Python基础之numpy库的使用
作者:省级干饭王 时间:2023-01-21 02:48:51
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 np
a1 = 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 np
a6 = 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) |
来源:https://blog.csdn.net/qq_55016379/article/details/116198293
标签:Python,numpy库,用法
0
投稿
猜你喜欢
PyCharm中鼠标悬停在函数上时显示函数和帮助的解决方法
2023-08-10 19:20:02
用PHP编写每周签到功能以提高用户参与度
2023-05-27 17:24:54
python切片复制列表的知识点详解
2023-08-06 05:31:35
Python如何提取csv数据并筛选指定条件数据详解
2022-07-20 22:47:59
python 将字符串中的数字相加求和的实现
2022-11-03 22:31:08
mysql日志滚动
2024-01-26 18:38:52
python实现的人脸识别打卡系统
2022-12-01 16:15:21
详谈构造函数加括号与不加括号的区别
2024-06-15 23:06:44
python 进程 进程池 进程间通信实现解析
2022-07-05 07:38:28
用不着妄自菲薄对ASP和ASP程序员的一些话
2007-08-22 15:09:00
SQLSERVER全文目录全文索引的使用方法和区别讲解
2024-01-12 18:12:28
关于vue中的时间格式转化问题
2024-05-13 09:44:07
使用 prometheus python 库编写自定义指标的方法(完整代码)
2021-03-03 06:03:58
coffeescript使用的方式汇总
2024-04-18 10:02:56
[翻译]标记语言和样式手册 chapter 6 短语元素
2008-01-25 16:37:00
Vue.js使用axios动态获取response里的data数据操作
2024-05-08 09:34:06
pycharm修改file type方式
2022-10-08 15:25:36
python2.7删除文件夹和删除文件代码实例
2023-06-02 14:41:17
Python一行代码实现自动发邮件功能
2021-04-06 06:04:38
python 使用 requests 模块发送http请求 的方法
2021-06-02 17:29:19