一、Numpy 属性

# 列表转化为矩阵
In []: arr = np.array([[,,],[,,]])
In []: arr
Out[]:
array([[, , ],
[, , ]])

1,维度 ndim

In []: arr.ndim
Out[]:

2,行数和列数 shape

In []: arr.shape
Out[]: (, )

3,元素个数 size

In []: arr.shape
Out[]: (, )

二,创建array

1,创建数组

In []: arr = np.array([[,,],[,,]])
In []: arr
Out[]:
array([[, , ],
[, , ]])

2,创建数组并指定类型

In [12]: arr = np.array([[1,2,3],[4,5,6]],dtype=int)
In [13]: arr
Out[13]:
array([[1, 2, 3],
[4, 5, 6]])
In [14]: arr = np.array([[1,2,3],[4,5,6]],dtype=float)
In [15]: arr
Out[15]:
array([[ 1., 2., 3.],
[ 4., 5., 6.]])

3,创建数据全为0的数组  np.zero((行,列))

In [16]: arr = np.zeros((3,4))
In [17]: arr
Out[17]:
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])

4,创建数据全为1的数组 np.ones((行,列))

In [18]: arr = np.ones((3,4))
In [19]: arr
Out[19]:
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])

5,创建数组接近0的数组 np.empty((行,列))

6,按照指定范围创建数组 np.arange(开始,结束,步长)

In [24]: arr = np.arange(10,50,2)
In [25]: arr
Out[25]:
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,
44, 46, 48])
In [28]: arr = np.arange(10,50,2).reshape(4,5) # 通reshape改变数据形状
In [29]: arr
Out[29]:
array([[10, 12, 14, 16, 18],
[20, 22, 24, 26, 28],
[30, 32, 34, 36, 38],
[40, 42, 44, 46, 48]])

7,创建线段

In [31]: np.linspace(1,20,5)
Out[31]: array([ 1. , 5.75, 10.5 , 15.25, 20. ])

三,运算

In [38]: a = np.array([10,20,30,40])  # 创建a
In [39]: b = np.arange(4) # 创建b
In [40]: b-a # 相减
Out[40]: array([-10, -19, -28, -37])
In [41]: b+a # 相加
Out[41]: array([10, 21, 32, 43])
In [42]: b*a # 乘法
Out[42]: array([ 0, 20, 60, 120])
In [43]: a**2 # 平方
Out[43]: array([ 100, 400, 900, 1600])
In [46]: a<11 # 判断,返回值为布尔
Out[46]: array([ True, False, False, False], dtype=bool)
In [49]: a # 创建a
Out[49]:
array([[1, 2],
[2, 3]])
In [50]: b = np.arange(4).reshape(2,2) # 创建b
In [51]: b
Out[51]:
array([[0, 1],
[2, 3]])
In [52]: a*b # 对应元素相乘
Out[52]:
array([[0, 2],
[4, 9]])
In [53]: np.dot(a,b) # 标准的矩阵乘法计算
Out[53]:
array([[ 4, 7],
[ 6, 11]])
In [64]: a=np.random.random((2,4)) # 产生一个2行4列的矩阵,数值在0到1之间
In [65]: np.sum(a) # 矩阵的和
Out[65]: 4.4227580588680375
In [66]: np.min(a) # 矩阵的最小值
Out[66]: 0.16635521270028986
In [67]: np.max(a) # 矩阵的最大值
Out[67]: 0.78738798170221957
In [76]: a = np.arange(1,10) # 产生一个数组a
In [77]: np.argmax(a) # 数组a的最大值
Out[77]: 8
In [78]: np.argmin(a) # 数组a的最小值
Out[78]: 0
In [79]: np.mean(a) # 数组a的平均值
Out[79]: 5.0
In [80]: np.median(a) # 数组a的中位数
Out[80]: 5.0
In [81]: np.diff(a) # 数组中后一个元素和前一个元素的差值,新组成的一个数组
Out[81]: array([1, 1, 1, 1, 1, 1, 1, 1])
In [82]: np.cumsum(a) # 数组中,第i项和第i-1项的和赋值给i项
Out[82]: array([ 1, 3, 6, 10, 15, 21, 28, 36, 45])
In [83]: np.average(a)# 数组a的平均数
Out[83]: 5.0
In [92]: a = np.arange(10,0,-1).reshape(2,5) # 创建一个2行5列的数组a,值从10到0,每次递减一个
In [93]: a
Out[93]:
array([[10, 9, 8, 7, 6],
[ 5, 4, 3, 2, 1]])
In [94]: np.sort(a) # 对数组的每一行进行排序
Out[94]:
array([[ 6, 7, 8, 9, 10],
[ 1, 2, 3, 4, 5]])
In [95]: np.transpose(a) # 转置数组a
Out[95]:
array([[10, 5],
[ 9, 4],
[ 8, 3],
[ 7, 2],
[ 6, 1]])
In [96]: a.T # 转置数组a
Out[96]:
array([[10, 5],
[ 9, 4],
[ 8, 3],
[ 7, 2],
[ 6, 1]])
In [97]: np.clip(a,5,8) # 将数组中元素值比5小的值赋为5,元素值比8大的值赋为8
Out[97]:
array([[8, 8, 8, 7, 6],
[5, 5, 5, 5, 5]])

四,通过索引取元素

In [98]: a # 数组a
Out[98]:
array([[10, 9, 8, 7, 6],
[ 5, 4, 3, 2, 1]])
In [99]: a[0] # 取数组a的第1行
Out[99]: array([10, 9, 8, 7, 6])
In [100]: a[0][0] # 取数组a的第一行的第一个元素
Out[100]: 10
In [101]: a[0,0] # 取数组a的第一行的第一个元素的另一种写法
Out[101]: 10
In [102]: a[0,1:3]# 取数组a的第一行的,第2列到第3列
Out[102]: array([9, 8])
In [103]: a.flatten() # 将多维的矩阵转换为一行的矩阵
Out[103]: array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])

五、合并

In [110]: a # 数组a
Out[110]: array([1, 1, 1])
In [111]: b # 数组b
Out[111]: array([2, 2, 2])
In [112]: np.vstack((a,b)) # 上下合并
Out[112]:
array([[1, 1, 1],
[2, 2, 2]])
In [113]: np.hstack((a,b))# 左右合并
Out[113]: array([1, 1, 1, 2, 2, 2])

六、分割

1,等量分割 np.split()

1.1,按行分割

In [138]: a # 3行4列的数组a
Out[138]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [139]: np.split(a,1,axis=0) # 将数组a按行进行分割,一行一组。如果此时将参数改为(a,2,axis=0)是不行的,因为是等量分割,前两行为一项,后一行为一项是不等量的
Out[139]:
[array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])]
In [140]: np.split(a,3,axis=0)# 将数组a按行进行分割,三行一组
Out[140]: [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

1.2,按列分割

In [133]: a # 3行4列的数组a
Out[133]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [134]: np.split(a,2,axis=1) # 将数组a,按照列分割,2列一组。如果现在参数是(a,3,axis=1)这样是不行的,因为进行的是等量分割,前三列为一项,只剩下一项不是等量的。
Out[134]:
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]

2,不等量分割 np.array_split()

In [144]: a # 3行4列的数组a
Out[144]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [145]: np.array_split(a,3,axis=1) # 按照列进行不等量的分割
Out[145]:
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
In [146]: np.array_split(a,2,axis=0)# 按照行进行不等量的分割
Out[146]:
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

3,其他分割

In [147]: np.vsplit(a,1) # 等同于np.split(a,1,axis=0)
Out[147]:
[array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])]
In [148]: np.hsplit(a,2) # 等同于np.aplit(a,2,axis=1)
Out[148]:
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]

七、赋值和拷贝

In [149]: a # 创建3行4列数组a
Out[149]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]]) In [150]: b = a # 创建数组b,将a的值赋给b In [151]: a[0][0]=111 # 改变a[0][0]的值为111 In [152]: b[0][0]==111# 这时,b的值也会变为111
Out[152]: True In [153]: c=b.copy() # 创建数组c,值为b的值,通过copy的方式

 In [157]: b[0][0]=222 # 将b[0][0]的值改为222

 In [158]: c[0][0]==222# 这时,c[0][0]还是没有改变
 Out[158]: False

 In [159]: c[0][0]
 Out[159]: 111

 

Numpy 操作的更多相关文章

  1. Python 图像处理 OpenCV (2):像素处理与 Numpy 操作以及 Matplotlib 显示图像

    前文传送门: 「Python 图像处理 OpenCV (1):入门」 普通操作 1. 读取像素 读取像素可以通过行坐标和列坐标来进行访问,灰度图像直接返回灰度值,彩色图像则返回B.G.R三个分量. 需 ...

  2. numpy操作

    python中使用了numpy的一些操作,特此记录下来: 生成矩阵,替换值 import numpy as np # 生成一行10列的矩阵 dataset = np.zeros((1, 10)) # ...

  3. 四 numpy操作数组输出图片

    一.读取一张图片,修改颜色通道后输出 # -*- coding=GBK -*- import cv2 as cv import numpy as np #numpy数组操作 def access_pi ...

  4. Python数据分析之Numpy操作大全

    从头到尾都是手码的,文中的所有示例也都是在Pycharm中运行过的,自己整理笔记的最大好处在于可以按照自己的思路来构建矿建,等到将来在需要的时候能够以最快的速度看懂并应用=_= 注:为方便表述,本章设 ...

  5. Numpy 学习之路(1)——数组的创建

    数组是Numpy操作的主要对象,也是python数据分析的主要对象,本系列文章是本人在学习Numpy中的笔记. 文章中以下都基于以下方式的numpy导入: import numpy as np fro ...

  6. Python之Numpy详细教程

    NumPy - 简介 NumPy 是一个 Python 包. 它代表 “Numeric Python”. 它是一个由多维数组对象和用于处理数组的例程集合组成的库. Numeric,即 NumPy 的前 ...

  7. print( "Hello,NumPy!" )

    print( "Hello,NumPy!" ) 学习痛苦啊,今天学,明天丢.这种天气,还是睡觉最舒服了. 咱说归说,闹归闹,但还是得学才行啊. 之前在学习的过程中一直都有记录笔记的 ...

  8. numpy最后一部分及pandas初识

    今日内容概要 numpy剩余的知识点 pandas模块 今日内容详细 二元函数 加 add 减 sub 乘 mul 除 div 平方 power 数学统计方法 sum 求和 cumsum 累计求和 m ...

  9. [译]学习IPython进行交互式计算和数据可视化(四)

    第三章 使用Python进行数字计算 尽管IPython强大的shell和扩展后的控制台能被任何Python程序员使用,但是这个工具最初是科学奖为科学家设计的.它的主要设计目标就是为使用Python进 ...

随机推荐

  1. React Native 仿天猫物流跟踪时间轴

    最近心血来潮开始学习ReactNative,正好最近有一个项目可能会用到时间轴,页面原型类似于天猫的物流跟踪,如下图 分析之后决定使用ListView来实现,左边的时间轴则使用Art来绘制. 分析左边 ...

  2. python flask(多对多表查询)

    我们在flask的学习中,会难免遇到多对多表的查询,今天我也遇到了这个问题.那么我想了好久.也没有想到一个解决的办法,试了几种方法,可能是思路的限制我放弃了,后来,我就在网上百度,可是发现百度出来的结 ...

  3. hibernate in List查询条件 sum求和使用参考

    @Override public Integer getSumZongShuByidList(List<String> idList){ Integer zongshu = 0; Stri ...

  4. Linux中的apache的服务命令

    1. 启动apachesudo service httpd start 2. 停止服务apachesudo service httpd stop 3. 重新启动apachesudo service h ...

  5. [leetcode-442-Find All Duplicates in an Array]

    Given an array of integers, 1 ≤ a[i] ≤ n (n = size of array), some elements appear twice and others ...

  6. Python的语言类型

    Python 是强类型的动态脚本语言 . 强类型:不允许不同类型相加 动态:不使用显示数据类型声明,且确定一个变量的类型是在第一次给它赋值的时候 脚本语言:一般也是解释型语言,运行代码只需要一个解释器 ...

  7. JS,HTML,CSS

    HTML定义了网页的内容 CSS定义了网页的布局 JavaScript定义了网页的行为

  8. Linux之虚拟机网络配置

    一般安装完虚拟机后,VMware会为虚拟机在网络连接配置为“NAT模式(N):用于共享主机的IP地址”. 这种模式下虚拟机会共享主机的网络环境,主机可以访问外网那么虚拟机可以,主机可以(哪怕是拨VPN ...

  9. Java IO在实际开发中的应用

    IO是java绕不过去的槛,在开发中io无处不在, 正如同 世界上本没有路,java io写多了,也就知道了大体是什么意思,在读完thinking in java 感觉就更清晰了,结合具体的业务场景, ...

  10. ArrayList源码浅析(jdk1.8)

    ArrayList的实质就是动态数组.所以可以通过下标准确的找到目标元素,因此查找的效率高.但是添加或删除元素会涉及到大量元素的位置移动,所以效率低. 一.构造方法 ArrayList提供了3个构造方 ...