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


3


arr.shape[1] #多维数组的列


4


print(arr.shape)

print(arr.shape[0])

arr.shape[1]


(3, 4)

3

4


arr.shape

arr.shape[1]

arr.shape[0]


3

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]


4


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


6


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 m*n 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()


8


arr1.min()


1

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

  1. 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. ...

  2. 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. ...

  3. [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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 【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 ...

  9. 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

  1. 【ZROI 537】贪心题 题解

    [ZROI 537]贪心题 题解 Link Solution 最大的一边直接放到一起贪心即可 着重讲小的一边 已知对于二分图匹配,其答案即为最大流 令时间集合为 \(T = {1,2,3,\dots, ...

  2. mybatis 日期比较

    entity @JSONField(name="prj_date",ordinal=13,format="yyyy-MM-dd") private Date p ...

  3. REST API -- 缓存和并发

    REST API -- 缓存和并发 https://www.cnblogs.com/cgzl/p/9165388.html 本文所需的一些预备知识可以看这里: http://www.cnblogs.c ...

  4. Hadoop数据管理

    本节主要从三方面介绍Hadoop数据管理:分布式文件系统HDFS.分部式数据库HBase和数据仓库工具Hive. 1. HDFS的数据管理 HDFS是分布式计算的存储基石,Hadoop分布式文件系统和 ...

  5. xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">报错

    https://blog.csdn.net/qq_36611526/article/details/79067159 今天遇到个问题 文件内引入某个资源 pom.xml头部http://maven.a ...

  6. thymeleaf中th:attr用法以及相关的thymeleaf基本表达式

    额,有人写的很好,我直接搬了 thymeleaf中th:attr用法 1.写死的单个属性值添加 th:attr="class=btn" 2.写死的多个属性值添加 th:attr=& ...

  7. Sql server 查询指定时间区间工作日数、休息日数等日期操作

    1.查询指定时间区间的工作日 这个主要难点是法定节假日,国家的法定节假日每年都不一样,还涉及到调休,所以我们设计一个假日表.主要字段有年份,类型(是否调休),假期日期.如下: CREATE TABLE ...

  8. 5.类型、值和变量-JavaScript权威指南笔记

    开始变得有意思起来了,然而第三章还是以基础知识了解的角度阐释相关的概念,并没有深入到结合代码以及要实现的功能讲用法和原理的程度. 1.概论. value:程序的运行是对值的操作. type:能够表示并 ...

  9. 啊哈算法之宽搜BFS解救小哈

    简述 本算法摘选自啊哈磊所著的<啊哈!算法>第四章第三节的题目——BFS算法再次解救小哈.文中代码使用C语言编写,博主通过阅读和理解,重新由Java代码实现了一遍,以此来理解BFS算法.关 ...

  10. IOS 屏幕尺寸、分辨率、点之间的相互关系

    iOS 设备现有的分辨率如下:iPhone/iPod Touch普通屏                         320像素 x 480像素       iPhone 1.3G.3GS,iPod ...