古楼角网站建设,网站前端提成多少,wordpress文章末尾广告位,网架钢结构公司文章目录 一#xff0c;numpy#xff08;上#xff09;1.1基础概念1.2数组的属性1.3数组创建1.4 类型转换1.5ndarry基础运算#xff08;上#xff09;矢量化运算1.6拷贝和视图1.6.1完全不复制1.6.2视图或浅拷贝1.6.3深拷贝 1.7索引#xff0c;切片和迭代1.7.1一维数组1.7… 文章目录 一numpy上1.1基础概念1.2数组的属性1.3数组创建1.4 类型转换1.5ndarry基础运算上矢量化运算1.6拷贝和视图1.6.1完全不复制1.6.2视图或浅拷贝1.6.3深拷贝 1.7索引切片和迭代1.7.1一维数组1.7.2多维数组 1.8形状操作1.9布尔索引和花式索引1.10字符串索引1.11搜索匹配函数1.12排序 一numpy上
1.1基础概念
Numpy的数组的类称为ndarray(非动态数组)一但定义好了里面的内容可以变但是长度不能变
1.2数组的属性
示例
ndarray.ndim 来获取数组的维度维度的数量被称为rank import numpy as npx np.array([[1,2,3],[4,5,6]])x
array([[1, 2, 3],[4, 5, 6]])x.ndim
2ndarray.shape来获取数组的行数列数。 import numpy as npx np.array([[1,2,3],[4,5,6]])x
array([[1, 2, 3],[4, 5, 6]])x.shape
(2, 3)x np.array([1])x.shape
(1,)x np.array([[1]])x.shape
(1, 1)ndarray.size来获取数组元素的总数等于shape的元素的乘积 import numpy as npx np.array([[1,2,3],[4,5,6]])x.shape
(2, 3)x.size
6ndarray.dtype来获取数组的数据类型它返回一个描述数组元素类型的对 import numpy as npx np.array([[1,2,3],[4,5,6]])x.dtype
dtype(int32)x np.array([[1.1,2,3],[4,5,6]])x.dtype
dtype(float64)ndarray.itemsize来获取数组中每个元素的字节大小即每个元素占用的字节数 import numpy as npx np.array([[1,2,3],[4,5,6]])x.itemsize
4x np.array([[1.1,2,3],[4,5,6]])x.itemsize
8ndarray.strides来获取数组的步长步长是描述在每个维度上移动一个元素所需的字节数 import numpy as npx np.array([[1.1,2,3],[4,5,6]])x.strides
(24, 8)#一行3个元素每个大小8字节x np.array([[1,2,3],[4,5,6]])x.strides
(12, 4)1.3数组创建
说明 使用numpy.array使用array函数从常规python列表或元组中创建数组。 import numpy as npnp.array([1,2,3])
array([1, 2, 3])np.array((1,2,3))
array([1, 2, 3])数组的类型在创建的时候也可以明确指定 import numpy as npa np.array([[1,2,3],[2,5,6]],dtype complex)a
array([[1.0.j, 2.0.j, 3.0.j],[2.0.j, 5.0.j, 6.0.j]])numpy.zeros创建一个由0组成的数组 import numpy as npnp.zeros((3,5))
array([[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]])numpy.ones创建一个由1组成的数组 import numpy as npnp.ones((3,5))
array([[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.]])numpy.random提供了各种方法来生成不同分布的随机数数组 import numpy as npnp.random.random((3,4)) #数组中的每个数是0-1之间的
array([[0.2192252 , 0.23184818, 0.53477907, 0.94434772],[0.93001715, 0.42585838, 0.41844402, 0.38080826],[0.9451442 , 0.55833465, 0.17982058, 0.77624287]])numpy.arange 用于创建一个等差数列的 NumPy 数组,返回的是一个数组而不是列表 numpy.arange([start]stop, [step]dtypeNone) start可选序列的起始值默认为 0。 stop序列的终止值不包括在序列中。 step可选序列中的元素之间的步长默认为 1。 dtype可选生成数组的数据类型。如果未指定则根据输入参数自动推断数据类型。 import numpy as npnp.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])np.arange(2,10,3)
array([2, 5, 8])numpy.linspace 用于创建一个等间距的线性数列的 NumPy 数组。 numpy.linspace(start, stop, num50, endpointTrue, retstepFalse, dtypeNone) start数列的起始值。 stop数列的终止值。 num可选生成数列的元素个数默认为 50。 endpoint可选如果为 True则包含终止值如果为 False则不包含终止值。默认为 True。 retstep可选如果为 True则返回数列的间隔步长。 dtype可选生成数组的数据类型。如果未指定则根据输入参数自动推断数据类型。 np.linspace(0,1,6)
array([0. , 0.2, 0.4, 0.6, 0.8, 1. ])numpy.fromfunction从给定函数创建一个数组
import numpy as np
def f(x,y):return 2*xy
a np.fromfunction(f,(4,4))
print(a)#执行结果
[[0. 1. 2. 3.][2. 3. 4. 5.][4. 5. 6. 7.][6. 7. 8. 9.]]numpy.eye 用于创建一个单位矩阵 numpy.eye(N, MNone, k0, dtypefloat, order‘C’) N矩阵的行数或数组的维度。 M可选矩阵的列数。如果未指定则默认与行数 N 相等。 k可选对角线的偏移量。默认为 0表示主对角线。正值表示位于主对角线上方的对角线负值表示位于主对角线下方的对角线。 dtype可选生成数组的数据类型。 order可选数组的存储顺序。可以是 ‘C’按行存储或 ‘F’按列存储。默认为 ‘C’。 import numpy as npnp.eye(4)
array([[1., 0., 0., 0.],[0., 1., 0., 0.],[0., 0., 1., 0.],[0., 0., 0., 1.]])np.eye(4,k1)
array([[0., 1., 0., 0.],[0., 0., 1., 0.],[0., 0., 0., 1.],[0., 0., 0., 0.]])np.eye(4,k-1)
array([[0., 0., 0., 0.],[1., 0., 0., 0.],[0., 1., 0., 0.],[0., 0., 1., 0.]])1.4 类型转换
numpy.astype可以实现类型转换创建一个新的对象原对象的类型不变 import numpy as npa np.array([1,2,3],dtype float)a
array([1., 2., 3.])b a.astype(int)b
array([1, 2, 3])b.dtype
dtype(int32)a.dtype
dtype(float64)矩阵之间的点乘 a np.floor(10*np.random.random((3,3)))a
array([[3., 8., 8.],[8., 2., 7.],[1., 3., 7.]])b np.floor(10*np.random.random((3,3)))b
array([[5., 7., 1.],[9., 3., 7.],[1., 5., 8.]])a.dot(b)
array([[ 95., 85., 123.],[ 65., 97., 78.],[ 39., 51., 78.]])1.5ndarry基础运算上矢量化运算
矢量既有大小又有方向 标量只有大小没有方向
矢量与标量相乘 import numpy as npa np.array([1,2,3]) #创建一个1维的数组向量b a*2 #b等于矢量*标量a
array([1, 2, 3])b
array([2, 4, 6]) #对矢量里面的每个值都跟标量乘一下相当于‘广播’矢量与标量相加 a
array([1, 2, 3])a2
array([3, 4, 5])矢量与矢量相加 a
array([1, 2, 3])b a2b
array([3, 4, 5])a b
array([4, 6, 8])a
array([1, 2, 3])c
array([1, 2])ac
Traceback (most recent call last):File stdin, line 1, in module
ValueError: operands could not be broadcast together with shapes (3,) (2,)c np.array([1])c
array([1])ac
array([2, 3, 4])矢量与矢量相乘 a
array([1, 2, 3])c
array([1, 2, 5])a*c
array([ 1, 4, 15])
array([1])a
array([1, 2, 3])a*c
array([1, 2, 3])c np.array([1,2])a*c
Traceback (most recent call last):File stdin, line 1, in module
ValueError: operands could not be broadcast together with shapes (3,) (2,)广播规则 1维度数较少的数组会在其维度前面自动填充1直到维度数与另一个数组相同。这样两个数组的维度会匹配。
2如果两个数组在某个维度上的大小相等或者其中一个数组在该维度上的大小为1那么这两个数组在该维度上是兼容的。
3如果两个数组在所有维度上都兼容即满足维度匹配的条件那么它们可以进行广播。
4在进行广播时数组会沿着维度大小为1的维度进行复制以使其与另一个数组具有相同的形状。
1.6拷贝和视图
1.6.1完全不复制
简单赋值不会创建数组对象或其数据的拷贝 import numpy as npa np.arange(10)a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])b ab
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])b is a
True1.6.2视图或浅拷贝
不同的数组对象可以共享相同的数据。view方法创建一个新数组对象通过该对象可看到相同的数据 import numpy as npa np.array([1,2,3,4])a
array([1, 2, 3, 4])b a.view()b
array([1, 2, 3, 4])b is a
Falsea[1]
2a[1] 7a
array([1, 7, 3, 4])b
array([1, 7, 3, 4])a.flags.owndata
Trueb.flags.owndata
False1.6.3深拷贝
copy方法生成数组及其数据的完整拷贝。 b a.copy()b
array([1, 2, 3, 4])a
array([1, 2, 3, 4])b is a
Falseb[1] 13b
array([ 1, 13, 3, 4])a
array([1, 2, 3, 4])1.7索引切片和迭代
1.7.1一维数组
一维数组可以索引切片和迭代非常类似列表和其他Python序列。
1.7.2多维数组
import numpy as np
def f(x,y):return 2*xy
a np.fromfunction(f,(4,4),dtypeint)[[0 1 2 3][2 3 4 5][4 5 6 7][6 7 8 9]]得到某个具体行具体列元素的值
print(a[2][3])
7 #a中第2行3列元素的值得到某一行的值
print(a[2])
[4 5 6 7] #第二行的值
print(a[1:3][1])
[4 5 6 7] #在索引到的(1-2)行中的第一行(前面有一个第0行)
print(a[1][1:3])
[3 4] #索引的第一行中的(1-2)的元素
print(a[-1])
[6 7 8 9] #输出最后一行得到某一列的值
print(a[:,1])
[1 3 5 7] #第一列的值
print(a[1:3,1])
[3 5] #第一列中的(1-2)元素的值
1.8形状操作
先创建一个4*4的数组a再变形不会直接操作再原对象上而是产生一个新对象
import numpy as np
def f(x,y):return 2*xy
a np.fromfunction(f,(4,4),dtypeint)
print(a)[[0 1 2 3][2 3 4 5][4 5 6 7][6 7 8 9]]变成1维
print(a.ravel())
[0 1 2 3 2 3 4 5 4 5 6 7 6 7 8 9] 重新指定形状但是总数要不变
print(a.reshape(2,8)) #2*8 4*4
[[0 1 2 3 2 3 4 5][4 5 6 7 6 7 8 9]]转置
print(a.T)
[[0 2 4 6][1 3 5 7][2 4 6 8][3 5 7 9]]轴交换 第一个维度表示两个二维子数组的索引第二个维度表示每个二维子数组中的行索引第三个维度表示每个二维子数组中的列索引。第一个维度表示两个二维子数组的索引第二个维度表示每个二维子数组中的行索引第三个维度表示每个二维子数组中的列索引。 [2 3]的前两个索引是01 [4 5]的前两个索引是10 交换完后就是输出的结果
import numpy as np
a np.arange(8).reshape(2,2,2)
print(a)
[[[0 1][2 3]][[4 5][6 7]]]
m a.swapaxes(0,1) #将第一个轴和第二个轴交换m[y][z][k] k[x][y][z]
print(m)
[[[0 1][4 5]][[2 3][6 7]]]1的三个轴是001轴0和轴2交换之后是100 4的三个轴是100轴0和轴2交换之后是001 所以1和4交换了位置其他的类似
print(a)
[[[0 1][2 3]][[4 5][6 7]]]m a.swapaxes(0,2)
print(m)
[[[0 4][2 6]][[1 5][3 7]]]垂直拼装两个数组 首先列数肯定得相同 import numpy as npa np.floor(10*np.random.random((2,3))) #np.floor是向下取整的意思a
array([[6., 4., 2.],[4., 7., 5.]])b np.floor(10*np.random.random((3,3)))b
array([[7., 1., 3.],[4., 5., 2.],[4., 2., 2.]])np.vstack((a,b))
array([[6., 4., 2.],[4., 7., 5.],[7., 1., 3.],[4., 5., 2.],[4., 2., 2.]])水平拼装两个数组 import numpy as npa np.floor(10*np.random.random((2,3)))a
array([[6., 4., 2.],[4., 7., 5.]])b np.floor(10*np.random.random((2,3)))b
array([[3., 9., 4.],[7., 2., 5.]])np.hstack((a,b))
array([[6., 4., 2., 3., 9., 4.],[4., 7., 5., 7., 2., 5.]])垂直切割数组 a np.floor(10*np.random.random((4,12)))a
array([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.],[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.],[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.],[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])np.hsplit(a,3) #垂直切三刀
[array([[2., 1., 2., 7.],[0., 0., 1., 9.],[5., 0., 3., 1.],[0., 1., 3., 2.]]), array([[6., 9., 0., 9.],[3., 5., 5., 9.],[3., 0., 1., 7.],[4., 8., 6., 7.]]), array([[3., 1., 2., 3.],[7., 1., 2., 1.],[6., 1., 6., 0.],[5., 3., 8., 7.]])]把345列切割出来 np.hsplit(a,(3,6))
[array([[2., 1., 2.],[0., 0., 1.],[5., 0., 3.],[0., 1., 3.]]), array([[7., 6., 9.],[9., 3., 5.],[1., 3., 0.],[2., 4., 8.]]), array([[0., 9., 3., 1., 2., 3.],[5., 9., 7., 1., 2., 1.],[1., 7., 6., 1., 6., 0.],[6., 7., 5., 3., 8., 7.]])]水平切割数组 a np.floor(10*np.random.random((4,12)))a
array([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.],[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.],[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.],[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])np.vsplit(a,2)
[array([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.],[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.]]), array([[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.],[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])]把12行切割出来 np.vsplit(a,(1,3))
[array([[2., 1., 2., 7., 6., 9., 0., 9., 3., 1., 2., 3.]]), array([[0., 0., 1., 9., 3., 5., 5., 9., 7., 1., 2., 1.],[5., 0., 3., 1., 3., 0., 1., 7., 6., 1., 6., 0.]]), array([[0., 1., 3., 2., 4., 8., 6., 7., 5., 3., 8., 7.]])]1.9布尔索引和花式索引
布尔索引使用布尔数组作为索引 相当于一个过滤的作用 a np.array([1,2,3,4,5,6])b np.array([True,False,True,False,True,False])a[b]
array([1, 3, 5])a[bFalse]
array([2, 4, 6])a 3
array([False, False, True, True, True, True])花式索引使用整数数组作为索引 (0,0) (1,0) (0,2) a np.floor(10*np.random.random((2,4)))a
array([[3., 6., 5., 6.],[2., 3., 7., 2.]])a[[0,1,0],[0,0,2]]
array([3., 2., 5.])1.10字符串索引 x np.array([(zwt,10,20),(qwe,1,2)],dtype[(name,S10),(age,i4),(score,i4)])x
array([(bzwt, 10, 20), (bqwe, 1, 2)],dtype[(name, S10), (age, i4), (score, i4)])x[name]
array([bzwt, bqwe], dtype|S10)x[score]
array([20, 2])1.11搜索匹配函数
where函数 np.where(condition[, x, y]) condition一个布尔数组或条件表达式指定要检查的条件。 x可选参数满足条件的元素的替代值。默认情况下返回满足条件的元素的索引。 y可选参数不满足条件的元素的替代值。默认情况下返回满足条件的元素的索引 import numpy as nparr np.array([1, 2, 3, 4, 5])arr
array([1, 2, 3, 4, 5])indices np.where(arr 2)indices
(array([2, 3, 4], dtypeint64),)indices np.where(arr 2, 1, 0)indices
array([0, 0, 1, 1, 1])1.12排序
使用sort对数组/数组某一维度进行就地排序会修改数组本身 默认对最后一个轴进行排序也可以选择对其他轴排序 a np.floor(10*np.random.random((3,3)))a
array([[4., 3., 9.],[8., 5., 7.],[8., 3., 7.]])a.sort()a
array([[3., 4., 9.],[5., 7., 8.],[3., 7., 8.]])a.sort(0)a
array([[3., 4., 8.],[3., 7., 8.],[5., 7., 9.]])
