Python基础之numpy库的使用
numpy库概述
numpy库处理的最基础数据类型是由同种元素构成的多维数组,简称为“数组”
数组的特点:
- 数组中所有元素的类型必须相同
- 数组中元素可以用整数索引
- 序号从0开始
ndarray类型的维度叫做轴,轴的个数叫做秩
numpy库的解析
由于numpy库中函数较多而且容易与常用命名混淆,建议采用如下方法引用numpy库
import numpy as np
numpy库中常用的创建数组函数
函数 | 描述 |
np.array([x,y,z],dtype=int) | 从python列表和元组中创建数组 |
np.arange(x,y,i) | 创建一个由x到y,以i为步长的数组 |
np.linspace(x,y,n) | 创建一个由x到y,等分成n个元素的数组 |
np.indices((m,n)) | 创建一个m行n列的矩阵 |
np.random.rand(m,n) | 创建一个m行n列的随机数组 |
np.ones((m,n),dtype) | 创建一个m行n列全1的数组,dtype是数据类型 |
np.empty((m,n),dtype) | 创建一个m行n列全0的数组,dtype是数据类型 |
import numpy as npa1 = np.array([1,2,3,4,5,6])a2 = np.arange(1,10,3)a3 = np.linspace(1,10,3)a4 = np.indices((3,4))a5 = np.random.rand(3,4)a6 = np.ones((3,4),int)a7 = np.empty((3,4),int)print(a1)print("===========================================================")print(a2)print("===========================================================")print(a3)print("===========================================================")print(a4)print("===========================================================")print(a5)print("===========================================================")print(a6)print("===========================================================")print(a7)=================================================================================[1 2 3 4 5 6]===========================================================[1 4 7]===========================================================[ 1. 5.5 10. ]===========================================================[[[0 0 0 0] [1 1 1 1] [2 2 2 2]] [[0 1 2 3] [0 1 2 3] [0 1 2 3]]]===========================================================[[0.00948155 0.7145306 0.50490391 0.69827703] [0.18164292 0.78440752 0.75091258 0.31184394] [0.17199081 0.3789 0.69886588 0.0476422 ]]===========================================================[[1 1 1 1] [1 1 1 1] [1 1 1 1]]===========================================================[[0 0 0 0] [0 0 0 0] [0 0 0 0]]
在建立一个简单的数组后,可以查看数组的属性
属性 | 描述 |
ndarray.ndim | 数组轴的个数,也被称为秩 |
ndarray.shape | 数组在每个维度上大小的整数元组 |
ndarray.size | 数组元素的总个数 |
ndarray.dtype | 数组元素的数据类型,dtype类型可以用于创建数组 |
ndarray.itemsize | 数组中每个元素的字节大小 |
ndarray.data | 包含实际数组元素的缓冲区地址 |
ndarray.flat | 数组元素的迭代器 |
import numpy as npa6 = np.ones((3,4),int)print(a6)print("=========================================")print(a6.ndim)print("=========================================")print(a6.shape)print("=========================================")print(a6.size)print("=========================================")print(a6.dtype)print("=========================================")print(a6.itemsize)print("=========================================")print(a6.data)print("=========================================")print(a6.flat)=================================================================================[[1 1 1 1] [1 1 1 1] [1 1 1 1]]=========================================2=========================================(3, 4)=========================================12=========================================int32=========================================4=========================================<memory at 0x0000020D79545908>=========================================<numpy.flatiter object at 0x0000020D103B1180>
数组在numpy中被当做对象,可以采用< a >.< b >()方式调用一些方法。
ndarray类的形态操作方法
方法 | 描述 |
ndarray.reshape(n,m) | 不改变数组ndarray,返回一个维度为(n,m)的数组 |
ndarray.resize(new_shape) | 与reshape()作用相同,直接修改数组ndarray |
ndarray.swapaxes(ax1,ax2) | 将数组n个维度中任意两个维度进行调换 |
ndarray.flatten() | 对数组进行降维,返回一个折叠后的一维数组 |
ndarray.ravel() | 作用同np.flatten(),但返回的是一个视图 |
ndarray类的索引和切片方法
方法 | 描述 |
x[i] | 索引第i个元素 |
x[-i] | 从后向前索引第i个元素 |
x[n:m] | 默认步长为1,从前向后索引,不包含m |
x[-m:-n] | 默认步长为1,从前向后索引,结束位置为n |
x[n: m :i] | 指定i步长的由n到m的索引 |
除了ndarray类型方法外,numpy库提供了一匹运算函数
函数 | 描述 |
np.add(x1,x2[,y]) | y = x1 + x2 |
np.subtract(x1,x2[,y]) | y = x1 -x2 |
np.multiply(x1,x2[,y]) | y = x1 * x2 |
np.divide(x1,x2[,y]) | y = x1 /x2 |
np floor_divide(x1,x2[,y]) | y = x1 // x2 |
np.negative(x[,y]) | y = -x |
np.power(x1,x2[,y]) | y = x1 ** x2 |
np.remainder(x1,x2[,y]) | y = x1 % x2 |
numpy库的比较运算函数
函数 | 符号描述 |
np.equal(x1,x2[,y]) | y = x1 == x2 |
np.not_equal(x1,x2[,y]) | y = x1 != x2 |
np.less(x1,x2,[,y]) | y = x1 < x2 |
np.less_equal(x1,x2,[,y]) | y = x1 < = x2 |
np.greater(x1,x2,[,y]) | y = x1 > x2 |
np.greater_equal(x1,x2,[,y]) | y >= x1 >= x2 |
np.where(condition[x,y]) | 根据条件判断是输出x还是y |
numpy库的其他运算函数
函数 | 描述 |
np.abs(x) | 计算济源元素的整形、浮点、或复数的绝对值 |
np.sqrt(x) | 计算每个元素的平方根 |
np.squre(x) | 计算每个元素的平方 |
np.sign(x) | 计算每个元素的符号1(+),0,-1(-) |
np.ceil(x) | 计算大于或等于每个元素的最小值 |
np.floor(x) | 计算小于或等于每个元素的最大值 |
np.rint(x[,out]) | 圆整,取每个元素为最近的整数,保留数据类型 |
np.exp(x[,out]) | 计算每个元素的指数值 |
np.log(x),np.log10(x),np.log2(x) | 计算自然对数(e),基于10,,2的对数,log(1+x) |
到此这篇关于python基础之numpy库的使用的文章就介绍到这了,更多相关python numpy库的使用内容请搜索 以前的文章或继续浏览下面的相关文章希望大家以后多多支持 !
最后更新于 2021-11-23 09:11:06 并被添加「」标签,已有 位童鞋阅读过。
本站使用「署名 4.0 国际」创作共享协议,可自由转载、引用,但需署名作者且注明文章出处
相关文章
- html5使用html2canvas实现浏览器截图的示例
- 如何在win10系统中添加微软拼音中文输入法
- HTML5仿手机微信聊天界面
- matplotlib事件处理基础(事件绑定、事件属性)
- 如何使用一键GHOST安装Windows XP操作系统