numpy.array()

功能：创建一个数据

vector = numpy.array([1,2,3,4])

matrix = numpy.array([1,2,3,4],[11,12,13,14])

numpy.shape

功能：查看有多少个对象在数组中

print(vector.shape)



print(matrix.shape)



numpy.genfromtxt（）

功能：Load data from a text file（从txt加载数据）

文件内容示例：

ear,WHO region,Country,Beverage Types,Display Value

1986,Western Pacific,Viet Nam,Wine,0

1986,Americas,Uruguay,Other,0.5

1985,Africa,Cte d'Ivoire,Wine,1.62

...

1986,Americas,Colombia,Beer,4.27

1987,Americas,Saint Kitts and Nevis,Beer,1.98

1987,Americas,Guatemala,Other,0

1987,Africa,Mauritius,Wine,0.13

1985,Africa,Angola,Spirits,0.39

1986,Americas,Antigua and Barbuda,Spirits,1.55

读取代码

world_alcohol = numpy.genfromtxt('world_alcohol.txt',delimiter=',',dtype=str)

打印矩阵

[['Year' 'WHO region' 'Country' 'Beverage Types' 'Display Value']

 ['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']

 ['1986' 'Americas' 'Uruguay' 'Other' '0.5']

 ...

 ['1987' 'Africa' 'Malawi' 'Other' '0.75']

 ['1989' 'Americas' 'Bahamas' 'Wine' '1.5']

 ['1985' 'Africa' 'Malawi' 'Spirits' '0.31']]

help（numpy.genfromtxt）

功能：查看该方法如何使用

In>> help(numpy.genfromtxt)

Out>>



个人更推荐直接查看该方法的定义的方式来查看方法如何使用


切片操作

1.取world_alcohol的所有年份

world_alcohol[:,:1]

：代表所有,：1代表第一列，意义就是取所有行的第一列

2.取world_alcohol的第三列

world_alcohol[:,2:3]

运算 判断

先定一个矩阵

matrix = numpy.array([[1,2,3],[1,2,4],[2,2,3]])

判断矩阵中是否存在某个元素

matrix[:,]==2


返回一个数组，Flase为不匹配，True为匹配

用匹配信息进行查找
示例：查找第一列为2 的行 所在第三列的值

qe = matrix[:,0] == 2

# array([False, False,  True])

matrix[qe,2]

# array([3])

运算 与

vector = numpy.array([1,2,3,4])

print((vector == 1) & (vector ==2))



print((vector == 1) & (vector >0))

# out >> [ True False False False]

运算 或

vector = numpy.array([1,2,3,4])

print((vector == 1) | (vector ==2))

# out >> [ True  True False False]

类型转换

使用astype来进行类型转换

vector = numpy.array(['1','2','3'])

print(vector.dtype)

## <U1

vector = vector.astype(int)

print(vector.dtype)

## int64

矩阵转换

>>> vector = numpy.arange(15)

>>> print(vector)

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

>>> matrix = vector.reshape(3,5)

>>> print(matrix)

[[ 0  1  2  3  4]

 [ 5  6  7  8  9]

 [10 11 12 13 14]]

>>> matrix

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

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

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

ndim 维度

>>> matrix.ndim

2

matrix来自上面的矩阵转换

初始化一个矩阵

>>> numpy.zeros((3,4))

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

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

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

随机

>>> numpy.random.random((2,3))

array([[0.92741381, 0.60763819, 0.62092669],

       [0.0685093 , 0.31973933, 0.59478389]])

linspace 指定范围和数量的初始化

>>> numpy.linspace(1,2*numpy.pi,100)

array([1.        , 1.05336551, 1.10673102, 1.16009652, 1.21346203,

       1.26682754, 1.32019305, 1.37355856, 1.42692407, 1.48028957,

       1.53365508, 1.58702059, 1.6403861 , 1.69375161, 1.74711711,

       1.80048262, 1.85384813, 1.90721364, 1.96057915, 2.01394465,

       2.06731016, 2.12067567, 2.17404118, 2.22740669, 2.2807722 ,

       2.3341377 , 2.38750321, 2.44086872, 2.49423423, 2.54759974,

       2.60096524, 2.65433075, 2.70769626, 2.76106177, 2.81442728,

       2.86779279, 2.92115829, 2.9745238 , 3.02788931, 3.08125482,

       3.13462033, 3.18798583, 3.24135134, 3.29471685, 3.34808236,

       3.40144787, 3.45481338, 3.50817888, 3.56154439, 3.6149099 ,

       3.66827541, 3.72164092, 3.77500642, 3.82837193, 3.88173744,

       3.93510295, 3.98846846, 4.04183396, 4.09519947, 4.14856498,

       4.20193049, 4.255296  , 4.30866151, 4.36202701, 4.41539252,

       4.46875803, 4.52212354, 4.57548905, 4.62885455, 4.68222006,

       4.73558557, 4.78895108, 4.84231659, 4.8956821 , 4.9490476 ,

       5.00241311, 5.05577862, 5.10914413, 5.16250964, 5.21587514,

       5.26924065, 5.32260616, 5.37597167, 5.42933718, 5.48270268,

       5.53606819, 5.5894337 , 5.64279921, 5.69616472, 5.74953023,

       5.80289573, 5.85626124, 5.90962675, 5.96299226, 6.01635777,

       6.06972327, 6.12308878, 6.17645429, 6.2298198 , 6.28318531])

取整

>>> matrix = numpy.random.random((2,3))

>>> matrix

array([[0.80081883, 0.85121955, 0.13076995],

       [0.93531681, 0.63438252, 0.72251243]])

>>> numpy.floor(matrix)

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

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

拼接

hstack

>>> a = numpy.random.random((2,3))

>>> b = numpy.random.random((2,3))

>>> a

array([[0.95498357, 0.18999871, 0.66418543],

       [0.57704126, 0.65051646, 0.29100003]])

>>> b

array([[0.1027083 , 0.02873905, 0.91481418],

       [0.91912233, 0.24024705, 0.51269805]])

>>> numpy.hstack((a,b))

array([[0.95498357, 0.18999871, 0.66418543, 0.1027083 , 0.02873905,

        0.91481418],

       [0.57704126, 0.65051646, 0.29100003, 0.91912233, 0.24024705,

        0.51269805]])

vstack

>>> a = numpy.random.random((2,3))

>>> b = numpy.random.random((2,3))

>>> a

array([[0.95498357, 0.18999871, 0.66418543],

       [0.57704126, 0.65051646, 0.29100003]])

>>> b

array([[0.1027083 , 0.02873905, 0.91481418],

       [0.91912233, 0.24024705, 0.51269805]])

>>> numpy.vstack((a,b))

array([[0.95498357, 0.18999871, 0.66418543],

       [0.57704126, 0.65051646, 0.29100003],

       [0.1027083 , 0.02873905, 0.91481418],

       [0.91912233, 0.24024705, 0.51269805]])

切分

hsplit

行切割

>>> c = numpy.floor(10*numpy.random.random((2,12)))

>>> c

array([[3., 7., 9., 1., 4., 3., 3., 9., 5., 4., 9., 9.],

       [3., 9., 8., 6., 7., 5., 4., 8., 1., 4., 8., 7.]])

>>> numpy.hsplit(c,3) #平均切割为3份

[array([[3., 7., 9., 1.],

       [3., 9., 8., 6.]]),

array([[4., 3., 3., 9.],

       [7., 5., 4., 8.]]),

array([[5., 4., 9., 9.],

       [1., 4., 8., 7.]])]

>>> numpy.hsplit(c,(3,4)) #指定位置切割

[array([[3., 7., 9.],

       [3., 9., 8.]]), array([[1.],

       [6.]]), array([[4., 3., 3., 9., 5., 4., 9., 9.],

       [7., 5., 4., 8., 1., 4., 8., 7.]])]

vsplit

列切割

>>> d = numpy.floor(10*numpy.random.random((3,12)))

array([[1., 3., 4., 6., 6., 1., 6., 7., 3., 2., 8., 0.],

       [7., 0., 0., 1., 5., 2., 6., 8., 0., 3., 3., 4.],

       [3., 8., 7., 0., 7., 9., 1., 6., 7., 4., 6., 1.]])

>>> numpy.vsplit(d,3) # 平均切割为3份

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

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

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

深拷贝和浅拷贝

赋值

完全相同的对象

>>> a = numpy.arange(12)

>>> a

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> b= a

>>> b

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> print(b is a)

True

浅拷贝

对象不同，但引用的值相同

>>> c = a.view()

>>> print(c is a)

False

>>> c.shape = (2,6)

>>> a.shape

(12,)

>>> a[0]=1

>>> a

array([ 1,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> c

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

       [ 6,  7,  8,  9, 10, 11]])

深拷贝

完全不同的两个对象

>>> d = a.copy()

>>> d is a

False

>>> a

array([ 1,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> d

array([ 1,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> d.shape=(2,6)

>>> d

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

       [ 6,  7,  8,  9, 10, 11]])

>>> d[0,0]=0

>>> d

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

Numpy 基础学习的更多相关文章

  1. Numpy基础学习与总结

    Numpy类型学习 1.数组的表示 import numpy as np In [2]: #numpy核心是高维数组,库中的ndarray支持多维数组,同时提供了数值运算,可对向量矩阵进行运算 In ...

  2. Python 读取UCI iris数据集分析、numpy基础学习

    python基础.numpy使用.io读取数据集.数据处理转换与简单分析.读取UCI iris数据集中鸢尾花的萼片.花瓣长度数据,进行数据清理,去重,排序,并求出和.累积和.均值.标准差.方差.最大值 ...

  3. Numpy基础学习

    Numpy(Numerical Python的简称)是高性能科学计算和数据分析的基础包. 主要的功能: 1.ndarray,一个具有矢量运算和复杂广播工能的快速且节省空间的多维数组 2.用于对整组数据 ...

  4. [学习笔记] Numpy基础 系统学习

    [学习笔记] Numpy基础 上专业选修<数据分析程序设计>课程,老师串讲了Numpy基础,边听边用jupyter敲了下--理解+笔记. 老师讲的很全很系统,有些点没有记录,在PPT里就不 ...

  5. 【学习笔记】 第04章 NumPy基础：数组和矢量计算

    前言 正式开始学习Numpy,参考用书是<用Python进行数据清洗>,计划本周五之前把本书读完,关键代码全部实现一遍 NumPy基础:数组和矢量计算 按照书中所示,要搞明白具体的性能差距 ...

  6. 18-09-21 numpy 的基础学习01

    # 1关于numpy 的学习import numpy as np # 一 如何创建数组****# 1 有规律的一维数据的创建======# 1 range() 和arange() 区别 貌似没有区别l ...

  7. python学习笔记（三）：numpy基础

    Counter函数可以对列表中数据进行统计每一个有多少种 most_common(10)可以提取前十位 from collections import Counter a = ['q','q','w' ...

  8. Day1 Python基础学习

    一.编程语言分类 1.简介 机器语言:站在计算机的角度,说计算机能听懂的语言,那就是直接用二进制编程,直接操作硬件 汇编语言:站在计算机的角度,简写的英文标识符取代二进制去编写程序,本质仍然是直接操作 ...

  9. numpy 基础操作

    Numpy 基础操作¶ 以numpy的基本数据例子来学习numpy基本数据处理方法 主要内容有: 创建数组 数组维度转换 数据选区和切片 数组数据计算 随机数 数据合并 数据统计计算 In [1]: ...

随机推荐

  1. RF无线射频电路设计干货分享

    1.概述:射频(RF)PCB设计,在目前公开出版的理论上具有很多不确定性,常被形容为一种“黑色艺术”.通常情况下,对于微波以下频段的电路(包括低频和低频数字电路),在全面掌握各类设计原则前提下的仔细规 ...

  2. python可视化库 Matplotlib 01 figure的详细用法

    1.上一章绘制一幅最简单的图像,这一章介绍figure的详细用法,figure用于生成图像窗口的方法,并可以设置一些参数 2.先看此次生成的图像: 3.代码(代码中有详细的注释) # -*- enco ...

  3. vue 学习小记

    vue 中有 data() .computed.methods.beforeRouteLeave.created等 具体的: data():定义一些文件中需要用到的变量,data中带return,是使 ...

  4. Firefox 的兼容问题

    Firefox (火狐) 坑 一, css 文本溢出省略号 单行 :  overflow:hidden; text-overflow:ellipsis; white-space:nowrap 多行 : ...

  5. S7 Connection 通讯

    参考两个链接: http://www.ad.siemens.com.cn/service/answer/solution.aspx?Q_ID=74626&cid=1029 https://su ...

  6. 用Java写hello world

    public class HelloWorld{ public static void main(String[] args){ System.out.println("hello worl ...

  7. PIL成就你的自信之路

    1.强大的PIL库 在Python中,有一个优秀的图像处理框架,就是PIL库,本博文会分模块,介绍PIL库中的各种方法,并列举相关例子. 学习总结:PIL库可以让我们得到更多的需求,以此来满足我们的需 ...

  8. Vs 开发时无法断点问题

    1.清除解决方案 2.重新编译 3.删除项目目录下的obj 和 bin 4.在vs中配置 工具--项目--调试--去除勾选 要求源文件与原始版本完全匹配 关于调试问题 1.关闭诊断工具, 工具 =&g ...

  9. 初学Socket通信

    1.Socket:Socket就是套接字.客户端与服务器之间通信用的.Socket接口是TCP/IP网络的API. 2.SYN是TCP/IP建立连接时使用的握手信号.在客户端和服务器之间建立正常的TC ...

  10. Azure Web连接到Azure MySql Db

    这个问题折腾了好一会,简单记录一下. 两种方式: 输入"规则名称"."起始 IP"和"结束 IP",然后单击"保存". ...