Numpy学习1
NumPy学习（1）
参考资料：
- http://www.cnblogs.com/zhanghaohong/p/4854858.html
- http://linusp.github.io/2016/02/25/creation-and-io-of-ndarray.html
数组的创建
数组属性
数组元素获取-普通索引、切片、布尔索引、花式索引
统计函数与线性代数运算
随机数的生成
NumPy数组:NumPy数组是一个多维数组对象，称为ndarray。
数组的创建
一维数组的创建【随机、list、tuple】
In [15]: import numpy as np #导入numpy包
##创建一个10个随机数的列表
In [16]: ls1=range(10) #生成一个10个随机数的列表
In [17]: ls1
Out[17]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
In [18]: type(ls1) #查看类型
Out[18]: list
In [19]: ls2=np.arange(10) #np.arrange(10,100,10) #生成一个随机数的一维数组
In [20]: ls2
Out[20]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [21]: type(ls2)
Out[21]: numpy.ndarray #类型为数组
In [24]: arr1 = np.array([1,2,3,4]) #从list对象中创建数组
In [25]: arr1
Out[25]: array([1, 2, 3, 4])
In [26]: type(arr1)
Out[26]: numpy.ndarray
In [27]: arr2 = np.array((1,2,3,4)) #从tuple中创建数组
In [28]: arr2
Out[28]: array([1, 2, 3, 4])
In [29]: type(arr2)
Out[29]: numpy.ndarray
二维数组的创建【列表套列表、元组套元组】
In [30]: arr3 = np.array([[1,2,3],[4,5,6],[7,8,9]]) #列表中套列表的方式创建
In [31]: arr3
Out[31]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [32]: type(arr3)
Out[32]: numpy.ndarray
In [33]: arr4 = np.array(((1,2,3),(4,5,6),(7,8,9))) #元组套元组的方式创建
In [34]: arr4
Out[34]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [36]: type(arr4)
Out[36]: numpy.ndarray
几种特殊的数组【zeros、ones、empty】
In [42]: arr5=np.zeros(5) #返回5个0的一维数组
In [43]: arr5
Out[43]: array([ 0., 0., 0., 0., 0.])
In [44]: arr6=np.zeros((3,6)) #返回全为03x6的二维数组
In [45]: arr6
Out[45]:
array([[ 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0., 0.]])
In [46]: arr7=np.ones(5) #返回5个1的一维数组
In [47]: arr7
Out[47]: array([ 1., 1., 1., 1., 1.])
In [48]: arr8=np.ones([2,4]) #返回2x4的二维数组
In [49]: arr8
Out[49]:
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
In [50]: arr9=np.empty(4) #返回4个全为0的一维数组
In [51]: arr9
Out[51]: array([ 0., 0., 0., 0.])
In [52]: arr10=np.empty((3,5)) #返回全为0的数组不安全，一般返回的事未初始化的垃圾值
In [53]: arr10
Out[53]:
array([[ 0.00000000e+000, 6.79335389e-314, 0.00000000e+000,
1.27319747e-313, 1.27319747e-313],
[ 1.27319747e-313, 2.96439388e-323, 1.90979621e-313,
0.00000000e+000, 5.92878775e-323],
[ 3.18299369e-313, 0.00000000e+000, 8.89318163e-323,
6.95038501e-310, 6.32404027e-322]])
可以使用dtype来指定ndarray的数据类型，如
In [54]: arr1=np.array([1,2,2,3],dtype=np.float64)
In [55]: arr1
Out[55]: array([ 1., 2., 2., 3.])
In [56]: arr1.dtype
Out[56]: dtype('float64')
数组的属性与数组的函数
属性
In [57]: arr3
Out[57]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [58]: arr3.shape #shape返回数组的行数和列数
Out[58]: (3, 3)
In [59]: arr3.ndim #ndim返回数组的维数
Out[59]: 2
In [61]: arr3.dtype #dtype返回数组元素数据类型
Out[61]: dtype('int64')
In [62]: arr3.ravel() #ravel()方法将数组拉直（多维数组降成一维数组）
Out[62]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])
In [65]: arr3.size #size返回数组的个数
Out[65]: 9
In [66]: arr3.T #数组的转置
Out[66]:
array([[1, 4, 7],
[2, 5, 8],
[3, 6, 9]])
函数
In [20]: arr1=np.array(((1,2,3),(4,5,6),(7,8,9)))
In [21]: arr1
Out[21]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [22]: len(arr1) #查看数组行数
Out[22]: 3
In [21]: arr1
Out[21]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [28]: arr2
Out[28]:
array([[1, 2],
[3, 4],
[5, 6]])
In [30]: arr3 = np.hstack((arr1,arr2)) #hstack横向数组拼接，数组行数必须相同
In [31]: arr3
Out[31]:
array([[1, 2, 3, 1, 2],
[4, 5, 6, 3, 4],
[7, 8, 9, 5, 6]])
In [27]: arr1
Out[27]:
array([[5, 6],
[7, 8]])
In [28]: arr2
Out[28]:
array([[1, 2],
[3, 4],
[5, 6]])
In [34]: arr4=np.vstack((arr1,arr2)) #vstack纵向拼接，必须列数相同
In [35]: arr4
Out[35]:
array([[5, 6],
[7, 8],
[1, 2],
[3, 4],
[5, 6]]
In [37]: arr1 = np.arange(21)
In [38]: arr1
Out[38]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20])
In [39]: arr2=arr1.reshape(3,7) #设置数组行数和列数
In [40]: arr2
Out[40]:
array([[ 0, 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12, 13],
[14, 15, 16, 17, 18, 19, 20]])
In [43]: b = arr2.tolist() #数组转换成列表
In [44]: b
Out[44]:
[[0, 1, 2, 3, 4, 5, 6],
[7, 8, 9, 10, 11, 12, 13],
[14, 15, 16, 17, 18, 19, 20]]
In [45]: arr2.dtype
Out[45]: dtype('int64')
In [46]: arr3=arr2.astype(float） #转换数据类型
Out[57]: dtype('float64')
数组元素的获取
一维数组元素的获取
In [52]: arr = np.arange(10)
In [53]: arr
Out[53]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [54]: arr[3] #获取第4个元素
Out[54]: 3
In [55]: arr[5:8] #获取第6,7,8三个元素。左闭右开
Out[55]: array([5, 6, 7])
二维数组的获取
In [57]: arr1 = np.array([[1,2],[3,4],[5,6]])
In [58]: arr1
Out[58]:
array([[1, 2],
[3, 4],
[5, 6]])
In [60]: arr1[2] #获取第三行的元素
Out[60]: array([5, 6])
In [61]: arr1[:2] #获取前两行元素
Out[61]:
array([[1, 2],
[3, 4]])
In [62]: arr1[:,1] #获取第二列的元素
Out[62]: array([2, 4, 6])
In [66]: arr1[:,[0,1]] #获取数组第一列和第三列的元素
Out[66]:
array([[1, 2],
[3, 4],
[5, 6]])
In [67]: arr1[0,1] #获取第1行第二列对应的元素
Out[67]: 2
布尔索引
In [1]: import numpy as np
In [2]: names = np.array(['bob','joe','will','bob','will','joe','joe'])
In [3]: names
Out[3]:
array(['bob', 'joe', 'will', 'bob', 'will', 'joe', 'joe'],
dtype='|S4')
In [8]: data = np.arange(28).reshape(7,4)
In [9]: data
Out[9]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27]])
In [14]: names == 'bob'
Out[14]: array([ True, False, False, True, False, False, False], dtype=bool)
In [15]: data[names=='bob'] #返回所有为true的行或为bob的行
Out[15]:
array([[ 0, 1, 2, 3],
[12, 13, 14, 15]])
In [17]: data[names!='bob'] # !=bob的行
Out[17]:
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27]])
In [18]: data[names!='bob',3] #配合切片，选第3列
Out[18]: array([ 7, 11, 19, 23, 27])
In [19]: data[names!='bob'][:2,1:] 也可以这样配合切片
Out[19]:
array([[ 5, 6, 7],
[ 9, 10, 11]])
In [23]: data[(names=='bob')|(names=='joe')] #可以使用&（和）、|（或）之类的布尔算术运算符，注意加小括号
Out[23]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[12, 13, 14, 15],
[20, 21, 22, 23],
[24, 25, 26, 27]])
In [24]: data[data<10]=0 #布尔型数组设置值
In [25]: data
Out[25]:
array([[ 0, 0, 0, 0],
[ 0, 0, 0, 0],
[ 0, 0, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27]])
花式索引
In [32]: arr=np.arange(32).reshape((8,4))
In [33]: arr
Out[33]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31]])
In [34]: arr[[4,3,0,6]] #传入一个数组筛选行
Out[34]:
array([[16, 17, 18, 19],
[12, 13, 14, 15],
[ 0, 1, 2, 3],
[24, 25, 26, 27]])
In [35]: arr[[4,3,0,6],[0,3,1,2]] #传入多个数组返回一个一维数组
Out[35]: array([16, 15, 1, 26])
In [5]: arr=np.arange(32).reshape((8,4))
In [6]: arr
Out[6]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31]])
In [7]: arr[np.ix_([1,5,7,2],[0,3,1,2])]
Out[7]:
array([[ 4, 7, 5, 6],
[20, 23, 21, 22],
[28, 31, 29, 30],
[ 8, 11, 9, 10]]
Numpy学习1的更多相关文章
- NumPy学习笔记 三 股票价格
NumPy学习笔记 三 股票价格 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.&l ...
- NumPy学习笔记 二
NumPy学习笔记 二 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.<数学分 ...
- NumPy学习笔记 一
NumPy学习笔记 一 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.<数学分 ...
- 数据分析之Pandas和Numpy学习笔记(持续更新)<1>
pandas and numpy notebook 最近工作交接,整理电脑资料时看到了之前的基于Jupyter学习数据分析相关模块学习笔记.想着拿出来分享一下,可是Jupyter导出来h ...
- NumPy学习(索引和切片，合并，分割，copy与deep copy)
NumPy学习(索引和切片,合并,分割,copy与deep copy) 目录 索引和切片 合并 分割 copy与deep copy 索引和切片 通过索引和切片可以访问以及修改数组元素的值 一维数组 程 ...
- NumPy学习(让数据处理变简单)
NumPy学习(一) NumPy数组创建 NumPy数组属性 NumPy数学算术与算数运算 NumPy数组创建 NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型. 它描述相同 ...
- numpy 学习笔记
numpy 学习笔记 导入 numpy 包 import numpy as np 声明 ndarray 的几种方法 方法一,从list中创建 l = [[1,2,3], [4,5,6], [7,8,9 ...
- numpy 学习总结
numpy 学习总结 作者:csj更新时间:01.09 email:59888745@qq.com 说明:因内容较多,会不断更新 xxx学习总结: 回主目录:2017 年学习记录和总结 #生成数组/使 ...
- (转)Python数据分析之numpy学习
原文:https://www.cnblogs.com/nxld/p/6058572.html https://morvanzhou.github.io/tutorials/data-manipulat ...
随机推荐
- git学习——<四>git版本管理
一.git版本管理的优势 都说git比svn强大,强大在哪呢? 首先,从部署上说:svn.cvs都是集中式的,一台服务器上部署服务,所有客户端编写的代码都要提交到该服务器上.git是分布式的,所有人都 ...
- Python并行编程(十一)：基于进程的并行
1.基本概念 多进程主要用multiprocessing和mpi4py这两个模块. multiprocessing是Python标准库中的模块,实现了共享内存机制,可以让运行在不同处理器核心的进程能读 ...
- MFC Spin 控件
一般应用: 设置属性: Auto Buddy(自动取关联控件为TAB顺序前一个)Set Buddy Interger(使控件设置关联控件数值,这个值可以是十进制或十六进制)Wrap(数值超过范围时循环 ...
- MySQL索引优化案例浅析
MySQL是关系型数据库的一种,查询功能强,数据一致性高,数据安全性高,支持二级索引.但是性能比起非关系型数据库稍弱,特别是百万级以上的数据,很容易出现查询慢的现象.这时候要分析慢的原因,一般情况下是 ...
- openfire 使用已有的数据库作为用户认证数据库 Custom Database Integration Guide
http://download.igniterealtime.org/openfire/docs/latest/documentation/db-integration-guide.html Intr ...
- SIP UserAgent (B2BUA client)——pjsip
SIP UserAgent常用的SIP协议栈有pjsip/bell-sip/sofia-sip/libeXosip/libre等 https://github.com/staskobzar/sip_s ...
- Spark2.0机器学习系列之11： 聚类(幂迭代聚类， power iteration clustering， PIC)
在Spark2.0版本中(不是基于RDD API的MLlib),共有四种聚类方法: (1)K-means (2)Latent Dirichlet all ...
- python - 常用模块 os, sys
常用模块: os(处理文件和目录), sys(sys 模块包含了与 Python 解释器和它的环境有关的函数.) sys.argv 变量是一个字符串的 列表.特别地,sys.argv 包含了 命令行参 ...
- Multiple encodings set for module chunk explatform "GBK" will be used by compiler
项目用idea启动的时候,突然报了个这个 Multiple encodings set for module explatform "GBK" will be used by co ...
- for…else和while…else
当while语句配备else子句时,如果while子句内嵌的循环体在整个循环过程中没有执行break语句(循环体中没有break语句,或者循环体中有break语句但是始终未执行),那么循环过程结束后, ...