numpy庫概述
numpy庫處理的最基礎(chǔ)數(shù)據(jù)類型是由同種元素構(gòu)成的多維數(shù)組，簡稱為“數(shù)組”
數(shù)組的特點(diǎn)：
- 數(shù)組中所有元素的類型必須相同
- 數(shù)組中元素可以用整數(shù)索引
- 序號(hào)從0開始
ndarray類型的維度叫做軸，軸的個(gè)數(shù)叫做秩
numpy庫的解析
由于numpy庫中函數(shù)較多而且容易與常用命名混淆，建議采用如下方法引用numpy庫
numpy庫中常用的創(chuàng)建數(shù)組函數(shù)
| 函數(shù) |
描述 |
| np.array([x,y,z],dtype=int) |
從Python列表和元組中創(chuàng)建數(shù)組 |
| np.arange(x,y,i) |
創(chuàng)建一個(gè)由x到y(tǒng)，以i為步長的數(shù)組 |
| np.linspace(x,y,n) |
創(chuàng)建一個(gè)由x到y(tǒng)，等分成n個(gè)元素的數(shù)組 |
| np.indices((m,n)) |
創(chuàng)建一個(gè)m行n列的矩陣 |
| np.random.rand(m,n) |
創(chuàng)建一個(gè)m行n列的隨機(jī)數(shù)組 |
| np.ones((m,n),dtype) |
創(chuàng)建一個(gè)m行n列全1的數(shù)組，dtype是數(shù)據(jù)類型 |
| np.empty((m,n),dtype) |
創(chuàng)建一個(gè)m行n列全0的數(shù)組，dtype是數(shù)據(jù)類型 |
import numpy as np
a1 = np.array([1,2,3,4,5,6])
a2 = np.arange(1,10,3)
a3 = np.linspace(1,10,3)
a4 = np.indices((3,4))
a5 = np.random.rand(3,4)
a6 = np.ones((3,4),int)
a7 = np.empty((3,4),int)
print(a1)
print("===========================================================")
print(a2)
print("===========================================================")
print(a3)
print("===========================================================")
print(a4)
print("===========================================================")
print(a5)
print("===========================================================")
print(a6)
print("===========================================================")
print(a7)
=================================================================================
[1 2 3 4 5 6]
===========================================================
[1 4 7]
===========================================================
[ 1. 5.5 10. ]
===========================================================
[[[0 0 0 0]
[1 1 1 1]
[2 2 2 2]]
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]]
===========================================================
[[0.00948155 0.7145306 0.50490391 0.69827703]
[0.18164292 0.78440752 0.75091258 0.31184394]
[0.17199081 0.3789 0.69886588 0.0476422 ]]
===========================================================
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
===========================================================
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
在建立一個(gè)簡單的數(shù)組后，可以查看數(shù)組的屬性
| 屬性 |
描述 |
| ndarray.ndim |
數(shù)組軸的個(gè)數(shù)，也被稱為秩 |
| ndarray.shape |
數(shù)組在每個(gè)維度上大小的整數(shù)元組 |
| ndarray.size |
數(shù)組元素的總個(gè)數(shù) |
| ndarray.dtype |
數(shù)組元素的數(shù)據(jù)類型，dtype類型可以用于創(chuàng)建數(shù)組 |
| ndarray.itemsize |
數(shù)組中每個(gè)元素的字節(jié)大小 |
| ndarray.data |
包含實(shí)際數(shù)組元素的緩沖區(qū)地址 |
| ndarray.flat |
數(shù)組元素的迭代器 |
import numpy as np
a6 = np.ones((3,4),int)
print(a6)
print("=========================================")
print(a6.ndim)
print("=========================================")
print(a6.shape)
print("=========================================")
print(a6.size)
print("=========================================")
print(a6.dtype)
print("=========================================")
print(a6.itemsize)
print("=========================================")
print(a6.data)
print("=========================================")
print(a6.flat)
=================================================================================
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
=========================================
2
=========================================
(3, 4)
=========================================
12
=========================================
int32
=========================================
4
=========================================
memory at 0x0000020D79545908>
=========================================
numpy.flatiter object at 0x0000020D103B1180>
數(shù)組在numpy中被當(dāng)做對(duì)象，可以采用 a >. b >()方式調(diào)用一些方法。
ndarray類的形態(tài)操作方法
| 方法 |
描述 |
| ndarray.reshape(n,m) |
不改變數(shù)組ndarray，返回一個(gè)維度為（n,m）的數(shù)組 |
| ndarray.resize(new_shape) |
與reshape（）作用相同，直接修改數(shù)組ndarray |
| ndarray.swapaxes(ax1,ax2) |
將數(shù)組n個(gè)維度中任意兩個(gè)維度進(jìn)行調(diào)換 |
| ndarray.flatten() |
對(duì)數(shù)組進(jìn)行降維，返回一個(gè)折疊后的一維數(shù)組 |
| ndarray.ravel() |
作用同np.flatten（），但返回的是一個(gè)視圖 |
ndarray類的索引和切片方法
| 方法 |
描述 |
| x[i] |
索引第i個(gè)元素 |
| x[-i] |
從后向前索引第i個(gè)元素 |
| x[n:m] |
默認(rèn)步長為1，從前向后索引，不包含m |
| x[-m:-n] |
默認(rèn)步長為1，從前向后索引，結(jié)束位置為n |
| x[n: m :i] |
指定i步長的由n到m的索引 |
除了ndarray類型方法外，numpy庫提供了一匹運(yùn)算函數(shù)
| 函數(shù) |
描述 |
| np.add(x1,x2[,y]) |
y = x1 + x2 |
| np.subtract(x1,x2[,y]) |
y = x1 -x2 |
| np.multiply(x1,x2[,y]) |
y = x1 * x2 |
| np.divide(x1,x2[,y]) |
y = x1 /x2 |
| np floor_divide(x1,x2[,y]) |
y = x1 // x2 |
| np.negative(x[,y]) |
y = -x |
| np.power(x1,x2[,y]) |
y = x1 ** x2 |
| np.remainder(x1,x2[,y]) |
y = x1 % x2 |
numpy庫的比較運(yùn)算函數(shù)
| 函數(shù) |
符號(hào)描述 |
| np.equal(x1,x2[,y]) |
y = x1 == x2 |
| np.not_equal(x1,x2[,y]) |
y = x1 != x2 |
| np.less(x1,x2,[,y]) |
y = x1 x2 |
| np.less_equal(x1,x2,[,y]) |
y = x1 = x2 |
| np.greater(x1,x2,[,y]) |
y = x1 > x2 |
| np.greater_equal(x1,x2,[,y]) |
y >= x1 >= x2 |
| np.where(condition[x,y]) |
根據(jù)條件判斷是輸出x還是y |
numpy庫的其他運(yùn)算函數(shù)
| 函數(shù) |
描述 |
| np.abs(x) |
計(jì)算濟(jì)源元素的整形、浮點(diǎn)、或復(fù)數(shù)的絕對(duì)值 |
| np.sqrt(x) |
計(jì)算每個(gè)元素的平方根 |
| np.squre(x) |
計(jì)算每個(gè)元素的平方 |
| np.sign(x) |
計(jì)算每個(gè)元素的符號(hào)1（+），0，-1（-） |
| np.ceil(x) |
計(jì)算大于或等于每個(gè)元素的最小值 |
| np.floor(x) |
計(jì)算小于或等于每個(gè)元素的最大值 |
| np.rint(x[,out]) |
圓整，取每個(gè)元素為最近的整數(shù)，保留數(shù)據(jù)類型 |
| np.exp(x[,out]) |
計(jì)算每個(gè)元素的指數(shù)值 |
| np.log(x),np.log10(x),np.log2(x) |
計(jì)算自然對(duì)數(shù)（e），基于10，,2的對(duì)數(shù)，log（1+x） |
到此這篇關(guān)于Python基礎(chǔ)之numpy庫的使用的文章就介紹到這了,更多相關(guān)Python numpy庫的使用內(nèi)容請(qǐng)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！
您可能感興趣的文章:- Python 機(jī)器學(xué)習(xí)庫 NumPy入門教程
- Python基礎(chǔ)之Numpy的基本用法詳解
- Python利用numpy實(shí)現(xiàn)三層神經(jīng)網(wǎng)絡(luò)的示例代碼
- Python數(shù)據(jù)清洗工具之Numpy的基本操作
- python numpy中setdiff1d的用法說明
- Python Numpy之linspace用法說明
- python 將numpy維度不同的數(shù)組相加相乘操作
- python numpy.power()數(shù)組元素求n次方案例
- python中numpy.empty()函數(shù)實(shí)例講解
- python中numpy數(shù)組與list相互轉(zhuǎn)換實(shí)例方法
- Python OpenCV中的numpy與圖像類型轉(zhuǎn)換操作
- Python機(jī)器學(xué)習(xí)三大件之一numpy
