网站的速度,鲜花网站建设项目策 划书,icp信息备案管理系统,网络推广方案的参考文献numpy numpy numpy简介优点下载ndarray的属性输出数据类型routines 函数ndarray对象的读写操作ndarray的级联和切分级联切分 ndarray的基本运算广播机制#xff08;Broadcast#xff09;ndarry的聚合操作数组元素的操作numpy 数学函数numpy 查找和排序 写在最后面 简介
nump…numpy numpy numpy简介优点下载ndarray的属性输出数据类型routines 函数ndarray对象的读写操作ndarray的级联和切分级联切分 ndarray的基本运算广播机制Broadcastndarry的聚合操作数组元素的操作numpy 数学函数numpy 查找和排序 写在最后面 简介
numpy是一个基于python的扩展库 优点
提供了高纬数组对象ndarray运算的速度碾压python的list提供了各种高级数据编程工具如矩阵计算,向量运算快速筛选IO操作傅里叶变换线性代数随机数等 下载
下载非常的简单在cmd中执行以下命令即可
pip install numpy ndarray的属性
1.ndim:维度
# 导入模块
import numpy as np
# 生成一个ndarray对象
arr1 np.array([1,2,3])
arr1.ndim # 1
# 生成一个ndarray对象
arr2 np.array([[1,2,3],[4,5,6]])
arr2.ndim # 2 2.shape形状各维度的长度
# 导入模块
import numpy as np
# 生成一个ndarray对象
arr1 np.array([1,2,3])
arr1.shape # (2, 3)
# 生成一个ndarray对象
arr2 np.array([[1,2,3],[4,5,6]])
arr2.shape # (3,)3.size:(总长度)
# 生成一个ndarray对象
arr1 np.array([1,2,3])
arr1.size # 3
arr2 np.array([[1,2,3],[4,5,6]])
arr2.size # 64,dtype:元素类型
# 生成一个ndarray对象
arr1 np.array([1,2,3])
arr1.dtype # dtype(int32)
arr2 np.array([[1,2,3],[4,5,6]])
arr2.dtype # dtype(int32)type(arr)和dtype(arr)的区别 type是查询arr这个数据对象的类型而dtype是查询arr数组中的内容的数据类型 输出
1.display(建议使用)
arr1 np.array([1,2,3])
arr1.ndim
display(arr1)2.print
arr1 array([1, 2, 3])print(arr1)[1 2 3]3.output 数据类型
数据类型numpy设计初衷是用于运算 的所以对数据类型进行 统一优化统一是为了提高运算速度 注意 numpy默认是ndarray的所有元素的类型相同的 如果传进来的列表中的包含不同类型则统一为同一类型 优先级str-float-int U表示unicode的简写形成 routines 函数
1.np.ones(shape,dtypenone,order‘c’) 生成一个都是1的高维数组 shape:形状 dtype形状 np.ones((3,4),dtypenp.float32)2.np.zeros(shape,dtypenone,order) 生成一个都是0的高维数组
np.zeros((3,4),dtypenp.int32)3.np.full(shape,full_value,odert‘c’) 生成一个指定值的高维数组 full_value指定的值 np.full((3,4),fill_value5) 4.np.eye(n,mNone,k0,dtypefloat) 生成一个默认情况下对角线 第一个参数输出方阵的规模即行数 第二个参数输出的方阵即列数如果默认默认为第一参数的值 第三个参数默认情况下输出的是对角线都是1 其余的都是0的方阵如果k为正整数则在又上方的第k条对角线全是1其余的都是0k为负整数则在左下方第k条对角线全是1其余的都是0 第四个参数数据类型返回数据类型 np.eye(3,4,1,np.int32)5.np.linespace(start,stop,num50,endpointTrue,restepFalse,dtypeNone) 生成一个等差数列 start开始的数值 stop停止的值 num:取多少个值 endpoint是否保留最后一个值 retstep:默认为Flase如果开启则返回的序列结果为一个元组对应的序列在【startend】
np.linspace(0,100,num50,endpointTrue)6.np.range(start,stop,[step],dtypeNone) 生成一个等差数组
import numpy as np
np.arange(start0,stop100,step2)araneg 和linespace的区别 linespace通过指定需要多个数值组成的数组arange:通过设置步长确定数值 7.np.random.randint(low,hightNone,sizeNone,dtypeNone) 生成 一个随机的整数类型的数组 8.正态分布 np.random,randn() ** 标准的正态分布**
np.random.normal() 普通的正态分析 从正态高斯分布中抽取随机样本 参数 loc:float 或 array_like 的浮点数 分布的均值“中心”。 scale:缩放浮点数或浮点数的array_like 分布的标准差分布或“宽度”。必须是 非负数。 size: int 或 int 的元组可选 输出形状。如果给定的形状是例如则绘制样本。如果 size 为默认值 如果 和 都是标量则返回单个值。 否则将抽取样本。(m, n, k)m * n * kNonelocscalenp.broadcast(loc, scale).size mu, sigma 0, 0.1 # mean and standard deviation
s np.random.normal(mu, sigma, 1000)
abs(mu - np.mean(s))
abs(sigma - np.std(s, ddof1))
import matplotlib.pyplot as plt
count, bins, ignored plt.hist(s, 30, densityTrue)
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2) ),linewidth2, colorr)
plt.show()9.np.random.random(size) 生成0-1的随机数左闭右开 参数 size:大小 np.random.random((10,10))10.np.random.permutaion(10) 生成随机索引可以与列表索引进行数组的随机索引 num:生成随机索引的个数 np.random.permutation(10)11.np.random.seed(0) 设置种子以后可以使随机不再发生变化 num:设置种子数 在这一步只设置种子并不产生随机数 np.random.seed(10)
np.random.randint(1,10)ndarray对象的读写操作
索引的访问 数组对象可以使用索引的方式进行获取高维数组访问使用【dim1_index,dim2_index,…】 间接访问arr[index][index]
# 间接访问
arr3 np.random.randint(0,10,size(2,5))
#1.arr3 首先读取出这个操作
arr3[1][2]array提供的访问方式arr[index1,index2]
# 直接访问
arr3 np.random.randint(0,10,size(2,5))
#1.arr3 首先读取出这个操作
arr3[1][2]列表访问先将需要获取的数值的索引位置统一存放在一个列表中然后再使用索引进行逐个获取。
arr1 np.random.randint(0,100,size10)
index [1,3]
arr1[index]切片访问通过切片进行数组的获取
arr2 np.random.randint(0,100,size(5,5))
arr2[1:4:5]
arr2[::-1]通过布尔类型进行获取
arr3 np.random.randint(0,100,size(5,))
bool_index [False,True,False,True,False]
arr3[bool_index]数组支持访问形式int 【int】 切片 bool类型 ndarray的级联和切分
级联
级联的注意事项 1.级联的参数是列表一定要加中括号或者小括号 2.维度相同
# 维度不同无法级联
r1 np.random.random(size(3,))
r2 np.random.random(size(3,4))
r3 np.concatenate((r1,r2))
r3ValueError: all the input arrays must have same number of dimensions3.形状相同
# 不同形状无法级联
s1 np.random.random(size(3,4))
s2 np.random.random(size(3,3))
s3 np.concatenate((s1,s2))#ValueError: all the input array dimensions except for the concatenation axis must match exactly4.级联的方向是默认的是shape这个元组的第一个值所代表的方向 5.可以通过axis参数修改级联的方向 1.np.concatenate((a1,a2),axis0) 参数 (a1,a2) :要拼接的数组 axis:拼接的方向 axis0 的时候数组进行纵连接 axis1数组进行横向拼接 a1 np.random.randint(0,10,size(3,4))
a2 np.random.randint(10,20,size(3,4))
print(a1)
print(a2)
np.concatenate((a1,a2),axis0)np.concatenate((a1,a2),axis1)2.np.hstack((a1,a2)) 横向拼接 参数 (a1,a2): 要拼接的数组 # 进行横向级联
np.hstack((a1,a2))切分
与级联类似以下三个函数可以完成切分工作
# 创建一个可以拆分的数组
a1,a2 np.split(arr,indices_or_sections2,axis0)
display(a1,a2)1.np.split(arr,切分规则轴向) 如果切分规则为数组【m:n】那么数组的分割方式为0:m m:n n:最后
a1,a2 np.hsplit(arr,2)
display(a1,a2)2.np.hsplit() 横向切分 arr:要拆分的数组 indices_or_sections拆分规则 a1,a2 np.hsplit(arr,2)
display(a1,a2)3.vsplit() 纵向切分 arr:要拆分的数组 indices_or_sections拆分规则 a1,a2 np.vsplit(arr,2)
display(a1,a2)ndarray的基本运算
基本运算规则 如果数组的形状相同的时候使用加法相对应位置的数值进行计算 如果数组与单个数值进行计算这个数值与数组的每个位置的数值进行计算
广播机制Broadcast
ndarray的广播机制的两条规则
两个数组的后缘维度即从末尾到开始的算起的为度轴长度相符或者其中一方长度为1 符合上面的两个规则的则认为他们广播兼容的。广播会在缺失和或长度为1 的维度上进行 广播的过程 将维度少和维度多的数组并且符合上面的规则将会把维度少的数值进行数组的扩展到相同的形状再进行相对位置的运算最后得到结果 ndarray可以和任何整数进行广播 ndarry的聚合操作
1.求和 arr.sum() import numpy as np
data np.random.randint(0,100,size5)
data
data.sum()2.arr.nannum() 计算带有空值的数组
a1 np.array([1,2,3,np.nan])
np.nansum(a1)3.arr.max()|arr.min() 获取数组中的最大值或最小值 a1 np.array([1,2,3,11])
# 最大值
np.max(a1)
# 最小值
np.min(a1)4.any() | all() np.any(): 一个数组中如果数组中至少有一个返回的结果就为True
np.all(np.array([True,True,False,False]))np.all() 一个数组中。如果数组中全部为True则返回True否则返回的结果就是Flase 5.np.nan np.nan是一个浮点数在python中None是None类型 np.nan与任何值相加都会得到np.nan
数组元素的操作
添加元素 numpy.append 在数组末尾添加值。追加会为分配整个数组并且把原来的数组复制到新的数组 参数 arr:原数组 values追加的值可以为数组 axis :要追加的形式追加到行还是列 注意如果是追加数组需要将追加的数组设置为相同维度的数组进行追加 a1 np.random.randint(1,100,size(6,6))
np.append(a1,[[64, 63, 13, 89, 33, 55]],axis0)如果没有设置轴数组将会被展开 a1 np.random.randint(1,100,size(6,6))
a2 np.array([1,2,3,4,5,6])
a3 np.append(a1,a2)
display(a1,a2,a3)插入元素 np.insert 函数在给定索引之前沿着给定的轴在输入数值中插入的值 参数 arr:被插入的数组 obj:要插入的位置 values要插入的值 a1 np.random.randint(1,100,size(6,6))
np.insert(a1,1,[64, 63, 13, 89, 33, 55],axis1)如果没有提供轴数据将会被展开 a1 np.random.randint(1,100,size(6,6))
np.insert(a1,1,10)删除元素 np.delete 函数返回输入数值中删除指定数组的新数组
a1 np.random.randint(1,100,size(6,6))
np.delete(a1,[32, 10, 86, 3, 34, 46],axis0)如果没有提供轴数据将会被展开 a1 np.random.randint(1,100,size(6,6))
np.delete(a1,[32, 10, 86, 3, 34, 46])数组变形reshape np.reshape:函数可以在不改变数据条件下修改形状 参数 arr:要改变形状的数组 new_shape:想要修改成的形状整数或者整数数组新的形状应该兼容之前的形状 order‘c’ — 按行 ‘F’ — 按列 ‘A’- -----按照原来的顺序 ‘K’-----元素在内存中出现的顺序 a1 np.random.randint(1,100,size(6,6))
np.reshape(a1,(4,9))注意不能显示的使用shape参数,否则会报错 np.reshape(a1,shape(4,9))数组的迭代器 ndarray.flat 两段代码的最后实现的效果是一样的
for i in a1.flat for i in a1: for i1 in i: print(i1)print(i)数组的扁平化处理 ndarray.flatten():返回一份展开数组的拷贝对拷贝的数组进行修改对原来的数组不会影响到原来的数组 ndarray.ravel():展开数组返回一个展开的数组引用修改会影响原始数组。 数组翻转 np.transpose:翻转数组的维度 这个函数只有两个参数 a:需要翻转的数组 ,axes选择的列或行 a1
a2 np.transpose(a1)
display(a1,a2)numpy 数学函数
三角函数(这里需要注意三角函数接受的参数是弧度不是角度) np.sin() np.cos np.tan()
datanp.random.random(size10)*2*np.pi-np.pi
np.sin(data)
np.cos(data)
np.tan(data)舍入函数 np.around() 参数 a:数组 decimals:舍入的小数位。默认值为0如果为负整数将四舍五入到小数点最左侧的位置 np.around(np.pi,2)算数函数 加减乘除add(),subtract(),multipy(),divide() np.add()
import numpy as np
# 11
np.add(1,1)# 7-1
np.subtract(7,1)乘 除
幂运算可以做开放运算
np.power(16,2)求余运算
np.mod(10,3)自然底数的对数
np.log(),np.log^2 () ,np.log^10()
np.log(10)numpy 查找和排序
查找索引 argmax:返回最大的值的索引位置
a1 np.array([1,2,3,4,5,56])
np.argmax(a1)argmin:返回最小的值的索引位置
a1 np.array([1,2,3,4,5,56])
np.argmin(a1)条件查询 np.where:函数返回输如数组中给定条件的元素索引 参数 condition条件表达式 a1 np.array([1,2,3,4,5,56])
np.where(a110)快速索引 np.start()与ndarray.stort()都可以进行排序但是有区别 np.start()不改变输出方式 ndarray.sort() 本地处理不占用空间但是改变输出的方式
data np.random.randint(1,100,10)
np.sort(data)
data.sort()索引排序 np.argsort():函数返回的是数组从小到大的索引值
data np.random.randint(0,10,10)
np.argsort(data)部分索引 np.partition(a,k):当k为正数的时候得到最小的k个数当k为负数的时候得到最大的k个数 他只是给k个数进行排序不是显示k个数 data np.random.randint(0,10,10)
np.partition(data,2)写在最后面 个人笔记如果有错误的地方希望各位大佬帮忙指正纠正。
