numpy模块

numpy模块

回顾一下有哪些数据类型

int/float/str/list/tuple/dict/set

numpy是python一种开源的数值计算扩展库.这种库可用来存储和处理大型矩阵,比python自身的嵌套列表结构要高效的多(该结构也可以用来表示矩阵)

作用:

1.区别于list列表,提供了数组操作、数组运算、以及统计分布和简单的数学模型

2.计算速度快，甚至优于python内置的简单运算，使其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似

矩阵即numpy的np.array对象,创建矩阵就是把列表传入np.array()

import numpy as np

一维数组

只有一行
相当于一条直线

lis =[1,2,3]

lis

[1, 2, 3]

np.array(lis)

array([1, 2, 3])

二维数组(用的最多的)

有行有列
相当于一个面,里面有多条线,一个列表里装了多个一维

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

arr  #在pycharm中需要print(arr)

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

学习numpy的方法使用,先来联想一下list的内置方法使用

1.索引

2.切片

3.长度

4.成员运算

5.for循环

6.其他一些内置方法

比较一下 np.array 和 list 的区别

1.np.array是多维的,list是一维的

2.list对一维数组做一些操作,numpy其实就是对多维做操作

获取多维数组的行和列

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

arr

array([[1, 2, 3, 4],

       [5, 6, 7, 8],

       [5, 6, 7, 8]])

arr.shape #获得多维数组的行和列,以元组形式表现出来

(3, 4)

arr.shape[0] #多维数组的行

arr.shape[1] #多维数组的列

print(arr.shape)

print(arr.shape[0])

arr.shape[1]

(3, 4)

3

4

arr.shape

arr.shape[1]

arr.shape[0]

arr.shape ,按照代码运行,直接运行最后一个结果显示处理,用print方法就可以把每一个方法打印出来

多维数组的索引

lis = [1,2,3,4]

#lis[-1]

lis[3]

arr

array([[1, 2, 3, 4],

       [5, 6, 7, 8],

       [5, 6, 7, 8]])

arr #jupyter中前面运行的结果可以直接用,如果前面arr未运行生成,就会报错

中括号中加索引,行和列用逗号分开,可以取到数组中的数

arr[1,1] #  行和列索引都从0开始,取第2行第2列

arr[0,[0,1,2,3]] #第一行,第1,2,3,4列的数

array([1, 2, 3, 4])

arr[0,:] #第一行,第1,2,3,4列的数

array([1, 2, 3, 4])

arr[0:] #没有逗号的时候取出了全部

array([[1, 2, 3, 4],

       [5, 6, 7, 8],

       [5, 6, 7, 8]])

arr[:,0] #所有行,第1列的数

array([1, 5, 5])

高级功能

有一个多维数组存储的是人的年龄,表格里有200岁以上的年龄

arr = np.array([ [1000,2,300,4],[5,600,7,8],[5,6,700,8]])

arr

array([[1000,    2,  300,    4],

       [   5,  600,    7,    8],

       [   5,    6,  700,    8]])

arr>200

array([[ True, False,  True, False],

       [False,  True, False, False],

       [False, False,  True, False]])

arr[arr>200] #取出数组中大于200的元素,并一维数组表现出来

array([1000,  300,  600,  700])

多维数组的元素的替换

lis =[1,2,3,4]

lis[0]=9

lis

[9, 2, 3, 4]

arr

array([[1000,    2,  300,    4],

       [   5,  600,    7,    8],

       [   5,    6,  700,    8]])

arr[1,1]=0

arr

array([[1000,    2,  300,    4],

       [   5,    0,    7,    8],

       [   5,    6,  700,    8]])

arr[0,:]=0

arr

array([[  0,   0,   0,   0],

       [  5,   0,   7,   8],

       [  5,   6, 700,   8]])

arr = np.array([ [1000,2,300,4],[5,600,7,8],[5,6,700,8]])

arr

array([[1000,    2,  300,    4],

       [   5,  600,    7,    8],

       [   5,    6,  700,    8]])

arr[arr>200]=0  #数组中大于200的数替换成了0

arr

array([[0, 2, 0, 4],

       [5, 0, 7, 8],

       [5, 6, 0, 8]])

## 多维数组的合并

arr1=np.array([ [1,2,3,4],[5,6,7,8]])

arr1

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

arr2=np.array([ [9,10,11,12],[13,14,15,16]])

arr2

array([[ 9, 10, 11, 12],

       [13, 14, 15, 16]])

* vstack 和 hstack 只能放一个参数,这个参数必须是容器

np.vstack((arr1,arr2)) #vertical 垂直新的

array([[ 1,  2,  3,  4],

       [ 5,  6,  7,  8],

       [ 9, 10, 11, 12],

       [13, 14, 15, 16]])

np.hstack((arr1,arr2))  #horizon 水平的

array([[ 1,  2,  3,  4,  9, 10, 11, 12],

       [ 5,  6,  7,  8, 13, 14, 15, 16]])

np.concatenate((arr1,arr2)) # concatenate 连接的意思,默认垂直合并

array([[ 1,  2,  3,  4],

       [ 5,  6,  7,  8],

       [ 9, 10, 11, 12],

       [13, 14, 15, 16]])

==在numpy中,为了统一做处理,只要有axis参数的,axis=0就是列,axis=1就是行

np.concatenate((arr1,arr2),axis=1) #水平

array([[ 1,  2,  3,  4,  9, 10, 11, 12],

       [ 5,  6,  7,  8, 13, 14, 15, 16]])

np.concatenate((arr1,arr2),axis=0)#垂直,默认垂直

array([[ 1,  2,  3,  4],

       [ 5,  6,  7,  8],

       [ 9, 10, 11, 12],

       [13, 14, 15, 16]])

通过函数方法创建多维数组

[i for i in range(10)]

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

np.arange(10)

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

np.arange(1,10,2)

array([1, 3, 5, 7, 9])

# ones

np.ones((3,4)) #默认是浮点型

# np.ones((3,4),dtype=int)

array([[1., 1., 1., 1.],

       [1., 1., 1., 1.],

       [1., 1., 1., 1.]])

np.ones((3,4),dtype=int)

# zeros

np.zeros((3,4))

array([[0., 0., 0., 0.],

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

       [0., 0., 0., 0.]])

np.zeros((3,4,5)) #5控制一维,4,5控制二维,3,4,5控制三维

array([[[0., 0., 0., 0., 0.],

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

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

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

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

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

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

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

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

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

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

        [0., 0., 0., 0., 0.]]])

np.zeros((3,4,5))

array([[[0., 0., 0., 0., 0.],

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

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

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

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

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

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

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

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

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

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

        [0., 0., 0., 0., 0.]]])

## eye

np.eye(5) #5,5 5行和5列

array([[1., 0., 0., 0., 0.],

       [0., 1., 0., 0., 0.],

       [0., 0., 1., 0., 0.],

       [0., 0., 0., 1., 0.],

       [0., 0., 0., 0., 1.]])

矩阵的运算

两个矩阵对应元素相加

两个矩阵对应元素相减

两个矩阵对应元素相乘

/ 两个矩阵对应元素相除，如果都是整数则取商

% 两个矩阵对应元素相除后取余数

n 单个矩阵每个元素都取n次方，如2：每个元素都取平方

arr1

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

arr2

array([[ 9, 10, 11, 12],

       [13, 14, 15, 16]])

arr1+arr2

array([[10, 12, 14, 16],

       [18, 20, 22, 24]])

arr1*2

array([[ 2,  4,  6,  8],

       [10, 12, 14, 16]])

点乘和转置(了解) 点乘必须 mn n m

arr1

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

arr2

array([[ 9, 10, 11, 12],

       [13, 14, 15, 16]])

np.dot(arr1,arr2.T)

array([[110, 150],

       [278, 382]])

求逆(了解)

np.linalg.inv(np.dot(arr1,arr2.T))

array([[ 1.19375, -0.46875],

       [-0.86875,  0.34375]])

最大小值

arr1

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

arr1.max()

arr1.min()

numpy生成随机数

固定随机数,让它不随机

np.random.rand(3,4)

array([[0.20445225, 0.87811744, 0.02738759, 0.67046751],

       [0.4173048 , 0.55868983, 0.14038694, 0.19810149],

       [0.80074457, 0.96826158, 0.31342418, 0.69232262]])

np.random.seed(1) #永不随机,固定,如果不加,每运行一次结果都不一样

np.random.rand(3,4)

array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],

       [1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],

       [3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])

rs =np.random.RandomState(1) #第二种方法

rs.rand(3,4)

array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],

       [1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],

       [3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])

python numpy模块的更多相关文章

python numPy模块与numpy里的数据类型、数据类型对象dtype
学习链接:http://www.runoob.com/numpy/numpy-tutorial.html 官方链接:https://numpy.org/devdocs/user/quickstart. ...
python numpy 模块简单介绍
用python自带的list去处理数组效率很低, numpy就诞生了, 它提供了ndarry对象,N-dimensional object, 是存储单一数据类型的多维数组,即所有的元素都是同一种类型. ...
[Python]-numpy模块-机器学习Python入门《Python机器学习手册》-01-向量、矩阵和数组
<Python机器学习手册--从数据预处理到深度学习> 这本书类似于工具书或者字典,对于python具体代码的调用和使用场景写的很清楚,感觉虽然是工具书,但是对照着做一遍应该可以对机器学习 ...
python numpy模块使用笔记（更新）
np.arange(int a) 生成一个一维array,元素个数是a个,元素是0到a-1 注意arange不能直接生成多维array np.arange(int a).reshape(int b,i ...
Python Numpy模块函数np.c_和np.r_
np.r_:是按列连接两个矩阵,就是把两矩阵上下相加,要求列数相等,类似于pandas中的concat(). np.c_:是按行连接两个矩阵,就是把两矩阵左右相加,要求行数相等,类似于pandas中的 ...
3 numpy模块
Numpy 什么是Numpy:Numeric Python Numpy模块是Python的一种开源的数值计算扩展. 1 一个强大的N维数组对象Array ...
Python：基本运算、基本函数（包括复数）、Math模块、NumPy模块
基本运算 x**2 : x^2 若x是mat矩阵,那就表示x内每个元素求平方 inf:表示正无穷逻辑运算符:and,or,not 字典的get方法 a.get(k,d) 1 1 get相当于一条if ...
【Python 数据分析】Numpy模块
Numpy模块可以高效的处理数据,提供数组支持.很多模块都依赖他,比如:pandas.scipy.matplotlib 安装Numpy 首先到网站:https://www.lfd.uci.edu/~g ...
Python及bs4、lxml、numpy模块包的安装
http://blog.csdn.net/tiantiancsdn/article/details/51046490(转载) Python及bs4.lxml.numpy模块包的安装 Python 的安 ...

随机推荐

寒假作业第二组P&&Q&&R题解
P的题意是有M份作业,这些作业有不同的截止日期,超过截止日期完成,不同的作业有不同的罚分,求如何完成罚分最低. 首先,从截止日期最长的那个作业到截止日期,这些天数是固定的,所做的就是把这些作业填进这些 ...
Qconf安装文档
1.操作系统配置(以root用户执行) 1)安装编译工具 cmake(已经安装过可以跳过) yum install -y cmake 2.安装Qconf 1)下载安装源码 wget http://10 ...
JavaSE---悲观锁与乐观锁
1.[悲观锁] 1.1 在数据处理的整个过程中,数据将处于锁定状态: 1.2 悲观锁的实现,依赖于数据库提供的锁机制(只有数据库提供的锁机制才能真正保证数据访问的排他性,否则,即使在系统中加锁机制,也 ...
ESP8266串口WiFi扩展板详解
产品简介 ESP8266串口WiFi扩展板是深圳四博智联科技有限公司开发的一款基于乐鑫ESP8266的超低功耗的UART-WiFi模块,兼容Arduino UNO.Mega等标准主板,可以方便地进行二 ...
servlet config
<webapp>  <servlet> <servlet-name>test&l ...
【虚拟机-网络IP】使用 Powershell 设置 VNET 中的静态 IP
本文包含以下内容对已有虚机设置静态 Internal IP 取消对对已有虚机设置的静态 Internal IP 创建静态 Internal IP的虚机使用中的注意点请注意:以下操作需要下载最新版 ...
【Python图像特征的音乐序列生成】数据集制作的一些tricks
关于数据集的制作,我决定去掉很多不必要的东西,比如和弦,于是我选择了melody部分的旋律. 有了midi文件,我现在要abc序列,所以我要通过midi2abc转换一下文件. 批处理程序效果如下: 文 ...
【Python图像特征的音乐序列生成】关于mingus一个bug的修复，兼改进情感模型
mingus在输出midi文件的时候,使用这样的函数: from mingus.containers import NoteContainer from mingus.midi import midi ...
UVA 1611 Crane 起重机（子问题）
题意:给一个1~n排列,1<=n<=10000,每次操作选取一个长度为偶数的连续区间.交换前一半和后一半,使它变成升序. 题解:每次只要把最小的移动到最左边,那么问题规模就缩小了.假设当前 ...
shell的切换
从zsh切换到bash:在命令行输入bash即可从bash切换到zsh:在命令行输入zsh即可

python numpy模块