使用NumPy进行数组数据处理的示例详解

作者:小小小小能 时间:2023-03-31 20:06:50 

介绍

NumPy是Python中用于数值计算的核心包之一,它提供了大量的高效数组操作函数和数学函数。它支持多维数组和矩阵运算,并且可以集成C/C++和Fortran的代码,因此可以非常高效地处理大量数据。以下是NumPy的一些主要功能和用途:

1.多维数组:NumPy的核心是ndarray(N维数组)对象,可以用来存储同类型的元素。这些数组可以是一维、二维或更高维度。它们提供了方便的数组索引和切片,以及许多基本操作和计算(如加、减、乘、除、取幂等)。

2.数组操作:NumPy提供了大量的数组操作函数,包括数学函数(如三角函数、指数函数、对数函数等)、逻辑函数(如布尔运算、比较运算、逻辑运算等)、排序函数、统计函数等。

3.矩阵操作:NumPy提供了矩阵操作函数,如矩阵加、减、乘、转置、求逆等,可以方便地进行线性代数计算。

4.随机数生成:NumPy可以生成各种随机数,如正态分布、均匀分布、泊松分布、贝努利分布等,以及随机排列和随机选择等。

5.文件IO:NumPy可以读写各种文件格式,包括文本文件、二进制文件和matlab文件等,以便于数据的存储和传输。

6.与其他Python库的整合:NumPy可以方便地与其他Python库(如Pandas、SciPy、matplotlib等)整合使用,以进行数据分析、科学计算和可视化等。

import numpy as np

Ndarray

1.ndarray的操作

将列表数据生成array()

a = np.array([1,2,3,4,5])

确认数据类型

print(a.dtype)  # int32

如果将浮点数代入整数型数组里,数据自动变为整数型(小数点以下自动舍掉)

a[1] = -3.6
print(a)  # [1 -3 3 4 5]

变换数据类型

a2 = a.astype(np.float32)
print(a2, a2.dtype)  # [1. -3. 3. 4. 5.] float32

二维数组

b = np.array([[1, 2, 3],
             [3.2, 5.3, 6.6]])
print('b=', b)  # b= [[1.  2.  3. ][3.2 5.3 6.6]]
print('b[1,2]=', b[1,2])  # b[1,2] = 6.6

2.ndarray的参数

  • ndarry.ndim         数组的维数

  • ndarry.shape       数组的行列数

  • ndarry.size          元素的个数

  • ndarry.dtype        数据的类别

print('ndim =', a.ndim, b.ndim)
print('shape =', a.shape, b.shape)
print('size =', a.size, b.size)
print('dtype =', a.dtype, b.dtype)

# ndim = 1 2
# shape = (5,) (2, 3)
# size = 5 6
# dtype = float32 float64

reshape进行数组重组(元素数不变)

print(b.reshape(6)) # 转为1维数组 [ 1.   2.  -1.1  3.2  5.3  6.6]
print(b.reshape(3,2)) # 转为3行2列数组 [[ 1.   2. ][-1.1  3.2][ 5.3  6.6]]
print(b.T) # 矩阵的转置 [[ 1.   3.2][ 2.   5.3][-1.1  6.6]]

矩阵的计算

矩阵与数值的四则运算时,各个值都进行运算

print(b+2)  #[[3.  4.  0.9][5.2 7.3 8.6]]
print(b-2)  #[[-1.   0.  -3.1][ 1.2  3.3  4.6]]
print(b*2)  #[[ 2.   4.  -2.2][ 6.4 10.6 13.2]]
print(b/2)  #[[ 0.5   1.   -0.55][ 1.6   2.65  3.3 ]]
print(b**3) #3次幂 [[  1.      8.     -1.331][ 32.768 148.877 287.496]]
print(b//1) #用这种方法舍掉小数 [[ 1.  2. -2.][ 3.  5.  6.]]

同维度矩阵计算时,相同位置的值进行运算(矩阵维度不同时报错)

c = b/2
print(b+c)  # [[ 1.5   3.   -1.65][ 4.8   7.95  9.9 ]]
print(b-c)  # [[ 0.5   1.   -0.55][ 1.6   2.65  3.3 ]]
print(b*c)  # [[ 0.5    2.     0.605][ 5.12  14.045 21.78 ]]
print(b/c)  # [[2. 2. 2.][2. 2. 2.]]

行列の積は「@」

a行b列×b行c列=a行c列の行列

A = np.arange(6).reshape(3,2)
B = np.arange(8).reshape(2,4)
print(A)  #[[0 1][2 3][4 5]]
print(B)  #[[0 1 2 3][4 5 6 7]]
print(A@B)  #[[ 4  5  6  7][12 17 22 27][20 29 38 47]]

矩阵的生成

1维矩阵的生成(初始值,终止值,条件)

  • arange 条件为指定步长,总数自动决定,不包括终止值

  • linspace 条件为总数,步长自动决定,包括终止值

np.arange(0,10,0.1)
# array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , 1.1, 1.2,
#      1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5,
#      2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8,
#      3.9, 4. , 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1,
#      5.2, 5.3, 5.4, 5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4,
#      6.5, 6.6, 6.7, 6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, 7.7,
#      7.8, 7.9, 8. , 8.1, 8.2, 8.3, 8.4, 8.5, 8.6, 8.7, 8.8, 8.9, 9. ,
#      9.1, 9.2, 9.3, 9.4, 9.5, 9.6, 9.7, 9.8, 9.9])

np.linspace(0,10,100)
# array([ 0. ,  0.1,  0.2,  0.3,  0.4,  0.5,  0.6,  0.7,  0.8,  0.9,  1. ,
#       1.1,  1.2,  1.3,  1.4,  1.5,  1.6,  1.7,  1.8,  1.9,  2. ,  2.1,
#       2.2,  2.3,  2.4,  2.5,  2.6,  2.7,  2.8,  2.9,  3. ,  3.1,  3.2,
#       3.3,  3.4,  3.5,  3.6,  3.7,  3.8,  3.9,  4. ,  4.1,  4.2,  4.3,
#       4.4,  4.5,  4.6,  4.7,  4.8,  4.9,  5. ,  5.1,  5.2,  5.3,  5.4,
#       5.5,  5.6,  5.7,  5.8,  5.9,  6. ,  6.1,  6.2,  6.3,  6.4,  6.5,
#       6.6,  6.7,  6.8,  6.9,  7. ,  7.1,  7.2,  7.3,  7.4,  7.5,  7.6,
#       7.7,  7.8,  7.9,  8. ,  8.1,  8.2,  8.3,  8.4,  8.5,  8.6,  8.7,
#       8.8,  8.9,  9. ,  9.1,  9.2,  9.3,  9.4,  9.5,  9.6,  9.7,  9.8,
#       9.9, 10. ])

多维矩阵

np.zeros((3,2))

#array([[0., 0.],
#      [0., 0.],
#      [0., 0.]])

np.ones((5,2,3), dtype=np.int16)

# array([[[1, 1, 1],
#         [1, 1, 1]],
#
#        [[1, 1, 1],
#         [1, 1, 1]],
#
#        [[1, 1, 1],
#         [1, 1, 1]],
#
#        [[1, 1, 1],
#         [1, 1, 1]],
#
#        [[1, 1, 1],
#         [1, 1, 1]]], dtype=int16)

print(np.ones((5,2,2))*128)

[[[128. 128.]
#   [128. 128.]]
#
#  [[128. 128.]
#   [128. 128.]]
#
#  [[128. 128.]
#   [128. 128.]]
#
#  [[128. 128.]
#   [128. 128.]]
#
#  [[128. 128.]
#   [128. 128.]]]

3.例子

生成随机二维数组

rnd = np.random.random((5,5))
print(rnd)

# [[0.61467866 0.38383428 0.4604147  0.41355961 0.22680966]
#  [0.83895625 0.49135984 0.21811832 0.91433166 0.18616649]
#  [0.80176894 0.23622139 0.87041535 0.59623534 0.93986178]
#  [0.48324671 0.62398314 0.82435621 0.92421743 0.84660406]
#  [0.63578052 0.99794079 0.46970418 0.85743179 0.11774799]]

生成图像

plt.imshow(rnd, cmap='gray')
plt.colorbar()  #0为黑色,1为白色

使用NumPy进行数组数据处理的示例详解

plt.imshow(rnd>0.5, cmap='gray')
plt.colorbar()

使用NumPy进行数组数据处理的示例详解

color_img = np.array([
   [[255,0,0],
    [0,255,0],
    [0,0,255]],
   [[255,255,0],
    [0,255,255],
    [255,0,255]],
   [[255,255,255],
    [128,128,128],
    [0,0,0]],
])
plt.imshow(color_img)

使用NumPy进行数组数据处理的示例详解

来源:https://blog.csdn.net/weixin_49828565/article/details/129706932

标签:NumPy,数组,数据
0
投稿

猜你喜欢

  • Python中格式化字符串的四种实现

    2023-11-25 10:38:18
  • go语言区块链学习调用智能合约

    2024-04-30 10:01:34
  • JavaScript性能优化--创建文档碎片

    2009-12-04 12:41:00
  • javascript实现无缝上下滚动特效

    2024-05-11 09:35:08
  • 解决python3中的requests解析中文页面出现乱码问题

    2023-11-22 07:04:55
  • 简单谈谈Python中的反转字符串问题

    2022-02-24 11:55:07
  • Python lambda表达式用法实例分析

    2022-06-05 12:32:34
  • Vue中computed和watch的区别

    2024-05-29 22:22:50
  • pycharm使用docker容器开发的详细教程

    2023-07-04 08:13:06
  • Python3实现计算两个数组的交集算法示例

    2021-06-03 00:21:19
  • python实现发送带附件的邮件代码分享

    2021-11-24 12:28:30
  • 对python中各个response的使用说明

    2023-01-20 02:43:16
  • SQL游标原理和使用方法

    2008-12-22 10:50:00
  • pycharm中django框架连接mysql数据库的方法

    2024-01-25 18:52:28
  • 深入了解Vue组件七种通信方式

    2024-04-27 16:03:01
  • 微信跳一跳辅助python代码实现

    2023-03-26 15:25:50
  • python实现猜数字游戏

    2022-12-23 17:30:06
  • Centos8安装mysql8的详细过程(免安装版/或者二进制包方式安装)

    2024-01-27 02:51:17
  • Python3使用SMTP发送带附件邮件

    2022-02-10 12:05:53
  • Python使用for实现无限循环的多种方式汇总

    2023-04-30 15:15:11
  • asp之家 网络编程 m.aspxhome.com