Numpy

用于科学计算的python模块，提供了Python中没有的数组对象，支持N维数组运算、处理大型矩阵、成熟的广播函数库、矢量运算、线性代数、傅里叶变换以及随机数生成等功能，并可与C++、FORTRAN等语言无缝结合。

菜鸟教程：https://www.runoob.com/numpy/numpy-dtype.html

·导入numpy模块(打开cmd窗口)

pip install numpy

·简单应用

import numpy as np

1.生成数组

 >>> np.array([1, 2, 3, 4, 5])        # 把列表转换为数组

 array([1, 2, 3, 4, 5])

 >>> np.array((1, 2, 3, 4, 5))        # 把元组转换成数组

 array([1, 2, 3, 4, 5])

 >>> np.array(range(5))               # 把range对象转换成数组

 array([0, 1, 2, 3, 4])

 >>> np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组

 array([[1, 2, 3],

        [4, 5, 6]])

 >>> np.arange(8)                     # 类似于内置函数range()

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

 >>> np.arange(1, 10, 2)              #从1到10（包括1，不包括10），步长为2

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

 >>> np.linspace(0, 10, 11)

       # 等差数组，包含11个数，从0到10（包括0，也包括10，闭区间），平均分为11个数字array([  0.,   1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.])

 >>> np.linspace(0, 10, 11, endpoint=False) # 不包含终点

 array([ 0.        ,  0.90909091,  1.81818182,  2.72727273,  3.63636364,

         4.54545455,  5.45454545,  6.36363636,  7.27272727,  8.18181818,

         9.09090909])

 >>> np.logspace(0, 100, 10)  # 对数数组，从0到100，取10个数，返回10个数分别作为幂，计算基为10的结果数组

 array([ 1.00000000e+000,   1.29154967e+011,   1.66810054e+022,

         2.15443469e+033,   2.78255940e+044,   3.59381366e+055,

         4.64158883e+066,   5.99484250e+077,   7.74263683e+088,

         1.00000000e+100])

 >>>np.logspace(0, 10, 5)

 array([1.00000000e+00, 3.16227766e+02, 1.00000000e+05, 3.16227766e+07,

        1.00000000e+10])

 >>> np.logspace(1,6,5, base=2) # 对数数组，相当于2 ** np.linspace(1,6,5)

 array([  2.        ,   4.75682846,  11.3137085 ,  26.90868529,  64.        ])

 >>>np.logspace(1,5,5,base=2)

 array([ 2.,  4.,  8., 16., 32.])

 >>>np.logspace(1,6,3,base=2)

 array([ 2.       , 11.3137085, 64.       ])

 >>> np.zeros(3)                     # 全0一维数组

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

 >>> np.ones(3)                      # 全1一维数组

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

 >>> np.zeros((3,3))              # 全0二维数组，3行3列

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

        [ 0.,  0.,  0.],

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

 >>> np.zeros((3,1))              # 全0二维数组，3行1列

 array([[ 0.],

        [ 0.],

        [ 0.]])

 >>> np.zeros((1,3))              # 全0二维数组，1行3列

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

 >>> np.ones((3,3))               # 全1二维数组

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

        [ 1.,  1.,  1.],

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

 >>> np.ones((1,3))  # 全1二维数组

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

 >>> np.identity(3)  # 单位矩阵

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

        [ 0.,  1.,  0.],

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

 >>> np.identity(2)

 array([[ 1.,  0.],

        [ 0.,  1.]])

 >>> np.empty((3,3)) # 空数组，只申请空间而不初始化，元素值是不确定的

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

        [ 0.,  0.,  0.],

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

 >>> np.random.randint(0, 50, 5)   # 随机数组，5个0到50之间的数字

 array([13, 47, 31, 26,  9])

 >>> np.random.randint(0, 50, (3,5)) # 3行5列

 array([[34,  2, 33, 14, 40],

        [ 9,  5, 10, 27, 11],

        [26, 17, 10, 46, 30]])

 >>> np.random.rand(10)

 array([ 0.98139326,  0.35675498,  0.30580776,  0.30379627,  0.19527425,

         0.59159936,  0.31132305,  0.20219211,  0.20073821,  0.02435331])

 >>> np.random.standard_normal(5)     # 从标准正态分布中随机采样

 array([ 2.82669067,  0.9773194 , -0.72595951, -0.11343254,  0.74813065])

　

2.数组与数值的算术运算

>>> a=np.array((1,2,3,4,5))

>>> a+2

array([3, 4, 5, 6, 7])

>>> a-2

array([-1,  0,  1,  2,  3])

>>> a*2

array([ 2,  4,  6,  8, 10])

>>> a/2

array([0.5, 1. , 1.5, 2. , 2.5])

>>> a//2

array([0, 1, 1, 2, 2], dtype=int32)

>>> a**2

array([ 1,  4,  9, 16, 25], dtype=int32)

　　

3.数组与数组的算术运算

>>> a=np.array((1,2,3))

>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))

>>> a+b

array([[ 2,  4,  6],

       [ 5,  7,  9],

       [ 8, 10, 12]])

>>> a-b

array([[ 0,  0,  0],

       [-3, -3, -3],

       [-6, -6, -6]])

>>> a*b

array([[ 1,  4,  9],

       [ 4, 10, 18],

       [ 7, 16, 27]])

>>> a//b

array([[1, 1, 1],

       [0, 0, 0],

       [0, 0, 0]], dtype=int32)

　　

4.二维数组转置

>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))

>>> b

array([[1, 2, 3],

       [4, 5, 6],

       [7, 8, 9]])

>>> print(b.T)

[[1 4 7]

 [2 5 8]

 [3 6 9]]

　　

5.向量点积

>>> a=np.array((5,6,7))

>>> b=np.array((6,6,6))

>>> np.dot(a,b)

108

　　

6.数组元素访问

>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))

>>> b[0,0]

1

>>> b[0][2]

3

　　

多元素同时访问

>>> x = np.arange(0,100,10,dtype=np.floating)

>>> x

array([  0.,  10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90.])

>>> x[[1, 3, 5]]          # 同时访问多个位置上的元素

array([ 10.,  30.,  50.])

　　

7.三角函数运算

>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))

>>> np.sin(b)

array([[ 0.84147098,  0.90929743,  0.14112001],

       [-0.7568025 , -0.95892427, -0.2794155 ],

       [ 0.6569866 ,  0.98935825,  0.41211849]])

　　

8.四舍五入

>>> np.round(np.sin(b))

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

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

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

　　

9.对矩阵不同维度上的元素进行求和

>>> x=np.arange(0,10).reshape(2,5)

>>> x

array([[0, 1, 2, 3, 4],

       [5, 6, 7, 8, 9]])

>>> np.sum(x)

45

>>> np.sum(x,axis=0)   #每列求和

array([ 5,  7,  9, 11, 13])

>>> np.sum(x,axis=1)  #每行求和

array([10, 35])

　　

10.计算矩阵不同维度上元素的均值

>>> np.average(x,axis=0)

array([2.5, 3.5, 4.5, 5.5, 6.5])

>>> np.average(x,axis=1)

array([2., 7.])

　　

11.计算数据的标准差与方差

>>> x=np.random.randint(0,10,size=(3,3))

>>> x

array([[5, 3, 5],

       [3, 6, 2],

       [6, 0, 9]])

>>> np.std(x)    #标准差

2.494438257849294

>>> np.std(x,axis=1)  #列行标准差
array([0.94280904, 1.69967317, 3.74165739])

>>> np.var(x)  #方差

6.222222222222222

　　

12.对矩阵不同维度上的元素求最大值

>>> x=np.random.randint(0,10,size=(3,3))

>>> x

array([[2, 6, 9],

       [1, 8, 3],

       [0, 9, 8]])

>>> np.max(x)

9

>>> np.max(x,axis=1) #每列最大值

array([9, 8, 9])

13.对矩阵不同维度上的元素进行排序

>>> np.sort(x)

array([[2, 6, 9],

       [1, 3, 8],

       [0, 8, 9]])

>>> np.sort(x,axis=0)

array([[0, 6, 3],

       [1, 8, 8],

       [2, 9, 9]])

14.生成特殊数组

>>> np.empty((3,3)) #只申请空间，不初始化，速度很快

array([[0.00000000e+000, 0.00000000e+000, 0.00000000e+000],

       [0.00000000e+000, 0.00000000e+000, 4.82208070e-321],

       [1.86918698e-306, 1.78021662e-306, 2.46155235e-312]])

15.改变数组大小

>>> a=np.arange(1,11,1)

>>> a

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

>>> a.shape=2,5

>>> a

array([[ 1,  2,  3,  4,  5],

       [ 6,  7,  8,  9, 10]])

>>> a.shape=5,-1  #-1表示自动计算

>>> a

array([[ 1,  2],

       [ 3,  4],

       [ 5,  6],

       [ 7,  8],

       [ 9, 10]])

>>> a.reshape(2,5)

array([[ 1,  2,  3,  4,  5],

       [ 6,  7,  8,  9, 10]])

16.切片操作

>>> a=np.arange(10)

>>> a

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

>>> a[::-1]

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

>>> a[::2]

array([0, 2, 4, 6, 8])

>>> c=np.array([[j*10+ i for i in range(6)] for j in range (6)])

>>> c

array([[ 0,  1,  2,  3,  4,  5],

       [10, 11, 12, 13, 14, 15],

       [20, 21, 22, 23, 24, 25],

       [30, 31, 32, 33, 34, 35],

       [40, 41, 42, 43, 44, 45],

       [50, 51, 52, 53, 54, 55]])

>>> c[0,3:5]  #取第0行第三个和第四个元素

array([3, 4])

17.布尔运算

>>> x=np.random.rand(10)

>>> x

array([0.10905435, 0.57768227, 0.18788365, 0.23399672, 0.93576621,

       0.62251011, 0.54649539, 0.37180411, 0.72779445, 0.05535632])

>>> x>0.5

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

       False])

>>> x[x>0.5]  #取出所有大于0.5的元素

array([0.57768227, 0.93576621, 0.62251011, 0.54649539, 0.72779445])

>>> np.array([1,2,3]) < np.array([3,2,1])

array([ True, False, False])

>>> np.array([1,2,3]) == np.array([3,2,1])

array([False,  True, False])

18.取整运算

>>> x=np.random.rand(10)*50

>>> x

array([19.13213223, 38.14702133, 41.30754565, 19.51765474, 19.73843457,

       25.66530995, 34.74361578, 12.44682723,  6.03817843, 34.18593124])

>>> np.array([t-int(t) for t in x])    #获取小数部分

array([0.13213223, 0.14702133, 0.30754565, 0.51765474, 0.73843457,

       0.66530995, 0.74361578, 0.44682723, 0.03817843, 0.18593124])

19.广播

>>> a=np.arange(0,60,10).reshape(-1,1)

>>> b=np.arange(0,6)

>>> a

array([[ 0],

       [10],

       [20],

       [30],

       [40],

       [50]])

>>> b

array([0, 1, 2, 3, 4, 5])

>>> a+b

array([[ 0,  1,  2,  3,  4,  5],

       [10, 11, 12, 13, 14, 15],

       [20, 21, 22, 23, 24, 25],

       [30, 31, 32, 33, 34, 35],

       [40, 41, 42, 43, 44, 45],

       [50, 51, 52, 53, 54, 55]])

20.分段函数

>>> x=np.random.randint(0,10,size=(1,10))

>>> x

array([[4, 4, 8, 9, 0, 0, 4, 0, 3, 5]])

>>> np.where(x<5,0,1)  #选出小于5,0,1的数

array([[0, 0, 1, 1, 0, 0, 0, 0, 0, 1]])

>>>np.piecewise(x,[x<7,x>4],[lambda x:x*2,lambda x:x*3])  #小于7的数乘2，大于4的数乘3

array([[ 8,  8, 24, 27,  0,  0,  8,  0,  6, 15]])

21.计算唯一值以及出现次数

>>> x=np.random.randint(0,10,10)

>>> x

array([1, 1, 0, 2, 7, 1, 6, 6, 9, 7])

>>> np.unique(x)    #计算唯一值

array([0, 1, 2, 6, 7, 9])

>>> np.bincount(x)  #计算出现的次数，但是因为访问是无序的，所以最后并不是顺序计数

array([1, 3, 1, 0, 0, 0, 2, 2, 0, 1], dtype=int64)

22.计算加权平均值

>>> y=np.array([round(i,1) for i in list (np.random.random(10))])

>>> y

array([0.2, 0. , 0.6, 0.3, 0.7, 0. , 0.7, 0.4, 0.8, 0.7])   #随机生成10个0-1之间的带一位小数的数

>>> np.sum(x*y)/np.sum(np.bincount(x))   #平均值

2.44

23.矩阵运算

　　

>>> a_list=[3,5,7]

>>> a_mat=np.matrix(a_list)   #设置为矩阵库

>>> a_mat

matrix([[3, 5, 7]])

>>> np.shape(a_mat)   #矩阵为一行三列

(1, 3)

>>> b_mat=np.matrix((1,2,3))

>>> b_mat

matrix([[1, 2, 3]])

>>> a_mat * b_mat.T  #矩阵乘法

matrix([[34]])

>>> a_mat.argsort()  #返回的是数组值从小到大的索引值

matrix([[0, 1, 2]], dtype=int64)

>>> a_mat.sum()

15

>>> a_mat

matrix([[3, 5, 7]])

>>> a_mat.mean()

5.0

>>> a_mat.max()

7

科学计算包Numpy的更多相关文章

  1. 动态可视化 数据可视化之魅D3,Processing,pandas数据分析,科学计算包Numpy,可视化包Matplotlib,Matlab语言可视化的工作,Matlab没有指针和引用是个大问题

    动态可视化 数据可视化之魅D3,Processing,pandas数据分析,科学计算包Numpy,可视化包Matplotlib,Matlab语言可视化的工作,Matlab没有指针和引用是个大问题 D3 ...

  2. Python下科学计算包numpy和SciPy的安装

    转载自:http://blog.sina.com.cn/s/blog_62dfdc740101aoo6.html Python下大多数工具包的安装都很简单,只需要执行 “python setup.py ...

  3. Python下科学计算包numpy和SciPy的安装【原创】

    Python下大多数工具包的安装都很简单,只需要执行 "python setup.py install"命令即可.然而,由于SciPy和numpy这两个科学计算包的依赖关系较多,安 ...

  4. python科学计算包numpy用法（一）

    numpy是python中一个用来做科学计算的包,用起来十分方便,下面是我总结的numpy的用法: 1.如何创建矩阵 创建矩阵有很多种方法,主要包括以下几种: 通过array函数创建 >> ...

  5. 第六节，Python的科学计算包——Numpy

    1.基本类型(array) import numpy as np a=[1,2,3,4] b=np.array(a) #array([1,2,3.4]) type(b) #<type 'nump ...

  6. Linux下Python科学计算包numpy和SciPy的安装

      系统环境: OS:RedHat5 Python版本:Python2.7.3 gcc版本:4.1.2 各个安装包版本: scipy-0.11.0 numpy-1.6.2 nose-1.2.1 lap ...

  7. Python科学计算包模块的安装(ubuntu)

    Python的科学计算包设计到C语言代码的编译,采用pip的方式安装会出现错误. 一种简单的方式是采用的集成包,具体的步骤参考:https://www.continuum.io/downloads#_ ...

  8. 数据分析与科学计算可视化-----用于科学计算的numpy库与可视化工具matplotlib

    一.numpy库与matplotlib库的基本介绍 1.安装 (1)通过pip安装: >> pip install matplotlib 安装完成 安装matplotlib的方式和nump ...

  9. Windows下安装python的scipy等科学计算包（转）

    如果要使用python进行科学计算.数据分析等,一定要安装scipy.seaborn.numpy等等包. 但Windows下安装python的第三方库经常会出现问题.此前,已介绍过Windows下如何 ...

随机推荐

  1. Thread -- Volatile

    1,可见性也就是说一旦某个线程修改了该被volatile修饰的变量,它会保证修改的值会立即被更新到主存,当有其他线程需要读取时,可以立即获取修改之后的值. 在Java中为了加快程序的运行效率,对一些变 ...

  2. SQL 实习

    一. tem表 group by 分组后,有三个编号,找出最下的订单时间,比较选出时间段内的数据.注意group by 和 having的用法. group by 的用法 不用聚合函数的时候,每类出现 ...

  3. 【每周小项目】使用 puppeteer 插件爬取动态网站

    目录 0. 前言 问题 解决 1. 下载与引包 2. 使用步骤 3. 爬过的几个坑 page.evaluate 的传参问题 元素操作问题 0. 前言 这两天对爬虫开始感兴趣,最开始是源于天涯的一个房价 ...

  4. Apache本地服务器搭建（Mac版）

    由于Mac自带apache服务器,所以无需下载,apache默认处于开启状态. 可以在浏览器输入localhost,显示It works!,代表目前处于开启状态,默认文件目录为/Library/Web ...

  5. ajax2.0之文件上传加跨域

    express_server.js const express=require('express'); //主体 const body=require('body-parser'); //接收普通PO ...

  6. Spark Streaming 编程入门指南

    Spark Streaming 是核心Spark API的扩展,可实现实时数据流的可伸缩,高吞吐量,容错流处理.可以从许多数据源(例如Kafka,Flume,Kinesis或TCP sockets)中 ...

  7. 解决MySQL workbench的resultgird不出现的问题

    23:01:37 2019-08-08 鸽了好久 终于开始看怎么使用MySQL workbench了 首先就是遇到了result gird不显示的问题 搜了 重启是一种办法(这方法...至少能用) 其 ...

  8. 数据库服务软件类型和配置redis

                                                        ql-day11     数据库服务软件类型和配置redis   l 数据库服务软件类型 ² R ...

  9. 提示要安装Python-OpenSSL

    PyOpenSSL是OpenSSL的python接口,用于提供加密传输支持(SSL),如果没用该模组,会导致goagent无法生成证书而影响使用. 若系统没有openssl,先安装openssl,** ...

  10. Vulnhub DC-5靶机渗透

    信息搜集 老样子,先找到靶机IP和扫描靶机 nmap -sP 192.168.146.0/24 #找靶机ip nmap -sS -Pn -A 192.168.146.141 #扫描端口 这次开的是80 ...