Numpy的简单用法小结

Numpy的简单用法，下面就一起来了解一下importnumpyasnp一、创建ndarray对象列表转换成ndarray:>

Numpy的简单用法，下面就一起来了解一下

import numpy as np

一、创建ndarray对象

列表转换成ndarray:

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

取随机浮点数

>>> np.random.rand(3, 4)
array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ],
 [ 0.66729648, 0.86538771, 0.32621889, 0.07709784],
 [ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])

取随机整数

>>> np.random.randint(1, 5, size=(3,4))
array([[2, 3, 1, 2],
 [3, 4, 4, 4],
 [4, 4, 4, 3]])

取零

>>> np.zeros((3,4))
array([[ 0., 0., 0., 0.],
 [ 0., 0., 0., 0.],
 [ 0., 0., 0., 0.]])

取一

>>> np.ones((3,4))
array([[ 1., 1., 1., 1.],
 [ 1., 1., 1., 1.],
 [ 1., 1., 1., 1.]])

取空(最好别用，了解一下，版本不同返回值不一样)

>>> np.empty((3,4))
array([[ 1., 1., 1., 1.],
 [ 1., 1., 1., 1.],
 [ 1., 1., 1., 1.]])

取整数零或一

>>> np.ones((3,4)，int)
array([[1, 1, 1, 1],
 [1, 1, 1, 1],
 [1, 1, 1, 1]])

>>> np.zeros((3,4),int)
array([[0, 0, 0, 0],
 [0, 0, 0, 0],
 [0, 0, 0, 0]])

仿range命令创建ndarray：

>>> np.arange(2,10,2) # 开始，结束，步长
array([2, 4, 6, 8])

二、ndarray属性的查看和操作：

看ndarray属性：

>>> a = [[1,2,3,4,5],[6,7,8,9,0]]
>>> b = np.array(a)
>>> b.ndim #维度个数(看几维)
2
>>> b.shape #维度大小(看具体长宽)
(5,2)
>>>b.dtype
dtype('int32')

ndarray创建时指定属性：

>>> np.array([1,2,3,4,5],dtype=np.float64)
array([ 1., 2., 3., 4., 5.])

>>> np.zeros((2,5),dtype=np.int32)
array([[0, 0, 0, 0, 0],
 [0, 0, 0, 0, 0]])

属性强转：

>>> a = np.array([1,2,3,4,5],dtype=np.float64)
>>> a
array([ 1., 2., 3., 4., 5.])

>>> a.astype(np.int32)
 array([1, 2, 3, 4, 5])

三、简单操作：

批量运算：

>>> a = np.array([1,2,3,4,5],dtype=np.int32)
>>> a
array([1, 2, 3, 4, 5])

>>> a + a
array([ 2, 4, 6, 8, 10])

>>> a * a
array([ 1, 4, 9, 16, 25])

>>> a - 2
array([-1, 0, 1, 2, 3])

>>> a / 2
array([ 0.5, 1. , 1.5, 2. , 2.5])

#等等

改变维度：

>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
 [6, 7, 8, 9, 0]])

>>> a.reshape((5,2))
array([[1, 2],
 [3, 4],
 [5, 6],
 [7, 8],
 [9, 0]])

矩阵转换(和改变维度有本质区别，仔细)：

>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
 [6, 7, 8, 9, 0]])

>>> a.transpose()
array([[1, 6],
 [2, 7],
 [3, 8],
 [4, 9],
 [5, 0]])

打乱(只能打乱一维)：

>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32)
>>> a
array([[1, 2],
 [3, 4],
 [5, 6],
 [7, 8],
 [9, 0]])
 
>>> np.random.shuffle(a)
>>> a
array([[9, 0],
 [1, 2],
 [7, 8],
 [5, 6],
 [3, 4]])

四、切片和索引：

一维数组(和普通列表一样)：

>>> a = np.array(range(10))
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> a[3]
3

>>> a[2:9:2]
array([2, 4, 6, 8])

多维数组(也差不了多少)：

>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)

>>> a
array([[ 1, 2, 3, 4, 5],
 [ 6, 7, 8, 9, 0],
 [11, 12, 13, 14, 15]])
 

>>> a[:, 1:4]
array([[ 2, 3, 4],
 [ 7, 8, 9],
 [12, 13, 14]])

条件索引：

>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)

>>> a
array([[ 1, 2, 3, 4, 5],
 [ 6, 7, 8, 9, 0],
 [11, 12, 13, 14, 15]])
 

>>> a > 5
array([[False, False, False, False, False],
 [ True, True, True, True, False],
 [ True, True, True, True, True]], dtype=bool)

>>> a[a>5]
array([ 6, 7, 8, 9, 11, 12, 13, 14, 15])

>>> a%3 == 0
Out[128]: 
array([[False, False, True, False, False],
 [ True, False, False, True, True],
 [False, True, False, False, True]], dtype=bool)

>>> a[a%3 == 0]
array([ 3, 6, 9, 0, 12, 15])

五、函数(numpy核心知识点)

计算函数(都不想举例了，太简单。。)：

np.ceil(): 向上最接近的整数，参数是 number 或 array
np.floor(): 向下最接近的整数，参数是 number 或 array
np.rint(): 四舍五入，参数是 number 或 array
np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
np.multiply(): 元素相乘，参数是 number 或 array
np.divide(): 元素相除，参数是 number 或 array
np.abs()：元素的绝对值，参数是 number 或 array
np.where(condition, x, y): 三元运算符，x if condition else y
>>> a = np.random.randn(3,4)
>>> a
array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837],
 [ 0.00701986, 1.65776152, 0.41319601, 0.41356973],
 [-0.32922342, 1.07773886, -0.27273258, 0.29474435]])

>>> np.ceil(a) 
array([[ 1., 1., -0., -1.],
 [ 1., 2., 1., 1.],
 [-0., 2., -0., 1.]])


>>> np.where(a>0, 10, 0)
array([[10, 10, 0, 0],
 [10, 10, 10, 10],
 [ 0, 10, 0, 10]])

统计函数

np.mean():所有元素的平均值
np.sum():所有元素的和，参数是 number 或 array
np.max():所有元素的最大值
np.min():所有元素的最小值，参数是 number 或 array
np.std()：所有元素的标准差
np.var():所有元素的方差，参数是 number 或 array
np.argmax()：最大值的下标索引值，
np.argmin():最小值的下标索引值，参数是 number 或 array
np.cumsum()：返回一个一维数组，每个元素都是之前所有元素的累加和
np.cumprod()：返回一个一维数组，每个元素都是之前所有元素的累乘积，参数是 number 或 array
>>> a = np.arange(12).reshape(3,4).transpose()
>>> a
array([[ 0, 4, 8],
 [ 1, 5, 9],
 [ 2, 6, 10],
 [ 3, 7, 11]])

>>> np.mean(a)
5.5

>>> np.sum(a)
66

>>> np.argmax(a)
11

>>> np.std(a)
3.4520525295346629

>>> np.cumsum(a)
array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)

判断函数：

np.any(): 至少有一个元素满足指定条件，返回True
np.all(): 所有的元素满足指定条件，返回True
>>> a = np.random.randn(2,3)
>>> a
array([[-0.65750548, 2.24801371, -0.26593284],
 [ 0.31447911, -1.0215645 , -0.4984958 ]])

>>> np.any(a>0)
True

>>> np.all(a>0)
False

去除重复：

np.unique(): 去重
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
 [2, 3, 4]])

>>> np.unique(a)
array([1, 2, 3, 4])

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。