Python Numpy库对数组的操作详解 |
您所在的位置：网站首页 › numpy数组用法 › Python Numpy库对数组的操作详解 |
Python Numpy库对数组的操作详解
|
Python Numpy库对数组的操作详解
发布时间：2020年11月04日 21:55:47
来源：环球青藤
点击量：217
【摘要】1 简介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 
1. 简介 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。最主要的数据结构是ndarray数组。 NumPy 通常与 SciPy（Scientific Python）和 Matplotpb（绘图库）一起使用， 这种组合广泛用于替代 MatLab。 SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。 Matplotpb 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。 2. 创建 创建一维数组 （1）直接创建：np.array([1, 2, 3, 4, 5, 6]) （2）从python的pst中建立：np.array(pst([1, 2, 3, 4, 5, 6])) 创建常量值的一维数据 （1）创建以0为常量值：np.zeros(n,dytpe=float/int) （2）创建以1为常量值：np.ones(n) （3）创建一个空数组：np.empty(4) 创建一个元素递增的数组 （1）从0开始增长的递增数组：np.arange(8) （2）给定区间，自定义步长：np.arange(0,1,0.2) （3）给定区间，自定义个数：np.pnspace(-1,1,50) 创建多维数组：创建单维数组，再添加进多维数组 # 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据 # 二维数组相当于存放的是“两层”数组而已 arr1=np.array(pst([1, 2, 3, 4, 5])) arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组 arr3=np.array(pst([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组 arrx=np.array([arr1,pst([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错 arry=np.array([pst([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错相关推荐：《python视频教程》 创建常量值的(n*m)维数据 （1）创建以0为常量值：np.zeros((n*m),dytpe=float/int) （2）创建以1为常量值：np.ones((n*m)) （3）创建一个空数组：np.empty((n*m)) 创建随机数字的数组 生成随机数种子： （1）np.random.seed() （2）np.random.RandomState() 生成随机数： 生成有分布规律的随机数组 （1）二项分布：np.random.binomial(n, p, size) （2）正态分布：np.random.normal(loc, scale, size) 将csv文件转化成数组或阵列 使用 np.genfromtxt( ‘csv文件名’，depmiter = ‘文件中的分割符’ )函数将文件转化成数组 csv_array = np.genfromtxt('sample.csv', depmiter=',') print(csv_array)3. 数组的变形 生成数组／矩阵转置的函数，即行列数字交换，使用.T a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) print(a.T) ------------------- # 结果如下 [[32 12 2] [15 10 16] [ 6 5 13] [ 9 23 40] [14 1 37]]改变数组的形状： （1）arr.resize(n,m) ：arr.resize(n,m)函数是原地修改数组，要求：元素的个数必须一致 a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]（2）arr.reshape(n,m)：如果某一个维度的参数为-1，则表示元素总个数会迁就另一个维度来计算 a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]将一维升至二维：np.newaxis np.newaxis实际上是直接增加维度的意思，我们一般不会给数组增加太多维度，这里以一维增加到二维为例： （1）增加行维度：arr[np.newaxis, :] （2）增加列维度：arr[: , np.newaxis] a=np.arange(8) a # array([0, 1, 2, 3, 4, 5, 6, 7]) a.shape # (8,) a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]]) a.shape # (8,) a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]]) a.shape # (8,)降维：arr.ravel() arr.ravel()函数在降维时：默认是行序优先生成新数组（就是一行行读）；如果传入参数“F”则是列序降维生成新数组 a=np.array([[1,2],[3,4]]) a.ravel() a.ravel('F') ---------------------------- # 结果 array([1, 2, 3, 4]) # 结果 array([1, 3, 2, 4])4. 计算 对数组进行计算操作 （1）对元素进行加减计算 a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a+b a-b ---------------------------- # a+b和a-b结果分别是： array([[ 1, 3, 7, 6], [ 8, 6, 6, 13]]) array([[-1, -1, -3, 0], [ 0, 4, 6, 1]])（2）乘法：平方／矩阵中元素相乘 a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a**2 a*b ----------------------- # a矩阵平方／a*b矩阵中元素相乘结果分别： array([[ 0, 1, 4, 9], [16, 25, 36, 49]]) array([[ 0, 2, 10, 9], [16, 5, 0, 42]])（3）矩阵*矩阵： # 要求a矩阵的行要等于b矩阵的列数；且a矩阵的列等于b矩阵的行数 a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]]) c1 = np.dot(a,b) c2 = a.dot(b) ---------------------- # ab矩阵相乘的结果：c1=c2 array([[ 31, 36], [ 99, 100]])（4）逻辑计算 【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的！ # 结果返回：一个数组，其中每个元素根据逻辑判断的布尔类型的结果 a > 3 ----------------------------- # 结果如下： array([[False, False, False, False], [ True, True, True, True]])5. 取值 获取一维数组中的某个元素：操作和pst列表的index一样 a = np.array([5, 2, 7, 0, 11]) a[0] # 结果为 5 a[:4] # 结果为 从头开始到索引为4结束 a[2:] # 结果为 从索引为2的开始到结尾 a[::2] # 结果为 从头开始到结尾，每2个取一个值获取多维数组的某个元素，某行或列值 a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) a[2,1] # 结果是一个元素 16 a[2][1] # 结果是一个元素 16 a[1] # 第2行 array([12, 10, 5, 23, 1]) a[：，2] # 取出全部行，第2列 [15,10,16] a[1:3, :] # 取出[1，3)行，全部列 a[1,1:] # array([10, 5, 23, 1])获取满足逻辑运算的 # 需要注意的是，我们数据进行逻辑计算操作得到的仍然是一个数组 # 如果我们想要的是一个过滤后的数组，就需要将"逻辑判断"传入数组中 a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) a[a > 3] a[(a > 3) | (a < 2)] ------------------------------ # 结果分别是： array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37]) array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])遍历：结果是按行输出 a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) for x in a: print(x) -------------------- [32 15 6 9 14] [12 10 5 23 1] [ 2 16 13 40 37]6. 复制／分割／合并 复制：arr.cope() 分割： （1）等分：np.sppt(arr, n, axis=0/1)（即行数或列数可以整除n时才可以） （2）不等分：np.array_sppt(arr, n) 默认按行分n份 a = np.array([[32, 15, 6, 9, 14, 21], [12, 10, 5, 23, 1, 10], [2, 16, 13, 40, 37, 8]]) # 可以看到a矩阵是(3*6)，所以使用np.sppt()只能尝试行分成3份；或者列分成2/3/6份 np.sppt(a,3,axis=0) np.sppt(a,3,axis=1) np.array_sppt(a,2) np.array_sppt(a,4,axis=1) ------------------------------------------- [array([[32, 15, 6, 9, 14, 21]]), array([[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])] [array([[32, 15], [12, 10], [ 2, 16]]), array([[ 6, 9], [ 5, 23], [13, 40]]), array([[14, 21], [ 1, 10], [37, 8]])] [array([[32, 15, 6, 9, 14, 21], [12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])] [array([[32, 15], [12, 10], [ 2, 16]]), array([[ 6, 9], [ 5, 23], [13, 40]]), array([[14], [ 1], [37]]), array([[21], [10], [ 8]])]
合并：np.concatenate((arr1,arr2,arr3), axis=0/1) 默认接在数据下面 a=np.random.rand(2,3) b=np.random.randint(1,size=(2,3)) np.concatenate((a,b,a)) # 接在下面 np.concatenate((a,b,a),axis=1) # 接在后面 ------------------------ array([[0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439], [0. , 0. , 0. ], [0. , 0. , 0. ], [0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439]]) array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. , 0. , 0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439, 0. , 0. , 0. , 0.4539276 , 0.24173315, 0.63931439]])以上就是小编分享的关于Python Numpy库对数组的操作详解的详细内容希望对大家有所帮助，更多有关python教程请关注环球青藤其它相关文章！ 分享到： 编辑：wangmin 上一篇：怎么查看python版本? 下一篇：一文了解什么是Python面向对象中的继承 |
【本文地址】
今日新闻 |
推荐新闻 |