Numpy的簡單用法小結(jié)
更新時(shí)間：2019年08月28日 08:19:38 作者：我愛學(xué)python
這篇文章主要介紹了Numpy的簡單用法小結(jié)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
Numpy的簡單用法，下面就一起來了解一下
import numpy as np
一、創(chuàng)建ndarray對象
列表轉(zhuǎn)換成ndarray:
>>> a = [1,2,3,4,5] >>> np.array(a) array([1, 2, 3, 4, 5])
取隨機(jī)浮點(diǎn)數(shù)
>>> np.random.rand(3, 4)
array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ],
[ 0.66729648, 0.86538771, 0.32621889, 0.07709784],
[ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])
取隨機(jī)整數(shù)
>>> np.random.randint(1, 5, size=(3,4))
array([[2, 3, 1, 2],
[3, 4, 4, 4],
[4, 4, 4, 3]])
取零
>>> np.zeros((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
取一
>>> np.ones((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
取空(最好別用，了解一下，版本不同返回值不一樣)
>>> np.empty((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
取整數(shù)零或一
>>> np.ones((3,4)，int)
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
>>> np.zeros((3,4),int)
array([[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]])
仿range命令創(chuàng)建ndarray：
>>> np.arange(2,10,2) # 開始，結(jié)束，步長 array([2, 4, 6, 8])
二、ndarray屬性的查看和操作：
看ndarray屬性：
>>> a = [[1,2,3,4,5],[6,7,8,9,0]]
>>> b = np.array(a)
>>> b.ndim #維度個數(shù)(看幾維)
2
>>> b.shape #維度大小(看具體長寬)
(5,2)
>>>b.dtype
dtype('int32')
ndarray創(chuàng)建時(shí)指定屬性：
>>> np.array([1,2,3,4,5],dtype=np.float64)
array([ 1., 2., 3., 4., 5.])
>>> np.zeros((2,5),dtype=np.int32)
array([[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]])
屬性強(qiáng)轉(zhuǎn)：
>>> a = np.array([1,2,3,4,5],dtype=np.float64) >>> a array([ 1., 2., 3., 4., 5.]) >>> a.astype(np.int32) array([1, 2, 3, 4, 5])
三、簡單操作：
批量運(yùn)算：
>>> a = np.array([1,2,3,4,5],dtype=np.int32) >>> a array([1, 2, 3, 4, 5]) >>> a + a array([ 2, 4, 6, 8, 10]) >>> a * a array([ 1, 4, 9, 16, 25]) >>> a - 2 array([-1, 0, 1, 2, 3]) >>> a / 2 array([ 0.5, 1. , 1.5, 2. , 2.5]) #等等
改變維度：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 0]])
>>> a.reshape((5,2))
array([[1, 2],
[3, 4],
[5, 6],
[7, 8],
[9, 0]])
矩陣轉(zhuǎn)換(和改變維度有本質(zhì)區(qū)別，仔細(xì))：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 0]])
>>> a.transpose()
array([[1, 6],
[2, 7],
[3, 8],
[4, 9],
[5, 0]])
打亂(只能打亂一維)：
>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32)
>>> a
array([[1, 2],
[3, 4],
[5, 6],
[7, 8],
[9, 0]])
>>> np.random.shuffle(a)
>>> a
array([[9, 0],
[1, 2],
[7, 8],
[5, 6],
[3, 4]])
四、切片和索引：
一維數(shù)組(和普通列表一樣)：
>>> a = np.array(range(10)) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a[3] 3 >>> a[2:9:2] array([2, 4, 6, 8])
多維數(shù)組(也差不了多少)：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 0],
[11, 12, 13, 14, 15]])
>>> a[:, 1:4]
array([[ 2, 3, 4],
[ 7, 8, 9],
[12, 13, 14]])
條件索引：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 0],
[11, 12, 13, 14, 15]])
>>> a > 5
array([[False, False, False, False, False],
[ True, True, True, True, False],
[ True, True, True, True, True]], dtype=bool)
>>> a[a>5]
array([ 6, 7, 8, 9, 11, 12, 13, 14, 15])
>>> a%3 == 0
Out[128]:
array([[False, False, True, False, False],
[ True, False, False, True, True],
[False, True, False, False, True]], dtype=bool)
>>> a[a%3 == 0]
array([ 3, 6, 9, 0, 12, 15])
五、函數(shù)(numpy核心知識點(diǎn))
計(jì)算函數(shù)(都不想舉例了，太簡單。。)：
np.ceil(): 向上最接近的整數(shù)，參數(shù)是 number 或 array
np.floor(): 向下最接近的整數(shù)，參數(shù)是 number 或 array
np.rint(): 四舍五入，參數(shù)是 number 或 array
np.isnan(): 判斷元素是否為 NaN(Not a Number)，參數(shù)是 number 或 array
np.multiply(): 元素相乘，參數(shù)是 number 或 array
np.divide(): 元素相除，參數(shù)是 number 或 array
np.abs()：元素的絕對值，參數(shù)是 number 或 array
np.where(condition, x, y): 三元運(yùn)算符，x if condition else y
>>> a = np.random.randn(3,4)
>>> a
array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837],
[ 0.00701986, 1.65776152, 0.41319601, 0.41356973],
[-0.32922342, 1.07773886, -0.27273258, 0.29474435]])
>>> np.ceil(a)
array([[ 1., 1., -0., -1.],
[ 1., 2., 1., 1.],
[-0., 2., -0., 1.]])
>>> np.where(a>0, 10, 0)
array([[10, 10, 0, 0],
[10, 10, 10, 10],
[ 0, 10, 0, 10]])
統(tǒng)計(jì)函數(shù)
np.mean():所有元素的平均值
np.sum():所有元素的和，參數(shù)是 number 或 array
np.max():所有元素的最大值
np.min():所有元素的最小值，參數(shù)是 number 或 array
np.std()：所有元素的標(biāo)準(zhǔn)差
np.var():所有元素的方差，參數(shù)是 number 或 array
np.argmax()：最大值的下標(biāo)索引值，
np.argmin():最小值的下標(biāo)索引值，參數(shù)是 number 或 array
np.cumsum()：返回一個一維數(shù)組，每個元素都是之前所有元素的累加和
np.cumprod()：返回一個一維數(shù)組，每個元素都是之前所有元素的累乘積，參數(shù)是 number 或 array
>>> a = np.arange(12).reshape(3,4).transpose()
>>> a
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])
>>> np.mean(a)
5.5
>>> np.sum(a)
66
>>> np.argmax(a)
11
>>> np.std(a)
3.4520525295346629
>>> np.cumsum(a)
array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)
判斷函數(shù)：
np.any(): 至少有一個元素滿足指定條件，返回True
np.all(): 所有的元素滿足指定條件，返回True
>>> a = np.random.randn(2,3)
>>> a
array([[-0.65750548, 2.24801371, -0.26593284],
[ 0.31447911, -1.0215645 , -0.4984958 ]])
>>> np.any(a>0)
True
>>> np.all(a>0)
False
去除重復(fù)：
np.unique(): 去重
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> np.unique(a)
array([1, 2, 3, 4])
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
Python+MediaPipe實(shí)現(xiàn)檢測人臉功能詳解
MediaPipe是用于構(gòu)建多模態(tài)（例如視頻、音頻或任何時(shí)間序列數(shù)據(jù)）、跨平臺（即eAndroid、IOS、web、邊緣設(shè)備）應(yīng)用ML管道的框架。本文將利用MediaPipe實(shí)現(xiàn)檢測人臉功能，需要的可以參考一下2022-02-02
這篇文章主要為大家詳細(xì)介紹了如何通過Python語言編寫簡單的視頻去重小工具，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以跟隨小編一起嘗試一下2023-03-03
如何用scheduler實(shí)現(xiàn)learning-rate學(xué)習(xí)率動態(tài)變化
這篇文章主要介紹了如何用scheduler實(shí)現(xiàn)learning-rate學(xué)習(xí)率動態(tài)變化問題,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
Python使用signal定時(shí)結(jié)束AsyncIOScheduler任務(wù)的問題
這篇文章主要介紹了Python使用signal定時(shí)結(jié)束AsyncIOScheduler任務(wù),在使用aiohttp結(jié)合apscheduler的AsyncIOScheduler模擬定點(diǎn)并發(fā)的時(shí)候遇到兩個問題，針對每個問題給大家詳細(xì)介紹，需要的朋友可以參考下2021-07-07
Python多線程編程（七）：使用Condition實(shí)現(xiàn)復(fù)雜同步
這篇文章主要介紹了Python多線程編程（七）：使用Condition實(shí)現(xiàn)復(fù)雜同步,本文講解通過很著名的“生產(chǎn)者-消費(fèi)者”模型來來演示在Python中使用Condition實(shí)現(xiàn)復(fù)雜同步,需要的朋友可以參考下2015-04-04
學(xué)習(xí)Python爬蟲的幾點(diǎn)建議
這篇文章主要介紹了學(xué)習(xí)Python爬蟲的幾點(diǎn)建議，對新手學(xué)習(xí)爬蟲有很大的幫助，感興趣的朋友可以了解下2020-08-08
python中copy()與deepcopy()的區(qū)別小結(jié)
接觸python有一段時(shí)間了,一直沒有系統(tǒng)的學(xué)習(xí)過,也對copy，deepcoy傻傻的分不清,故抽出時(shí)間來理一下。 下面這篇文章主要給大家介紹了關(guān)于python中copy()與deepcopy()的區(qū)別的相關(guān)資料，需要的朋友可以參考下2018-08-08
pycharm不以pytest方式運(yùn)行,想要切換回普通模式運(yùn)行的操作
這篇文章主要介紹了pycharm不以pytest方式運(yùn)行,想要切換回普通模式運(yùn)行的操作，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-09-09
在數(shù)據(jù)處理和分析的領(lǐng)域中,Excel是一種被廣泛使用的工具,然而,通過Python處理Excel,能夠更好地實(shí)現(xiàn)自動化和批量處理,本文為大家整理了14個Python處理Excel的常用操作,希望對大家有所幫助2023-12-12
Python類的詳細(xì)定義與使用案例(實(shí)例講解)
這篇文章主要給大家介紹了關(guān)于Python類的詳細(xì)定義與使用案例的相關(guān)資料,在Python中類表示具有相同屬性和方法的對象的集合,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下2023-10-10