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. Python第十章-模块和包

    模块和包 我们以前的代码都是写在一个文件中, 而且代码也比较短. 假设我们现在要写一个大的系统, 不可能把代码只写到一个文件中, 迫切想把代码写到不同的文件中, 并且能够在一个文件使用另一个文件中代码 ...

  2. ElasticSearch 倒排索引

    倒排索引 倒排表以字或词为关键字进行索引,表中关键字所对应的记录表项记录了出现这个字或词的所有文档,一个表项就是一个字表段,它记录该文档的ID和字符在该文档中出现的位置情况. 由于每个字或词对应的文档 ...

  3. 【WPF学习】第六十二章 构建更复杂的模板

    在控件模板和为其提供支持的代码之间又一个隐含约定.如果使用自定义控件模板替代控件的标准模板,就需要确保新模板能够满足控件的实现代码的所有需要. 在简单控件中,这个过程比较容易,因为对模板几乎没有(或完 ...

  4. 玩转redis-简单消息队列

    使用go语言基于redis写了一个简单的消息队列 源码地址 使用demo redis的 list 非常的灵活,可以从左边或者右边添加元素,当然也以从任意一头读取数据 添加数据和获取数据的操作也是非常简 ...

  5. NKOJ3751 扫雷游戏

    问题描述 有一款有趣的手机游戏.棋盘上有n颗地雷,玩家需要至少扫掉其中的k颗雷.每一步,玩家可以用手指在手机屏幕上划一条直线,该直线经过的地雷都会被扫除掉.问,最少需要划几次就能扫除k颗以上的地雷? ...

  6. 1+X Web前端开发（中级）理论考试样题（附答案）

    传送门 教育部:职业教育将启动"1+X"证书制度改革 职业教育改革1+X证书制度试点启动 1+X成绩/证书查询入口 一.单选题(每小题2分,共30小题,共 60 分) 1.在Boo ...

  7. 微信小程序wx:for隐藏遍历的最后一个元素

    微信小程序开发时有时会需要从wx:for遍历的元素中选取最后一个来进行相关操作,以下方法以隐藏最后一个元素为例 index==list.length-1 通过获取列表的总长度减一来得到最后一个元素是最 ...

  8. django-filter的基本使用

    django-filter 查询 创建model和视图 from django.db import models # Create your models here. class Student(mo ...

  9. Linux如何配制Tcl编程环境

    首先,打开终端. 接着在终端输入以下命令: sudo apt-get install tcl

  10. 《闲扯Redis四》List数据类型底层编码转换

    一.前言 Redis 提供了5种数据类型:String(字符串).Hash(哈希).List(列表).Set(集合).Zset(有序集合),理解每种数据类型的特点对于redis的开发和运维非常重要. ...