NumPy是什么?

NumPy是科学计算的基本包在Python中。 这是一个Python库,它提供了一个多维数组对象, 各种派生的对象(如蒙面数组和矩阵),和一个 快速操作数组的各式各样的例程,包括 数学、逻辑、形状操作、排序选择、I / O, 离散傅里叶变换,基本的线性代数,基本统计 操作,随机模拟和更多。

1、Numpy数组对象：

　　NumPy中的 ndarray 是一个多维数组对象，该对象由两部分组成：

　　　　实际的数据

　　　　描述这些数据的元数据

　　大部分的数组操作仅仅修改元数据部分，而不改变底层的实际数据NumPy数组一般是同质的（但有一种特殊的数组类型例外，它是异质的），即数组中的所有元素类型必须是一致的。

NumPy数组类的ndarray。 也是已知的别名array。 请注意,numpy.array不一样的标准吗 Python库类array.array,它只处理一维 数组和提供功能比较少。 更重要的一个属性 象是ndarray:

　　　　

#ndarray类的属性,别名为array

ndarray.ndim #(也可以为array.ndim下面类似)数组的维度

ndarray.shape #数组的行数和列数

ndarray.size#数组的大小，数组元素的总和

ndarray.dtype#对象数组的数据类型

ndarray.itemsize#每个数组元素的字节大小

ndarray.data#缓冲区包含实际的元素的数组。 通常,我们 不需要使用这个属性,因为我们将访问元素 在使用数组索引设施。

　　

 import numpy as np

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

 print(array)

 print(array.ndim)

 print(array.shape)

 print(array.size)

 print(array.dtype)

 print(array.itemsize)

 print(array.data)

结果：

2、创建数组：　　                                  

  • array：创建数组
  • dtype：指定数据类型
  • zeros：创建数据全为0
  • ones：创建数据全为1
  • empty：创建数据接近0
  • arrange：按指定范围创建数据
  • linspace：创建线段
  1. 　创建普通的数组：

     import numpy as np
    
 array = np.array([[1,2,3],[2,3,4]])#数组的类型为默认类型
    
 array1 = np.array([[1,2,3],[2,3,4]],dtype=np.int16)#设置自己想要的数据类型
    
 print(array.dtype)
    
 print(array1.dtype)

    结果;
    Numpy支持的数据类型;

  2. 创建全为零和全为一的数组：empty创建全空数组,

     >>> np.zeros( (3,4) )
    
 array([[ 0.,  0.,  0.,  0.],
    
        [ 0.,  0.,  0.,  0.],
    
        [ 0.,  0.,  0.,  0.]])
    
 >>> np.ones( (2,3,4), dtype=np.int16 )                # dtype can also be specified
    
 array([[[ 1, 1, 1, 1],
    
         [ 1, 1, 1, 1],
    
         [ 1, 1, 1, 1]],
    
        [[ 1, 1, 1, 1],
    
         [ 1, 1, 1, 1],
    
         [ 1, 1, 1, 1]]], dtype=int16)
    
 >>> np.empty( (2,3) )                                 # uninitialized, output may vary
    
 array([[  3.73603959e-262,   6.02658058e-154,   6.55490914e-260],
    
        [  5.30498948e-313,   3.14673309e-307,   1.00000000e+000]])
  3. 用 arange 创建连续数组:
  4. 用 linspace 创建线段型数据:

3、创建自定义数据类型：

　　自定义数据类型是一种异构数据类型，与C语言和C++语言的结构体类似，可以用来实现结构体

　　1.创建数据类型：

　　　　

 import numpy as np

 t = np.dtype({'names':['name','numitems','price'],

               'formats':[np.str,np.uint32,np.float32]})

 a = np.array([("jhf",54, 78.2),('hvgh',89,12.2)],dtype=t)

 print(a.dtype)

 print(a[1])

　　结果：

　　2.一维数组的索引和切片

In [2]: a  = np.arange(9)

        print(a[3:7])
   结果:[3 4 5 6]

　　

　　　3.多维数组的切片与索引

 # -*- coding: utf- -*-

 import numpy as np

 b = np.arange().reshape(,,)

 print(b.shape)

 print(b)

结果：

(2, 3, 4)

[[[ 0  1  2  3]

  [ 4  5  6  7]

  [ 8  9 10 11]]

 [[12 13 14 15]

  [16 17 18 19]

  [20 21 22 23]]]

　　　多维数组 b 中有 0 ~ 23 的整数，共 24 个元素，是一个2×3×4的三维数组。我们可以形象地把它看做一个两层楼建筑，每层楼有12个房间，并排列成3行4列。或者，我们也可以将其看成是电子表格中工作表（sheet）、行和列的关系。你可能已经猜到， reshape 函数的作用是改变数组的“形状”，也就是改变数组的维度，其参数为一个正整数元组，分别指定数组在每个维度上的大小。如果指定的维度和数组的元素数目不相吻合，函数将抛出异常

　　

　　4. 改变数组的维度：

  1. 　　　（ravel（）函数）将数组展平

    1 # -*- coding: utf-8 -*-
    
2 import numpy as np
    
3 b = np.arange(24).reshape(2,3,4)
    
4 print(b)
    
5 print(b.ravel())

    结果：

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

 [[12 13 14 15]
    
  [16 17 18 19]
    
  [20 21 22 23]]]
    
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
  2. （flatten（）函数） 这个函数恰如其名， flatten 就是展平的意思，与 ravel 函数的功能相同。不过， flatten 函数会请求分配内存来保存结果，而 ravel 函数只是返回数组的一个视图（view）： 
    # -*- coding: utf-8 -*-
    
import numpy as np
    
b = np.arange(24).reshape(2,3,4)
    
print(b)
    
print(b.ravel())
    
a=b.flatten()
    
print(a)

    　　结果：

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

 [[12 13 14 15]
    
  [16 17 18 19]
    
  [20 21 22 23]]]
    
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
    
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]

  3. 用元组设置维度 除了可以使用 reshape 函数，我们也可以直接用一个正整数元组来设置数组的维度，如下所示：

    # -*- coding: utf-8 -*-
    
import numpy as np
    
b = np.arange(24).reshape(2,3,4)
    
b.shape = (6,4)
    
print(b)

    　　结果：

    [[ 0  1  2  3]
    
 [ 4  5  6  7]
    
 [ 8  9 10 11]
    
 [12 13 14 15]
    
 [16 17 18 19]
    
 [20 21 22 23]]
  4. (transpose()函数或者array.T )在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做： 
    # -*- coding: utf-8 -*-
    
import numpy as np
    
b = np.arange(24).reshape(6,4)
    
print(b)
    
print('\n')
    
print(b.transpose())
    
print('\n')
    
#或者b.T
    
print(b.T)

    　结果：

    [[ 0  1  2  3]
    
 [ 4  5  6  7]
    
 [ 8  9 10 11]
    
 [12 13 14 15]
    
 [16 17 18 19]
    
 [20 21 22 23]]

[[ 0  4  8 12 16 20]
    
 [ 1  5  9 13 17 21]
    
 [ 2  6 10 14 18 22]
    
 [ 3  7 11 15 19 23]]

[[ 0  4  8 12 16 20]
    
 [ 1  5  9 13 17 21]
    
 [ 2  6 10 14 18 22]
    
 [ 3  7 11 15 19 23]]
  5. （ resize（）函数） resize 和 reshape 函数的功能一样，但 resize 会直接修改所操作的数组： 
    # -*- coding: utf-8 -*-
    
import numpy as np
    
b = np.arange(24).reshape(6,4)
    
print(b)
    
b.resize((2,12))
    
print(b)

    　　结果：

    [[ 0  1  2  3]
    
 [ 4  5  6  7]
    
 [ 8  9 10 11]
    
 [12 13 14 15]
    
 [16 17 18 19]
    
 [20 21 22 23]]
    
[[ 0  1  2  3  4  5  6  7  8  9 10 11]
    
 [12 13 14 15 16 17 18 19 20 21 22 23]]

　　5.组合数组

  1. 创建两个数组：　

    # -*- coding: utf-8 -*-
    
import numpy as np
    
a = np.arange(9).reshape(3,3)
    
print(a)
    
print('\n')
    
b = 2*a
    
print(b)

    　　结果：

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

[[ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]
  2. 水平组合：
    　　1.hstack 函数实现 
    # -*- coding: utf-8 -*-
    
import numpy as np
    
a = np.arange(9).reshape(3,3)
    
b = 2*a
    
print(np.hstack((a,b)))

    　　结果：

    [[ 0  1  2  0  2  4]
    
 [ 3  4  5  6  8 10]
    
 [ 6  7  8 12 14 16]]

    　　2. concatenate 函数来实现

    # -*- coding: utf-8 -*-
    
import numpy as np
    
a = np.arange(9).reshape(3,3)
    
b = 2*a
    
print(np.concatenate((a,b),axis=1))

    　　结果：

    [[ 0  1  2  0  2  4]
    
 [ 3  4  5  6  8 10]
    
 [ 6  7  8 12 14 16]]
  3. 垂直组合：
    　　1.vstack函数实现： 
    # -*- coding: utf-8 -*-
    
import numpy as np
    
a = np.arange(9).reshape(3,3)
    
b = 2*a
    
print(a)
    
print()
    
print(b)
    
print()
    
print(np.vstack((a,b)))

    　　结果：

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

[[ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

[[ 0  1  2]
    
 [ 3  4  5]
    
 [ 6  7  8]
    
 [ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

    　　　2. concatenate 函数的 axis 参数设置为0即可实现

    # -*- coding: utf-8 -*-
    
import numpy as np
    
a = np.arange(9).reshape(3,3)
    
b = 2*a
    
print(a)
    
print()
    
print(b)
    
print()
    
print(np.concatenate((a,b),axis= 0))

    　　结果;

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

[[ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

[[ 0  1  2]
    
 [ 3  4  5]
    
 [ 6  7  8]
    
 [ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

  4. 深度组合 将相同的元组作为参数传给 dstack 函数，即可完成数组的深度组合.深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合。

     # -*- coding: utf-8 -*-
    
 import numpy as np
    
 a = np.arange(9).reshape(3,3)
    
 b = 2*a
    
 print(a)
    
 print()
    
 print(b)
    
 print()
    
 print(np.dstack((a,b)))

    结果：

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

[[ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

[[[ 0  0]
    
  [ 1  2]
    
  [ 2  4]]

 [[ 3  6]
    
  [ 4  8]
    
  [ 5 10]]

 [[ 6 12]
    
  [ 7 14]
    
  [ 8 16]]]
  5. 列组合 column_stack 函数对于一维数组将按列方向进行组合 
     # -*- coding: utf-8 -*-
    
 import numpy as np
    
 noed  =np.arange(2)
    
 twod = noed *2
    
 c = np.column_stack((noed,twod))
    
 print(noed)
    
 print()
    
 print(twod)
    
 print()

    结果：

    [0 1]

[0 2]

[[0 0]
    
 [1 2]]

    而对于二维数组， column_stack 与 hstack 的效果是相同的　　

     # -*- coding: utf-8 -*-
    
 import numpy as np
    
 a = np.arange(9).reshape(3,3)
    
 b = 2*a
    
 print(a)
    
 print()
    
 print(b)
    
 print()
    
 c = np.column_stack((a,b))
    
 print(c)
    
 print(c==np.hstack((a,b)))

    结果：

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

[[ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

[[ 0  1  2  0  2  4]
    
 [ 3  4  5  6  8 10]
    
 [ 6  7  8 12 14 16]]
    
[[ True  True  True  True  True  True]
    
 [ True  True  True  True  True  True]
    
 [ True  True  True  True  True  True]]

  6. 行组合 当然，NumPy中也有按行方向进行组合的函数，它就是 row_stack 。对于两
    个一维数组，将直接层叠起来组合成一个二维数组

     # -*- coding: utf-8 -*-
    
 import numpy as np
    
 noed  =np.arange(2)
    
 twod = noed *2
    
 c = np.row_stack((noed,twod))
    
 print(noed)
    
 print()
    
 print(twod)
    
 print()
    
 print(c)

    结果：

    [0 1]

[0 2]

[[0 1]
    
 [0 2]]

    　　对于二维数组， row_stack 与 vstack 的效果是相同的

     # -*- coding: utf-8 -*-
    
 import numpy as np
    
 a = np.arange(9).reshape(3,3)
    
 b = 2*a
    
 print(a)
    
 print()
    
 print(b)
    
 print()
    
 print(np.row_stack((a,b)))
    
 print()
    
 print(np.row_stack((a,b)) == np.vstack((a,b)))

    结果：

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

[[ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

[[ 0  1  2]
    
 [ 3  4  5]
    
 [ 6  7  8]
    
 [ 0  2  4]
    
 [ 6  8 10]
    
 [12 14 16]]

[[ True  True  True]
    
 [ True  True  True]
    
 [ True  True  True]
    
 [ True  True  True]
    
 [ True  True  True]
    
 [ True  True  True]]

　　6.数组分割　 
　　　　NumPy数组可以进行水平、垂直或深度分割，相关的函数有 hsplit 、 vsplit 、 dsplit 和split 。我们可以将数组分割成相同大小的子数组，也可以指定原数组中需要分割的位置。

    1. 水平分割　　

       # -*- coding: utf-8 -*-
      
 import numpy as np
      
 a = np.arange(9).reshape(3,3)
      
 b = 2*a
      
 print(a)
      
 print()
      
 print(np.hsplit(a,3))

      结果：

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

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

      对同样的数组，调用 split 函数并在参数中指定参数 axis=1　

       # -*- coding: utf-8 -*-
      
 import numpy as np
      
 a = np.arange(9).reshape(3,3)
      
 b = 2*a
      
 print(a)
      
 print()
      
 print(np.split(a,3,axis = 1))

      结果：

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

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

    2. 垂直分割
      vsplit 函数将把数组沿着垂直方向分割：
      In: vsplit(a, 3)
      Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
      同样，调用 split 函数并在参数中指定参数 axis=0 ，也可以得到同样的结果：
      In: split(a, 3, axis=0)
      Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

    3. 深度分割 不出所料， dsplit 函数将按深度方向分割数组 
       # -*- coding: utf-8 -*-
      
 import numpy as np
      
 a = np.arange(27).reshape(3,3,3)
      
 print(a.shape)
      
 print(a)
      
 b = np.dsplit(a,3)
      
 print(b)
      
 print(type(b))

      结果：

       (3, 3, 3)
      
 [[[ 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]]]
      
 [array([[[ 0],
      
         [ 3],
      
         [ 6]],

        [[ 9],
      
         [12],
      
         [15]],

        [[18],
      
         [21],
      
         [24]]]), array([[[ 1],
      
         [ 4],
      
         [ 7]],

        [[10],
      
         [13],
      
         [16]],

        [[19],
      
         [22],
      
         [25]]]), array([[[ 2],
      
         [ 5],
      
         [ 8]],

        [[11],
      
         [14],
      
         [17]],

        [[20],
      
         [23],
      
         [26]]])]
      
 <class 'list'>

      我们用 hsplit 、 vsplit 、 dsplit 和 split 函数进行了分割数组的操作

　　　

1、Numpy基础的更多相关文章

  1. 利用Python进行数据分析(5) NumPy基础: ndarray索引和切片

    概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为a ...

  2. 《利用python进行数据分析》读书笔记--第四章 numpy基础：数组和矢量计算

    http://www.cnblogs.com/batteryhp/p/5000104.html 第四章 Numpy基础:数组和矢量计算 第一部分:numpy的ndarray:一种多维数组对象 实话说, ...

  3. 利用Python进行数据分析——Numpy基础：数组和矢量计算

    利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组 对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...

  4. 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]: ...

  5. Numpy 基础

    Numpy 基础 参考https://www.jianshu.com/p/83c8ef18a1e8 import numpy as np 简单创建数组 # 创建简单列表 a = [1, 2, 3, 4 ...

  6. [转]python与numpy基础

    来源于:https://github.com/HanXiaoyang/python-and-numpy-tutorial/blob/master/python-numpy-tutorial.ipynb ...

  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. Numpy基础数据结构 python

    Numpy基础数据结构 NumPy数组是一个多维数组对象,称为ndarray.其由两部分组成: 实际的数据 描述这些数据的元数据 1.一维数组 import numpy as np ar = np.a ...

  9. Python Numpy基础教程

    Python Numpy基础教程 本文是一个关于Python numpy的基础学习教程,其中,Python版本为Python 3.x 什么是Numpy Numpy = Numerical + Pyth ...

  10. NumPy基础操作

    NumPy基础操作(1) (注:记得在文件开头导入import numpy as np) 目录: 数组的创建 强制类型转换与切片 布尔型索引 结语 数组的创建 相关函数 np.array(), np. ...

随机推荐

  1. 记录MongoDB常用查询

    {$and:[{"}}]} // flag不等于1 也不等于0 {$or:[{"flag" :{ $ne:"1"}},{"flag" ...

  2. Java基础知识（二）之控制语句

    1.条件运算符   ⑴if...else... ⑵三目表达式——X?Y:Z 当X为真时,结果为Y:反之,为Z. ⑶switch(表达式){ case 1:    执行代码块 1; break: cas ...

  3. get-task-allow有什么用

    [failed to get the task for process问题] A: Why am I getting "Error launching remote program: fai ...

  4. 使用composer安装laravel5.4

    composer create-project --prefer-dist laravel/laravel blog 后面的是文件目录

  5. [GO]全局变量

    package main import "fmt" func test01() { fmt.Println("test a = ", a) } //a := 1 ...

  6. BZOJ 2301 Problem b(莫比乌斯反演+分块优化)

    Description 对于给出的n个询问,每次求有多少个数对(x,y),满足a≤x≤b,c≤y≤d,且gcd(x,y) = k,gcd(x,y)函数为x和y的最大公约数. Input 第一行一个整数 ...

  7. 随便写个bat存档

    @echo off @COLOR @echo ------------切换Hosts环境--------------- :Again @set /p choice="切换模式:A:应用环境, ...

  8. C# HTML转EXCEL的方法

    private void ToExcel(string html) { Response.ContentType = "application/force-download"; R ...

  9. EFCore扩展Update方法(实现 Update User SET Id=Id+1)

    EFCore扩展Update方法(实现 Update User SET Id = Id + 1) 源码地址(github) 前言 EFCore在操作更新的时候往往需要先查询一遍数据,再去更新相应的字段 ...

  10. C# 属性与字段

    属性和字段的区别: 属性是逻辑字段,是字段的扩展,并不占用实际的内存:而字段占用内存空间. 属性可以被其他类访问:而非public的字段不能被直接访问. 属性可以对接受的数据在范围上做限定:而字段不能 ...