 1. 1. 1. 1. 1.] # 默认使用float类型, 可以指定dtype, 可以指定创建几维的数据传一个元祖, 比如np.ones(3,2,5), 就是创建一个3页2行5列的全1数组
np.empty(10)
创建元素为随机的数组
# np.empty(10)的意义: 向内存要一个长度为10的内存, 并不进行赋值, 内存中原本的数据是什么就是什么, 之后可以对这个里面的值进行覆盖, 效率相对高一点 arr = np.empty(10) print(arr) # [1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
np.eye(5)
创建单位矩阵, 方形的, 主对角线为1
arr = np.eye(5) # 类似于np.identity(5) print(arr) # [[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.]]
索引切片
数组索引切片的特点: python的切片会产生新的数据, 修改新数据不会影响元数据
但是在数组中却不是这样的, 切片只是在元数据上做标记, 记录3:10这一段数据B可以拿到, 当对B进行修改时
元数据也会跟着变化, 这样做的目的就是节省时间和空间, 当数据较大时, 对数据进行切片比较快
对切片后的数据使用copy()可以进行拷贝, 修改数据不会再影响元数据
one_arr[0:5].copy()
普通索引
一维数组普通索引
one_arr = np.arange(10) print(one_arr) # [0 1 2 3 4 5 6 7 8 9] # 取前5个 print(one_arr[0:5]) # [0 1 2 3 4]
二维数组普通索引
two_arr = np.arange(15).reshape(3, 5) print(two_arr) # [[ 0 1 2 3 4] # [ 5 6 7 8 9] # [10 11 12 13 14]]
1. 取到第二行第三列的那个数
print(two_arr[2, 3]) # 13
2. 取第一行
print(two_arr[0,]) # two_arr[行: 列] # [0 1 2 3 4]
3. 取第一列
print(two_arr[0:,0]) # 所有的行0: 第一列0
4. 从中间去一个长方形
print(two_arr[0:2, 1:4]) # 切片是前包后不包的 # [[1 2 3] # [6 7 8]]
布尔型索引
1. 问题: 给出一个数组, 选出数组中所有大于5的数
python列表的做法
li = [random.randint(1, 10) for n in range(10)] # python列表的做法 # res = list(filter(lambda x: x > 5, li)) # print(res)
数组的做法
arr = np.array(li) print(arr[arr > 5]) # 为什么这样写? # 先看看arr > 5的结果是什么 print(arr > 5) # [ True True True True False False True True True True] # 返回一个全是布尔的数组 # 将5和原数组中的值进行比较返回布尔值 # 返回使用这些布尔值进行取值, 将对应位置上是True的值取出了 # arr[ True True True True False False True True True True] # 这样就把结果取出来了
2. 问题: 给出一个数组, 选出所有大于5, 并且是偶数的数
print(arr[(arr > 5) & (arr % 2 == 0)]) # 两个条件, 当两个条件都是True时才是True # 两个条件先分别计算, 得出两个全是布尔值的数组, 然后两个数组进行 & 计算, 在使用得出的结果取原数组中取值 # 注意 and 和 & 的区别 # and: 是python的关键字 # &: 是运算符 # 在这里要使用运算符
3. 问题: 给出一个数组, 选出所有除了大于5以外的数
print(arr[~(arr > 5)]) # 找出大于5的, 然后使用 ~ 取反
4. 问题: 给出一个数组, 计算该数组中大于5的数字占的比重
print((arr[arr > 5]).size / arr.size) # 计算出大于5的数量, 然后除以全部的数量
花式索引
给出一个数据取出索引为奇数的数值
一维数组
arr = np.arange(10) print(arr[[1, 3, 5, 7, 9]]) # 索引取值使用一个列表, 会取值和该列表值对应的索引位置的值, 保证列表中的元素都能作为索引, 不大于大最大索引 # [1 3 5 7 9]
二维数组
# 使用花式索引是, 行列不能同时使用花式索引, 例如print(arr[[1, 2], [0, 1]]) arr = np.arange(15).reshape(3, 5) print(arr) # [[ 0 1 2 3 4] # [ 5 6 7 8 9] # [10 11 12 13 14]] # print(arr[[1, 2], :][:, [0, 1]]) # [[ 5 6] # [10 11]]
通用函数
np.abs(arr) 绝对值
arr = np.arange(-5, 10).reshape(3, 5) print(arr) # [[-5 -4 -3 -2 -1] # [ 0 1 2 3 4] # [ 5 6 7 8 9]] print(np.abs(arr)) # [[5 4 3 2 1] # [0 1 2 3 4] # [5 6 7 8 9]]
np.sqrt(arr) 开根号
arr = np.arange(1, 16).reshape(3, 5) print(np.sqrt(arr)) # [[1. 1.41421356 1.73205081 2. 2.23606798] # [2.44948974 2.64575131 2.82842712 3. 3.16227766] # [3.31662479 3.46410162 3.60555128 3.74165739 3.87298335]]
np.exp() 指数
arr = np.arange(1, 16).reshape(3, 5) print(np.exp(arr)) # [[2.71828183e+00 7.38905610e+00 2.00855369e+01 5.45981500e+01 # 1.48413159e+02] # [4.03428793e+02 1.09663316e+03 2.98095799e+03 8.10308393e+03 # 2.20264658e+04] # [5.98741417e+04 1.62754791e+05 4.42413392e+05 1.20260428e+06 # 3.26901737e+06]]
取整
arr = np.array([3.4, 3.3, 4.6, 5.0]) print(np.ceil(arr)) # 向上取整 4.5取5 print(np.floor(arr)) # 向下取整 4.5取4 print(np.trunc(arr)) # 向0取整 print(np.rint(arr)) # 四舍五入取整
np.array() 将数组变成整数部分和小数部分两个数组
将数据分成两个数组, 一个是整数部分, 一个是小数部分, 都会带着各自的符号
arr = np.array([-3.4, 3.3, -4.6, 5.0]) print(np.modf(arr)) # (array([-0.4, 0.3, -0.6, 0. ]), array([-3., 3., -4., 5.]))
以上是关于numpy如何使用的主要内容，如果未能解决你的问题，请参考以下文章