松山湖仿做网站,php网站开发工程师招聘要求,襄樊网站建设公司,视听节目 网站建设文章目录 numpy库简介简介特点 numpy操作数组创建数组属性数组变更数据计算 numpy库简介
简介
开源的Python库#xff0c;它提供了高性能的多维数值#xff08;numpy.ndarray#xff09;计算能力#xff1b;由“Numerical Python”缩写而来#xff0c;并且它是Pandas库的… 文章目录 numpy库简介简介特点 numpy操作数组创建数组属性数组变更数据计算 numpy库简介
简介
开源的Python库它提供了高性能的多维数值numpy.ndarray计算能力由“Numerical Python”缩写而来并且它是Pandas库的基础NumPy提供了许多有用的功能例如数组操作、矩阵运算、傅里叶变换等支持向量化编程这使得它比传统的循环和条件语句更加高效NumPy完全基于C语言实现并且已经经过了充分的优化因此它的运行速度非常快。
特点
numpy中用轴axis来描述数组的维度。axis0表列意味着你将沿着列方向跨行对数据进行操作即进行列数据操作同理axis1表行即进行行数据操作。
numpy操作
import numpy as np数组创建
创建一维数组
list [1,2,3,4,5]
array np.array(list)
print(array)
print(type(array))[1 2 3 4 5]
class numpy.ndarray创建二维数组
list [[1,2],[3,4],[5,6]]
array np.array(list)
print(array)[[1 2][3 4][5 6]]创建等差一维数组
- np.arange(开始值,结束值,步长)array np.arange(1,10,2)
print(array)
[1 3 5 7 9]创建一/多维数组
- np.zeros(shape, dtypefloat, orderC)创建一个元素全为0的数组
- np.ones(shape, dtypeNone, orderC)创建一个元素全为1的数组
- np.empty(shape, dtypefloat, orderC)创建一个未初始化的数组,元素随机
- np.full(shape, fill_value, dtypeNone, orderC)创建一个具有给定形状和填充值的数组- shape: 数组的性转- dtype: 数组元素数据类型- order:内存布局顺序C-按行F-按列array np.empty((2,4), dtypenp.int8)
print(array)
[[ 96 -39 -22 70][ 24 86 0 0]]创建随机数组
import numpy as np# 创建服从均匀分布的随机数组
rand_array np.random.rand(2, 3)
print(均匀分布的随机数组:\n, rand_array)# 创建服从标准正态分布的随机数组
randn_array np.random.randn(2, 3)
print(标准正态分布的随机数组:\n, randn_array)# 创建指定范围的随机整数数组
randint_array np.random.randint(1, 10, size(2, 3))
print(指定范围的随机整数数组:\n, randint_array)# 创建服从均匀分布的随机数组
random_array np.random.random((2, 3))
print(均匀分布的随机数组:\n, random_array)均匀分布的随机数组:[[0.49018606 0.05014734 0.38739906][0.09357898 0.98583039 0.6992634 ]]
标准正态分布的随机数组:[[ 1.44017508 0.55562128 -0.11157242][ 0.80112095 1.58158805 0.81131876]]
指定范围的随机整数数组:[[7 6 9][5 2 6]]
均匀分布的随机数组:[[0.35562269 0.29418661 0.49925419][0.76548519 0.70753405 0.02305559]]数组属性
数组索引
array np.array([[1, 2, 3], [4, 5, 6]])
# 获取特定元素
print(第一个元素:, array[0, 0])
print(最后一个元素:, array[-1, -1])
# 获取特定行
print(第一行:, array[0, :])
print(第二列:,array[:, 1])第一个元素: 1
最后一个元素: 6
第一行: [1 2 3]
第二列: [2 5]数组形状
# 创建数组
array np.array([[1, 2, 3], [4, 5, 6]])
print(array.shape)(2, 3)数组维度/大小
array np.array([[1, 2, 3], [4, 5, 6]])
print(array.ndim)
print(array.size) 26数组数据类型
array np.array([[1, 2, 3], [4, 5, 6]])
print(array.dtype) int64数组变更
填充
array np.empty((2, 3), dtypenp.int8)# 使用np.fill()方法填充数组
array.fill(8)
print(使用np.full()方法填充的数组:, array)
使用np.full()方法填充的数组: [[8 8 8][8 8 8]]插入删除
array np.array([1, 2, 3, 4, 5])# 在指定位置插入元素
inserted_array np.insert(array, 2, [6, 7])
print(插入元素后的数组:, inserted_array)
插入元素后的数组: [1 2 6 7 3 4 5]# 在末尾追加元素
appended_array np.append(array, [6, 7])
print(追加元素后的数组:, appended_array)
追加元素后的数组: [1 2 3 4 5 6 7]# 删除指定位置的元素
deleted_array np.delete(array, 2)
print(删除元素后的数组:, deleted_array)
删除元素后的数组: [1 2 4 5]数组切片
array np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
sub_array array[0:2, 1:3]
print(sub_array)[[2 3][5 6]]数组转置
my_array np.array([[1, 2, 3], [4, 5, 6]])
transposed_array np.transpose(my_array)
print(transposed_array)[[1 4][2 5][3 6]]改变形状
# 创建数组
array np.array([[1, 2, 3], [4, 5, 6]])
array np.reshape(array, (3, 2))
print(array)[[1 2][3 4][5 6]]改变数据类型
array np.array([[1, 2, 3], [4, 5, 6]])
array array.astype(float)
print(array.dtype)float64数组连接
# 创建数组
array1 np.array([[1, 2], [3, 4]])
array2 np.array([[5, 6], [7, 8]])# 沿水平方向连接数组
hstacked_array np.hstack((array1, array2))
print(水平连接的数组:\n, hstacked_array)# 沿垂直方向连接数组
vstacked_array np.vstack((array1, array2))
print(垂直连接的数组:\n, vstacked_array)水平连接的数组:[[1 2 5 6][3 4 7 8]]
垂直连接的数组:[[1 2][3 4][5 6][7 8]]数组拆分
- numpy.split(array, indices_or_sections, axis0): 沿指定轴拆分数组
- numpy.hsplit(array, indices_or_sections): 水平拆分数组列
- numpy.vsplit(array, indices_or_sections): 垂直拆分数组行array np.array([[1, 2, 3, 11, 12, 13], [4, 5, 6, 14,15,16], [7, 8, 9, 17,18,19]])# 使用numpy.split()沿第1轴行拆分数组
split_array1 np.split(array, 3, axis0)
for arr in split_array1:print(arr)[[ 1 2 3 11 12 13]][[ 4 5 6 14 15 16]][[ 7 8 9 17 18 19]]# 使用numpy.hsplit()水平拆分数组
split_array2 np.hsplit(array, 3)
for arr in split_array2:print(arr)[[1 2][4 5][7 8]][[ 3 11][ 6 14][ 9 17]][[12 13][15 16][18 19]]# 使用numpy.vsplit()垂直拆分数组
split_array3 np.vsplit(array, 3)
for arr in split_array3:print(arr)[[ 1 2 3 11 12 13]][[ 4 5 6 14 15 16]][[ 7 8 9 17 18 19]]数组排序
array np.array([3, 1, 2, 5, 4])# 对数组进行排序
sorted_array np.sort(array)
print(排序后的数组:, sorted_array)sorted_indices np.argsort(array)
print(排序后的原索引:, sorted_indices)排序后的数组: [1 2 3 4 5]
排序后的索引: [1 2 0 4 3]复制
array np.array([1, 2, 3])# 使用np.copy()函数复制数组
copied_array array.copy()
print(复制的数组:, copied_array)
复制的数组: [1 2 3]重复
array np.array([1, 2, 3])# 数组元素重复
repeated_array np.repeat(array, 2)
print(重复后的数组:, repeated_array)# 数组重复
tiled_array np.tile(array, 2)
print(重复后的数组:, tiled_array)重复后的数组: [1 1 2 2 3 3]
重复后的数组: [1 2 3 1 2 3]去重
array np.array([1, 2, 2, 3, 3, 4, 5, 5])# 对数组进行去重
unique_array np.unique(array)
print(去重后的数组:, unique_array)
去重后的数组: [1 2 3 4 5]数据计算
最大值/最小值
array np.array([3, 1, 2, 5, 4])# 获取数组的最大值和最小值
max_value np.max(array)
min_value np.min(array)
# 获取数组的最大值和最小值的索引
max_index np.argmax(array)
min_index np.argmin(array)
print(数组的最大值:, max_value, 索引:, max_index)
print(数组的最小值:, min_value, 索引:, min_index)
数组的最大值: 5 索引: 3
数组的最小值: 1 索引: 1求和
array np.array([[1, 2, 3], [4, 5, 6]])# 计算数组的行和
row_sum np.sum(array, axis1)
print(数组的行和:, row_sum)# 计算数组的列和
col_sum np.sum(array, axis0)
print(数组的列和:, col_sum)# 计算数组元素的累积和
cumsum_array np.cumsum(array)
print(数组元素的累积和:, cumsum_array)# 计算数组行元素的累积和
cumsum_array np.cumsum(array, axis1)
print(数组行元素的累积和:, cumsum_array)数组的行和: [ 6 15]
数组的列和: [5 7 9]
数组元素的累积和: [ 1 3 6 10 15 21]
数组行元素的累积和: [[ 1 3 6][ 4 9 15]]求积
array np.array([[1, 2, 3], [4, 5, 6]])# 数组求积
prod_result np.prod(array)
print(数组元素求积:, prod_result)
数组元素求积: 720求余
my_array np.array([1, 2, 3, 4, 5])# 对数组元素进行取余操作
mod_result np.mod(my_array, 2)
print(数组元素取余操作:, mod_result)
数组元素取余操作: [1 0 1 0 1]平均值
array np.array([3, 1, 2, 5, 4])mean_value np.mean(array)
print(数组元素的平均值:, mean_value)
数组元素的平均值: 3.0其他计算
# 标准差
np.std()
# 方差
np.var()
# 绝对值
np.abs()
# 四舍五入
np.round()
# 向下取整
np.floor()
# 向上取整
np.ceil()
# 截断
np.trunc()
# 指数
np.power()
# 兑数
np.log()应用自定义函数
array np.array([[1, 2, 3], [4, 5, 6]])# 自定义函数
def custom_function(x):return x * 2# 对数组指定轴应用自定义函数
new_array np.apply_along_axis(custom_function, axis1, arrarray)
print(应用自定义函数后的数组:\n, new_array)
应用自定义函数后的数组:[[ 2 4 6][ 8 10 12]]数组间计算
array1 np.array([1, 2, 3])
array2 np.array([4, 5, 6])# 数组元素加法
add_result np.add(array1, array2)
# add_arr array1 array2
print(数组元素加法:, add_result)# 数组元素减法
subtract_result np.subtract(array1, array2)
# sub_arr array1 - array2
print(数组元素减法:, subtract_result)# 数组元素乘法
multiply_result np.multiply(array1, array2)
# mul_arr array1 * array2
print(数组元素乘法:, multiply_result)# 数组元素除法
divide_result np.divide(array1, array2)
# div_arr array1/array2
print(数组元素除法:, divide_result)
数组元素加法: [3 4 6]
数组元素减法: [-1 0 0]
数组元素乘法: [2 4 9]
数组元素除法: [0.5 1. 1. ]数组间比较
array1 np.array([1, 2, 3])
array2 np.array([2, 2, 3])# 相等
equal_result np.equal(array1, array2)
print(数组元素相等比较:, equal_result)
数组元素相等比较: [False True True]np.not_equal(array1, array2) # 不等于
np.greater(array1, array2) # 大于
np.less(array1, array2) # 小于
np.greater_equal(array1, array2) # 大于等于
np.less_equal(array1, array2) # 小于等于
