2-1 Numpy-数组
（1） 数组的创建
# !usr/bin/env python
# Author:@vilicute
import numpy as np
# 1、用array创建数组并查看数组的属性
arr1 = np.array([1, 2, 3, 4]) # 一维数组
print("一维数组创建：arr1 = ", arr1)
arr2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) # 二维数组
print("\n二维数组创建：arr2 = \n", arr2)
# 数组属性
print("数组维数：", arr2.ndim)
print("数组维度：", arr2.shape)
print("数组类型：", arr2.dtype)
print("元素个数：", arr2.size)
print("元素大小：", arr2.itemsize)
arr2.shape = 4, 3 # 重新设置维度属性
print("\n重置维度后的数组为：arr2_reshape = \n", arr2)
'''
一维数组创建：arr1 = [1 2 3 4]
二维数组创建：arr2 =
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
数组维数： 2
数组维度： (3, 4)
数组类型： int32
元素个数： 12
元素大小： 4
重置维度后的数组为：arr2_reshape =
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
''' # 2、用arange创建数组
arr3 = np.arange(0, 1, 0.1) # (初值，终值，间隔) 左闭右开
print("\n等差数组：arr3 = ", arr3)
'''
等差数组：arr3 = [0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
'''
# 3、用linspace创建数组
arr4 = np.linspace(0, 1, 4) # (初值，终值，个数) 等差数列
print("\n特殊等差数组：arr4 = ", arr4)
'''
特殊等差数组：arr4 = [0. 0.33333333 0.66666667 1. ]
'''
# 4、用logspace创建数组
arr5 = np.logspace(0, 2, 4) # (10^0，10^2，个数) 等比数列
print("\n10^等比数组：arr5 = ", arr5)
'''
10^等比数组：arr5 = [ 1. 4.64158883 21.5443469 100. ]
'''
# 5、用zeros创建数组
arr6 = np.zeros((3, 3)) # (a,b) 维数
print("\n全0数组：arr6 = \n", arr6)
'''
全0数组：arr6 =
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
'''
# 6、用eye创建数组
arr7 = np.eye(3) # 类似于单位矩阵
print("\n单位对角数组：arr7 = \n", arr7)
'''
单位对角数组：arr7 =
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
'''
# 7、用diag创建数组
arr8 = np.diag([1, 2, 3, 4]) # [a,b,c,d] 对角元素
print("\n对角数组：arr8 = \n", arr8)
'''
对角数组：arr8 =
[[1 0 0 0]
[0 2 0 0]
[0 0 3 0]
[0 0 0 4]]
'''
# 8、用ones创建数组
arr9 = np.ones((4, 3)) # (a,b) 维数
print("\n单位数组：arr9 = \n", arr9)
'''
单位数组：arr9 =
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
'''
# 9、自定义数据数组创建
arr10 = np.array([("vilicute", 52, 5.02), ("shame", 55, 55.02)])
print("\n自定义数据类型数组：arr10 = \n", arr10)
'''
自定义数据类型数组：arr10 =
[['vilicute' '52' '5.02']
['shame' '55' '55.02']]
'''
# 10、生成随机数组
arr11 = np.random.random(10) # 个数
print("\n随机数组：arr11 = \n", arr11)
'''
随机数组：arr11 =
[0.10325528 0.58512919 0.44988683 0.49719158 0.6361162 0.08344581 0.00998028 0.85750635 0.37264001 0.94651211]
'''
# 11、生成服从均匀分布随机数
arr12 = np.random.rand(4, 3)
print("\n服从均匀分布随机数组：arr12 = \n", arr12)
'''
服从均匀分布随机数组：arr12 =
[[0.85982146 0.31343986 0.89078588]
[0.15717079 0.04499381 0.32277901]
[0.70737793 0.75456669 0.43207658]
[0.73633332 0.05820537 0.73123502]]
'''
# 12、生成服从正态分布随机数
arr13 = np.random.randn(4, 3)
print("\n服从正态分布随机数组：arr13 = \n", arr13)
'''
服从正态分布随机数组：arr13 =
[[ 0.36057176 -0.71389648 -0.26165942]
[ 1.38415272 0.90255961 -1.42104002]
[ 0.48616978 1.22208226 0.65215556]
[ 0.2997037 1.31383623 -0.10306966]]
'''
# 13、生成给定上下限的随机数组
arr14 = np.random.randint(2, 10, size=[2, 5]) # size 维数
print("\n给定上下限的随机数组:arr14 = \n", arr14)
'''
给定上下限的随机数组:arr14 =
[[2 8 4 4 7]
[3 7 5 6 5]]
'''
（2）数组的访问
# !usr/bin/env python
# Author:@vilicute
import numpy as np
ar = np.random.randint(0,10,size = [4,5])
print(ar)
print(ar[1,3]) # 第二行第四列
print(ar[0,2:4]) # 0行的3，4列元素
print(ar[1:,2:]) # 1行2列之后的元素
print(ar[:,2]) # 第3列元素
print(ar[2,:]) # 第3行元素
'''
[[6 0 3 8 9]
[8 7 4 8 2]
[0 0 1 7 2]
[8 2 0 8 7]] 8
[3 8]
[[4 8 2]
[1 7 2]
[0 8 7]] [3 4 1 0]
[0 0 1 7 2]
'''
（3）数组形态的变换
# !usr/bin/env python
# Author:@vilicute
import numpy as np
arr1 = np.arange(12)
print(arr1)
array1 = arr1.reshape(3, 4)
print("\n新的数组形态为：\n", array1)
ndim = arr1.reshape(3, 4).ndim
print("\n数组维度：", ndim)
'''
[ 0 1 2 3 4 5 6 7 8 9 10 11]
新的数组形态为：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
数组维度： 2
'''
arr2 = np.random.randint(5, 15, size=[4, 5])
print(arr2)
arr2_ravel = arr2.ravel() #数组（横向）展平
arr2_flatten = arr2.flatten() #数组（横向）展平
arr2_flatten_F = arr2.flatten('F') #数组（纵向）展平
print("\n数组（横向）展平ravel(): ", arr2_ravel)
print("\n数组（横向）展平flatten(): ", arr2_flatten)
print("\n数组（纵向）展平flatten(): ", arr2_flatten_F)
'''
[[12 5 6 8 10]
[11 11 8 11 7]
[13 7 5 5 11]
[ 8 6 11 13 6]]
数组（横向）展平ravel(): [12 5 6 8 10 11 11 8 11 7 13 7 5 5 11 8 6 11 13 6]
数组（横向）展平flatten(): [12 5 6 8 10 11 11 8 11 7 13 7 5 5 11 8 6 11 13 6]
数组（纵向）展平flatten(): [12 11 13 8 5 11 7 6 6 8 5 11 8 11 5 13 10 7 11 6]
'''
arr3 = arr2*2
print("\n乘法计算：\n", arr3)
'''
乘法计算：
[[24 10 12 16 20]
[22 22 16 22 14]
[26 14 10 10 22]
[16 12 22 26 12]]
'''
arr_hstack = np.hstack((arr2, arr3)) #横向组合
arr_vstack = np.vstack((arr2, arr3)) #纵向组合
print("\narr2与arr3横向组合：\n", arr_hstack)
print("\narr2与arr3纵向组合：\n", arr_vstack)
''' 功能同上
arr_hstack = np.concatenate((arr2, arr3), axis=1) #横向组合
arr_vstack = np.concatenate((arr2, arr3), axis=0) #纵向组合
print("\narr2与arr3横向组合：\n", arr_hstack)
print("\narr2与arr3纵向组合：\n", arr_vstack)
'''
'''
arr2与arr3横向组合：
[[12 5 6 8 10 24 10 12 16 20]
[11 11 8 11 7 22 22 16 22 14]
[13 7 5 5 11 26 14 10 10 22]
[ 8 6 11 13 6 16 12 22 26 12]]
arr2与arr3纵向组合：
[[12 5 6 8 10]
[11 11 8 11 7]
[13 7 5 5 11]
[ 8 6 11 13 6]
[24 10 12 16 20]
[22 22 16 22 14]
[26 14 10 10 22]
[16 12 22 26 12]]
'''
arr4 = np.arange(16).reshape(4, 4)
print("\narr4=\n", arr4)
arr_hsplit = np.hsplit(arr4, 2) #横向分割, <=>np.split(arr4,2,axis = 1)
arr_vsplit = np.vsplit(arr4, 2) #纵向分割, <=>np.split(arr4,2,axis = 0)
print("\n横向分割：\n", arr_hsplit)
print("\n纵向分割：\n", arr_vsplit)
'''
arr4=
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
横向分割：
[array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]),
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])]
纵向分割：
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]),
array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]
'''
（4）数组排序
# !usr/bin/env python
# Author:@vilicute
import numpy as np
arr1 = np.random.randint(10, 100, size=[4, 5])
arr2 = np.random.randint(10, 100, size=[4, 4])
arr3 = np.random.randint(10, 100, size=[4, 3])
arr4 = np.array(['小明', '小小', '小红', '小明', '小米', '小迭'])
print("\narr1=\n", arr1, "\narr2=\n", arr2, "\narr3=\n", arr3)
arr1.sort(axis=1)
print("\n横向排序 arr1 =\n", arr1)
print("\narr2=\n", arr2)
arr2.sort(axis=0)
print("\n纵向排序 arr2 =\n", arr2)
print("\narr3=\n", arr3)
print("\n排序下标(按行给出)：\n", arr3.argsort())
print("\narr4=", arr4)
print("\n去重：", np.unique(arr4))
print("\n重复：", np.tile(arr4, 2))
print("\n按行重复：\n", arr1.repeat(2, axis=1))
print("\n按列重复：\n", arr1.repeat(2, axis=0))
'''
arr1=
[[24 11 78 47 65]
[81 54 56 90 45]
[75 61 50 22 23]
[77 64 63 84 69]]
arr2=
[[12 23 37 32]
[41 20 58 77]
[43 76 42 97]
[77 53 28 90]]
arr3=
[[53 33 81]
[77 22 63]
[90 20 66]
[28 61 38]]
横向排序 arr1 =
[[11 24 47 65 78]
[45 54 56 81 90]
[22 23 50 61 75]
[63 64 69 77 84]]
arr2=
[[12 23 37 32]
[41 20 58 77]
[43 76 42 97]
[77 53 28 90]]
纵向排序 arr2 =
[[12 20 28 32]
[41 23 37 77]
[43 53 42 90]
[77 76 58 97]]
arr3=
[[53 33 81]
[77 22 63]
[90 20 66]
[28 61 38]]
排序下标(按行给出)：
[[1 0 2]
[1 2 0]
[1 2 0]
[0 2 1]]
arr4= ['小明' '小小' '小红' '小明' '小米' '小迭']
去重： ['小小' '小明' '小米' '小红' '小迭']
重复： ['小明' '小小' '小红' '小明' '小米' '小迭' '小明' '小小' '小红' '小明' '小米' '小迭']
按行重复：
[[11 11 24 24 47 47 65 65 78 78]
[45 45 54 54 56 56 81 81 90 90]
[22 22 23 23 50 50 61 61 75 75]
[63 63 64 64 69 69 77 77 84 84]]
按列重复：
[[11 24 47 65 78]
[11 24 47 65 78]
[45 54 56 81 90]
[45 54 56 81 90]
[22 23 50 61 75]
[22 23 50 61 75]
[63 64 69 77 84]
[63 64 69 77 84]]
'''
（5）数组统计
# !usr/bin/env python
# Author:@vilicute
import numpy as np
arr1 = np.random.randint(10, 100, size=[4, 5])
print("\narr1=\n", arr1)
arr_sum = np.sum(arr1) #求和
arr_sum0 = arr1.sum(axis=0) #纵向求和
arr_sum1 = arr1.sum(axis=1) #横向求和
arr_mean = np.mean(arr1) #均值
arr_mean0 = arr1.mean(axis=0) #纵向均值
arr_mean1 = arr1.mean(axis=1) #横向均值
arr_std = np.std(arr1) #标准差
arr_var = np.var(arr1) #方差
arr_min = np.min(arr1) #最小值
arr_max = np.max(arr1) #最大值
arr_argmin = np.argmin(arr1) #最小值索引
arr_argmax = np.argmax(arr1) #最大值索引
print("\n求和：", arr_sum)
print("\n纵向求和：", arr_sum0)
print("\n横向求和：", arr_sum1)
print("\n均值：",arr_mean)
print("\n纵向均值：", arr_mean0)
print("\n横向均值：", arr_mean1)
print("\n标准差：", arr_std)
print("\n方差：", arr_var)
print("\n最小值：", arr_min)
print("\n最大值：", arr_max)
print("\n最小值索引：", arr_argmin)
print("\n最大值索引：", arr_argmax)
'''
arr1=
[[28 54 50 40 75]
[93 26 95 81 41]
[12 43 73 49 82]
[27 26 26 13 37]]
求和： 971
纵向求和： [160 149 244 183 235]
横向求和： [247 336 259 129]
均值： 48.55
纵向均值： [40.00 37.25 61.00 45.75 58.75]
横向均值： [49.4 67.2 51.8 25.8]
标准差： 25.437128375663793
方差： 647.0475000000001
最小值： 12
最大值： 95
最小值索引： 10
最大值索引： 7
'''
（6）数组运算
# !usr/bin/env python
# Author:@vilicute # ufunc函数，针对数组所有元素进行操作，效率高 import numpy as np arr1 = np.array([9,6,3])
arr2 = np.array([2,5,6])
arr3 = np.array([[1,1,1,],[2,2,2],[3,3,3],[4,4,4]])
arr4 = np.array([[4],[5],[6],[7]]) print("相加：",arr1+arr2)
print("相减：",arr1-arr2)
print("相乘：",arr1*arr2)
print("相除：",arr1/arr2)
print("幂运算：",arr1**arr2) print("比较运算：",arr1<arr2) # > <= >= == !=
print("逻辑and 和 or：",np.all(arr1 == arr2),np.any(arr1 == arr2))
print("\n一维广播机制相加：\n",arr1+arr3)
print("\n二维广播机制相加：\n",arr4+arr3) '''
相加： [11 11 9]
相减： [ 7 1 -3]
相乘： [18 30 18]
相除： [4.5 1.2 0.5]
幂运算： [ 81 7776 729]
比较运算： [False False True]
逻辑and 和 or： False False
一维广播机制相加：
[[10 7 4]
[11 8 5]
[12 9 6]
[13 10 7]]
二维广播机制相加：
[[ 5 5 5]
[ 7 7 7]
[ 9 9 9]
[11 11 11]]
'''
2-1 Numpy-数组的更多相关文章
- numpy数组的操作
numpy - 介绍.基本数据类型.多维数组ndarray及其内建函数 http://blog.csdn.net/pipisorry/article/details/22107553 http://w ...
- numpy数组、向量、矩阵运算
可以来我的Github看原文,欢迎交流. https://github.com/AsuraDong/Blog/blob/master/Articles/%E6%9C%BA%E5%99%A8%E5%AD ...
- Numpy数组对象的操作-索引机制、切片和迭代方法
前几篇博文我写了数组创建和数据运算,现在我们就来看一下数组对象的操作方法.使用索引和切片的方法选择元素,还有如何数组的迭代方法. 一.索引机制 1.一维数组 In [1]: a = np.arange ...
- 操作 numpy 数组的常用函数
操作 numpy 数组的常用函数 where 使用 where 函数能将索引掩码转换成索引位置: indices = where(mask) indices => (array([11, 12, ...
- NumPy 超详细教程（1）：NumPy 数组
系列文章地址 NumPy 最详细教程(1):NumPy 数组 NumPy 超详细教程(2):数据类型 NumPy 超详细教程(3):ndarray 的内部机理及高级迭代 文章目录 Numpy 数组:n ...
- NumPy数组对象
1.创建NumPy数组 import numpy as np # 创建3*2*4的三维数组 a = np.arange(24).reshape(3, 2, 4) # 打印三维数组的所有元素 print ...
- Numpy 数组属性
Numpy 数组的维数称为秩(rank),一维数组的秩为 1 , 二维数组的秩为 2 , 以此类推:在Numpy中, 每一个线性的数组称为是一个轴(axis),也就是维度(dimensios).比如说 ...
- numpy 数组对象
numpy 数组对象NumPy中的ndarray是一个多维数组对象,该对象由两部分组成:实际的数据,描述这些数据的元数据# eg_v1 import numpy as np a = np.arange ...
- python numpy 数组拼接
我就写一下我遇到的,更多具体的请看Python之Numpy数组拼接,组合,连接 >>> aarray(［0, 1, 2], [3, 4, 5], [6, 7, ...
- numpy数组(5)-二维数组的轴
numpy的mean(),std()等方法是作用于整个numpy数组的,如果是二维数组的话,也是整个数组,包括所有行和列,但我们经常需要它仅作用于行或者列,而不是整个二维数组,这个时候,可以定义轴ax ...
随机推荐
- <随便写>创建文件批处理文件
创建一个text文档 写入想写的程序 将后缀改为bat 例如创建一个文件夹: 双击运行bat文件就可以创建文件夹 运行结果: 需要批量处理,就用for循环生成代码,粘贴上去就行了
- <每日一题>题目22：简单的python练习题(31-40)
#31.分布式爬虫主要解决什么问题? ''' ip 带宽 CPU IO ''' #32.网络传输层 ''' 应用层—http ftp dns nfs 传输层—tcp --udp 网络层—ip icmp ...
- logcat日志文件
android日志系统提供了记录和查看系统调试信息的功能,日志都是从各个软件和一些系统的缓冲区中记录下来的,缓冲区可以通过logcat命令来进行查看和使用 开发者选项,有个选项叫做“日志记录器缓冲区大 ...
- gulpfile.js demo
var config = require("./build.config") //获取build.config.js文件里的内容 var gulp = require(" ...
- Spring 调度工具Quartz cron 表达式的格式
http://chinaxxren.iteye.com/blog/839630 Quartz cron 表达式的格式十分类似于 UNIX cron 格式,但还是有少许明显的区别.区别之一就是 Quar ...
- 新手玩ubuntu（一）终端
有终端才能行天下事 点击为如下,就可以进行下面的开发了
- 关于CSS3 animation 属性在ie edge浏览器中不能工作
我想要给div边框加一个闪烁,所以我将css中设置如下 给想要闪烁的div加上blink类 这样在firefox,chrome下是正常显示的,但是在ie下box-shadow属性不能被正常的展现 后 ...
- Delphi 设计模式：《HeadFirst设计模式》Delphi代码---模式小结之一个叫声接口和几只鸭子[转]
一.一个叫声接口和几只鸭子 从一个叫声接口开始. {<HeadFirst设计模式>Delphi代码之模式小结 } { 一个叫声接口 } ...
- linux管道和tee命令
ps -ef | grep docker 等价于 ps -ef &> >(grep docker) cat a.log | tee b.txt 等价于 cat a.log & ...
- DOM4J -（XML解析包）
DOM4J - 简介 是dom4j.org出品的一个开源XML解析包.Dom4j是一个易用的.开源的库,用于XML,XPath和XSLT.它应用于Java平台,采用了Java集合框架并完全支持DOM, ...