python扩展库numpy入门教程

作者:布小禅 时间:2022-05-05 14:28:05 

一、numpy是什么?

扩展库numpy是Python支持科学计算的重要扩展库,是数据分析和科学计算领域如scipy、pandas、sklearn 等众多扩展库中的必备扩展库之一,提供了强大的N维数组及其相关运算、复杂的广播函数、C/C++和Fortran代码集成工具以及线性代数、傅里叶变换和随机数生成等功能。本章童点介绍数组与矩阵及其相关运算,为学习和理解后面章节中的数据分析、机器学习打下良好的基础。

简单来说就是你用来为人工智能领域打基础的东西,私话说得好,基础不牢,地动山摇嘛~

所以这个地方可要好好学习哦~~

二、numpy数组

在numpy中使用的不是python自带的数据类型list,而是numpy中的ndarray

那为什么使用ndarray而不是使用list呢?

因为ndarray是由c/c++写出来的,占用内存更小,使用速度更快

创建一个ndarray的方法有很多,这里说下使用array方法转化的


#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Smly
# @datetime: 2021/9/26 22:22
# @Version: 1.0

import numpy as np

li = [1, 2, 3]
tp = (1, 2, 3)

nday1 = np.array(li)
nday2 = np.array(tp)

print("*****类型*****")
print(type(nday1))
print(type(nday2))

print("*****数组*****")
print(nday1)
print(nday2)

输出结果:


*****类型*****
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
*****数组*****
[1 2 3]
[1 2 3]

2.1 数组使用

如果元素相同的话,可以进行加减乘除

在元素个数相同的情况下,可以进行数组间的加减

在元素个数相同的情况下,可以进行数组间的乘除

对某个数进行的乘除,可以自动进行到所有元素

看例子理解:


#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Smly
# @datetime: 2021/9/26 22:22
# @Version: 1.0
import numpy as np
li = [1, 2, 3]# 列表
tp = (1, 2, 3)# 元组
nday1 = np.array(li)# 内置方法将列表转为ndarray
nday2 = np.array(tp)# 内置方法将元组转为ndarray
nday3 = np.array(range(5)) # 使用range内置函数方法生成ndarray连续数组
nday4 = np.array(range(5, 10))  # 使用range内置函数方法生成ndarray连续数组
print("*****类型*****")
print(type(nday1))
print(type(nday2))
print(type(nday3))
print(type(nday4))
print("*****数组*****")
print(nday1)
print(nday2)
print(nday3)
print(nday4)
print("*****数组加减*****")
print(nday2 + nday1)
print(nday2 - nday1)
print(nday4 - nday3)
print(nday3 + nday4)
# 在元素个数相同的情况下,可以进行数组间的加减
print("*****数组乘除*****")
print(nday2 * nday1)
print(nday2 // nday1)
print(nday4 * nday3)
print(nday4 // nday3)
# 在元素个数相同的情况下,可以进行数组间的乘除
print(nday1 * 3)
print(nday2 // 2)
print(nday3 * 2)
print(nday4 // 2)
# 对某个数进行的乘除,可以自动进行到所有元素

运行结果:


*****类型*****
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
*****数组*****
[1 2 3]
[1 2 3]
[0 1 2 3 4]
[5 6 7 8 9]
*****数组加减*****
[2 4 6]
[0 0 0]
[5 5 5 5 5]
[ 5  7  9 11 13]
*****数组乘除*****
[1 4 9]
[1 1 1]
[ 0  6 14 24 36]
[0 0 0 0 0]
[3 6 9]
[0 1 1]
[0 2 4 6 8]
[2 3 3 4 4]

2.2 创建数组

刚刚的array()方法是将列表和元组等迭代对象转为ndarray数组

接下来要说的是自动创建数组

1. 使用empty创建空数组

里面会有初始值,但是数组初始为None


#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Smly
# @datetime: 2021/9/28 12:29
# @Version: 1.0
import numpy as np
em1 = np.empty(5)       # 创建一个长度为5的空数组
em2 = np.empty((2, 2))  # 创建一个2*2的空二维数组

print("一维数组,长度为5", em1)
print("二维数组,长度为2*2", em2)

输出结果:


[9.96754604e-312 9.96754614e-312 2.60799828e-310 9.34609789e-307
0.00000000e+000]
[[6.95299778e-310 9.96747617e-312]
[0.00000000e+000 6.95299776e-310]]

2. 使用arange函数创建

arange是numpy自带的的一个方法,作用与range这个Python内置函数相差无几,都是生成数组

先导入numpy包


import numpy as np

然后创建数组


print("*****ararge创建数组*****")

aran_arr1 = np.arange(5)
aran_arr2 = np.arange(5, 10)

print("*****类型*****")
print(type(aran_arr1))
print(type(aran_arr2))

print("*****数组*****")
print(aran_arr1)
print(aran_arr2)

3. 使用zeros函数生成数组

zeros函数是numpy自带的方法,作用是生成指定数量的全0一维数组,全0二维数组等

看下面的例子:

生成一个具有三个元素的一维数组和一个具有五个元素的一维数组:


#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Smly
# @datetime: 2021/9/27 21:31
# @Version: 1.0

import numpy as np
zero_arr = np.zeros(3)
zrro_arr2 = np.zeros(5)
print(zero_arr)
print(zrro_arr2)

运行结果:

[0. 0. 0.]
[0. 0. 0. 0. 0.]

当然这只是一位数组,你还可以生成二维数组,也就是矩阵

使用如下代码可以生成一个三行三列的矩阵


zero_arr3 = np.zeros((3, 3))

输出看看:


print(zero-arr3)

运行结果:

[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

4. ones函数生成数组

使用ones函数生成全1函数,方法同zeros


import numpy as np

ones_arr1 = np.ones(3)

输出结果:

[1. 1. 1.]

生成一个三行三列的矩阵


import numpy as np

ones_arr2 = np.ones((3, 3))

输出结果:

[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

5. diag函数生成对角矩阵

什么是对角矩阵?你应该听说过对角线,矩阵就是生成在对角线上的矩阵

函数参数是一个元祖

看代码和运行结果能够理解的更深刻


import numpy as np

diag_arr = np.diag((4, 3, 2, 1))

将diag_arr的输出的结果为:

[[4 0 0 0]
 [0 3 0 0]
 [0 0 2 0]
 [0 0 0 1]]

看,对角线是不是你函数的参数,这下理解了吧

6. N维数组

N维数组就是多维数组,可以理解为数组里面还是数组,里面还是数组,可以参照这个形式

[[[1 2]
  [3 4]]
 [[5 6]
  [7 8]]]

这个概念确实有点抽象,有点难理解。这就是一个三维数组,是通过三维列表使用array方法转换成ndarray的

代码:


#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Smly
# @datetime: 2021/9/27 13:29
# @Version: 1.0
import numpy as np

li = [
   [[1, 2], [3, 4]],
   [[5, 6], [7, 8]]
]
te1 = np.array(li)
print(te1)

当然,二维数组也算是N维数组

2.3 访问数组元素

numpy自带了一个insert函数,可以往数组中插入元素

看实例:


li = [[1, 2, 3, 4], [5, 6, 7, 8], [2, 4, 6, 8]]
gb1 = np.array(li)
np.insert(gb1, 1, [1, 2, 3, 4])

输出结果:

[1 1 2 3 4 2 3 4 5 6 7 8 2 4 6 8]

还有一个自带的add函数,可以进行数组的相加减

数组嘛,可以使用下标来获取数组元素


import numpy as np

li1 = [1, 2, 3, 4]
gb2 = np.array(li1)
print(gb2[1])

输出结果为:

2

当然,它是一个数组,你理所应当的也可以使用循环语句来遍历数组

三、了解矩阵

数组是数组,矩阵是矩阵。

数组是一种数据结构,可以存储多种数据,可以有多维

矩阵是数学中的一个概念,只能存放数字,并且只能是二维的形式

生成矩阵的方法就和生成N维数组的方法是一样的

先使用列表创建二维列表,然后再使用numpy的方法转成矩阵,当然也有好几中生成矩阵的方法


import numpy as np
li = [[1, 2, 3, 4], [5, 6, 7, 8]]
j1 = np.matrix(li)
print(j1)
print(type(j1))
print(j1.dtype)

输出该矩阵:


输出矩阵: [[1 2 3 4]
[5 6 7 8]]
矩阵在Python的类型: <class 'numpy.matrix'>
在numpy中的类型: int32

矩阵可以进行各种数学运算,在numpy中都得到了很好的支持,这里就不细说了

3.1 广播

何为广播,广播就是能将你的东西发送到各个区域,一般在计算机中是将信息发送到局域网络中的每个计算机中。

而在numpy中也有广播,只不过他是将元素自动补到数组,矩阵上,就像你在上面看到的,一个数组乘除一个元素,数组中的所有元素都会乘这个数


import numpy as np

li1 = [1, 2, 3, 4]
print(np.array(li1)*10)

输出结果:

[10 20 30 40]

这个就是广播,就是将数字10播到li转成的数组中,能够让数组所有元素都乘10。

而不同维度的数组也可以这样


#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Smly
# @datetime: 2021/9/27 13:40
# @Version: 1.0
import numpy as np
li = [[1, 2, 3, 4], [5, 6, 7, 8], [2, 4, 6, 8]]
gb1 = np.array(li)
li1 = [1, 2, 3, 4]
gb2 = np.array(li1)
print(gb1*gb2)

将一维数组的每个元素挨个广播到二维数组,前提是:

二维数组中的一维数组的个数与一维数组的个数是相同的

运行结果:

[[ 1  4  9 16]
 [ 5 12 21 32]
 [ 2  8 18 32]]

来源:https://blog.csdn.net/m0_52883898/article/details/120928439

标签:python,numpy,入门教程
0
投稿

猜你喜欢

  • python导入csv文件出现SyntaxError问题分析

    2023-12-12 04:29:57
  • python连接池实现示例程序

    2022-04-30 21:59:54
  • Python从csv文件中读取数据及提取数据的方法

    2021-01-26 07:12:44
  • python数据分析之线性回归选择基金

    2022-03-09 08:13:59
  • 使用Python实现毫秒级抢单功能

    2022-10-17 18:46:16
  • python队列通信:rabbitMQ的使用(实例讲解)

    2021-01-11 05:04:55
  • 对比国内门户网站对Flash激活限制的处理

    2007-08-23 11:29:00
  • GoLang channel关闭状态相关操作详解

    2024-04-26 17:26:52
  • Python用Try语句捕获异常的实例方法

    2021-07-14 10:28:54
  • MySQL数据库查询性能优化的4个技巧干货

    2024-01-13 23:25:16
  • python 实现围棋游戏(纯tkinter gui)

    2023-11-23 16:13:04
  • Git Submodule使用完整教程(小结)

    2022-06-29 21:01:06
  • Python线程同步的实现代码

    2022-10-01 00:20:48
  • Python将图片批量从png格式转换至WebP格式

    2023-01-11 00:27:49
  • Oracle的约束介绍与约束维护

    2024-01-28 04:19:05
  • Python3之外部文件调用Django程序操作model等文件实现方式

    2023-07-19 01:17:29
  • 显卡驱动CUDA 和 pytorch CUDA 之间的区别

    2021-12-29 04:35:31
  • Python中random模块用法实例分析

    2023-01-02 19:40:25
  • python语言中有算法吗

    2022-06-22 12:42:15
  • Scrapy框架使用的基本知识

    2022-02-23 22:27:27
  • asp之家 网络编程 m.aspxhome.com