使用NumPy進行數(shù)組數(shù)據(jù)處理的示例詳解
介紹
NumPy是Python中用于數(shù)值計算的核心包之一，它提供了大量的高效數(shù)組操作函數(shù)和數(shù)學(xué)函數(shù)。它支持多維數(shù)組和矩陣運算，并且可以集成C/C++和Fortran的代碼，因此可以非常高效地處理大量數(shù)據(jù)。以下是NumPy的一些主要功能和用途：
1.多維數(shù)組：NumPy的核心是ndarray（N維數(shù)組）對象，可以用來存儲同類型的元素。這些數(shù)組可以是一維、二維或更高維度。它們提供了方便的數(shù)組索引和切片，以及許多基本操作和計算（如加、減、乘、除、取冪等）。
2.數(shù)組操作：NumPy提供了大量的數(shù)組操作函數(shù)，包括數(shù)學(xué)函數(shù)（如三角函數(shù)、指數(shù)函數(shù)、對數(shù)函數(shù)等）、邏輯函數(shù)（如布爾運算、比較運算、邏輯運算等）、排序函數(shù)、統(tǒng)計函數(shù)等。
3.矩陣操作：NumPy提供了矩陣操作函數(shù)，如矩陣加、減、乘、轉(zhuǎn)置、求逆等，可以方便地進行線性代數(shù)計算。
4.隨機數(shù)生成：NumPy可以生成各種隨機數(shù)，如正態(tài)分布、均勻分布、泊松分布、貝努利分布等，以及隨機排列和隨機選擇等。
5.文件IO：NumPy可以讀寫各種文件格式，包括文本文件、二進制文件和matlab文件等，以便于數(shù)據(jù)的存儲和傳輸。
6.與其他Python庫的整合：NumPy可以方便地與其他Python庫（如Pandas、SciPy、matplotlib等）整合使用，以進行數(shù)據(jù)分析、科學(xué)計算和可視化等。
import numpy as np
Ndarray
1.ndarray的操作
將列表數(shù)據(jù)生成array()
a = np.array([1,2,3,4,5])
確認數(shù)據(jù)類型
print(a.dtype) # int32
如果將浮點數(shù)代入整數(shù)型數(shù)組里，數(shù)據(jù)自動變?yōu)檎麛?shù)型（小數(shù)點以下自動舍掉）
a[1] = -3.6 print(a) # [1 -3 3 4 5]
變換數(shù)據(jù)類型
a2 = a.astype(np.float32) print(a2, a2.dtype) # [1. -3. 3. 4. 5.] float32
二維數(shù)組
b = np.array([[1, 2, 3],
[3.2, 5.3, 6.6]])
print('b=', b) # b= [[1. 2. 3. ][3.2 5.3 6.6]]
print('b[1,2]=', b[1,2]) # b[1,2] = 6.6
2.ndarray的參數(shù)
- ndarry.ndim 數(shù)組的維數(shù)
- ndarry.shape 數(shù)組的行列數(shù)
- ndarry.size 元素的個數(shù)
- ndarry.dtype 數(shù)據(jù)的類別
print('ndim =', a.ndim, b.ndim)
print('shape =', a.shape, b.shape)
print('size =', a.size, b.size)
print('dtype =', a.dtype, b.dtype)
# ndim = 1 2
# shape = (5,) (2, 3)
# size = 5 6
# dtype = float32 float64
reshape進行數(shù)組重組（元素數(shù)不變）
print(b.reshape(6)) # 轉(zhuǎn)為1維數(shù)組 [ 1. 2. -1.1 3.2 5.3 6.6] print(b.reshape(3,2)) # 轉(zhuǎn)為3行2列數(shù)組 [[ 1. 2. ][-1.1 3.2][ 5.3 6.6]] print(b.T) # 矩陣的轉(zhuǎn)置 [[ 1. 3.2][ 2. 5.3][-1.1 6.6]]
矩陣的計算
矩陣與數(shù)值的四則運算時，各個值都進行運算
print(b+2) #[[3. 4. 0.9][5.2 7.3 8.6]] print(b-2) #[[-1. 0. -3.1][ 1.2 3.3 4.6]] print(b*2) #[[ 2. 4. -2.2][ 6.4 10.6 13.2]] print(b/2) #[[ 0.5 1. -0.55][ 1.6 2.65 3.3 ]] print(b**3) #3次冪 [[ 1. 8. -1.331][ 32.768 148.877 287.496]] print(b//1) #用這種方法舍掉小數(shù) [[ 1. 2. -2.][ 3. 5. 6.]]
同維度矩陣計算時，相同位置的值進行運算（矩陣維度不同時報錯）
c = b/2 print(b+c) # [[ 1.5 3. -1.65][ 4.8 7.95 9.9 ]] print(b-c) # [[ 0.5 1. -0.55][ 1.6 2.65 3.3 ]] print(b*c) # [[ 0.5 2. 0.605][ 5.12 14.045 21.78 ]] print(b/c) # [[2. 2. 2.][2. 2. 2.]]
行列の積は「@」
a行b列×b行c列＝a行c列の行列
A = np.arange(6).reshape(3,2) B = np.arange(8).reshape(2,4) print(A) #[[0 1][2 3][4 5]] print(B) #[[0 1 2 3][4 5 6 7]] print(A@B) #[[ 4 5 6 7][12 17 22 27][20 29 38 47]]
矩陣的生成
1維矩陣的生成（初始值，終止值，條件）
- arange 條件為指定步長，總數(shù)自動決定，不包括終止值
- linspace 條件為總數(shù)，步長自動決定，包括終止值
np.arange(0,10,0.1) # array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , 1.1, 1.2, # 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5, # 2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8, # 3.9, 4. , 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1, # 5.2, 5.3, 5.4, 5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4, # 6.5, 6.6, 6.7, 6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, 7.7, # 7.8, 7.9, 8. , 8.1, 8.2, 8.3, 8.4, 8.5, 8.6, 8.7, 8.8, 8.9, 9. , # 9.1, 9.2, 9.3, 9.4, 9.5, 9.6, 9.7, 9.8, 9.9]) np.linspace(0,10,100) # array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , # 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, # 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, # 3.3, 3.4, 3.5, 3.6, 3.7, 3.8, 3.9, 4. , 4.1, 4.2, 4.3, # 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1, 5.2, 5.3, 5.4, # 5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4, 6.5, # 6.6, 6.7, 6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, # 7.7, 7.8, 7.9, 8. , 8.1, 8.2, 8.3, 8.4, 8.5, 8.6, 8.7, # 8.8, 8.9, 9. , 9.1, 9.2, 9.3, 9.4, 9.5, 9.6, 9.7, 9.8, # 9.9, 10. ])
多維矩陣
np.zeros((3,2)) #array([[0., 0.], # [0., 0.], # [0., 0.]]) np.ones((5,2,3), dtype=np.int16) # 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]], # # [[1, 1, 1], # [1, 1, 1]]], dtype=int16) print(np.ones((5,2,2))*128) [[[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]]]
3.例子
生成隨機二維數(shù)組
rnd = np.random.random((5,5)) print(rnd) # [[0.61467866 0.38383428 0.4604147 0.41355961 0.22680966] # [0.83895625 0.49135984 0.21811832 0.91433166 0.18616649] # [0.80176894 0.23622139 0.87041535 0.59623534 0.93986178] # [0.48324671 0.62398314 0.82435621 0.92421743 0.84660406] # [0.63578052 0.99794079 0.46970418 0.85743179 0.11774799]]
生成圖像
plt.imshow(rnd, cmap='gray') plt.colorbar() #0為黑色，1為白色
plt.imshow(rnd>0.5, cmap='gray') plt.colorbar()
color_img = np.array([
[[255,0,0],
[0,255,0],
[0,0,255]],
[[255,255,0],
[0,255,255],
[255,0,255]],
[[255,255,255],
[128,128,128],
[0,0,0]],
])
plt.imshow(color_img)
到此這篇關(guān)于使用NumPy進行數(shù)組數(shù)據(jù)處理的示例詳解的文章就介紹到這了,更多相關(guān)NumPy數(shù)組數(shù)據(jù)處理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了python通過pil為png圖片填充上背景顏色的方法,實例分析了Python使用pil模塊操作png圖片的技巧,非常具有實用價值,需要的朋友可以參考下2015-03-03
python?include標(biāo)簽的使用方式及說明
這篇文章主要介紹了python?include標(biāo)簽的使用方式及說明，具有很好的參考價值，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2023-03-03
這篇文章主要為大家介紹了Text Generation文本生成原理示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-01-01
今天小編就為大家分享一篇基于Tensorflow:CPU性能分析，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02
今天給大家?guī)淼氖顷P(guān)于Python的相關(guān)知識,文章圍繞著Python pygame繪制機制展開,文中有非常詳細的介紹及圖文示例,需要的朋友可以參考下2021-06-06
在本文中,我們將介紹三種不同的方法,以便你能夠選擇最適合你應(yīng)用程序的方法,具有一定的參考價值,感興趣的可以了解一下2023-11-11
Django admin model 漢化顯示文字的實現(xiàn)方法
一文詳解Python中PO模式的設(shè)計與實現(xiàn)