numpy 库简单使用
一、numpy库简介
Python标准库中提供了一个array类型，用于保存数组类型的数据，然而这个类型不支持多维数据，不适合数值运算。作为Python的第三方库numpy便有了用武之地。
numpy库处理的最基础数据类型是用同种元素构成的多维数组(ndarray)，简称数组。数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。ndarray类型的维度叫作轴(axes)，轴的个数叫做秩(rank)。
二、numpy库下载
pip install numpy
三、导入库函数
import numpy as np
四、库函数基本使用
1. 创建数组的函数 (ndarray类型)
|
函数 |
说明 |
|
np.array([ x, y, z], dtype = int) |
从列表或数组中创建数组 |
|
np.arange(x, y, i) |
创建一个由x到y，以i为步长的数组 |
|
np.linspace(x, y, n) |
创建一个由x到y，等分成n个元素的数组 |
|
创建一个m行n列的矩阵(3维数组) |
|
|
np.random.rand(m, n) |
创建一个m行n列的随机数组 |
|
np.ones((m,n), dtype) |
创建一个m行n列的全1数组，dtype为数据类型 |
|
np.zeros((m,n), dtype) |
创建一个m行n列的全0数组，dtype为数据类型 |
|
创建一个m行n列的空数组，dtype为数据类型 |
1 import numpy as np
2
3 ''' numpy --> array() '''
4 a1 = np.array([1,2,3,5,8,13,21,34,55,89], dtype = int) # 由列表创建数组
5 array_ = (2.3,8,10/3,5.0,1/7) # 创建元组
6 a2 = np.array(array_) # 由元组创建数组
7 print('numpy --> array():\n',a1,'\n',a2)
8
9 ''' numpy --> arange() '''
10 arange_1 = np.arange(1,30,4)
11 arange_2 = np.arange(1,3,0.4)
12 print('numpy --> arange():\n',arange_1,'\n',arange_2)
13
14 ''' numpy --> linspace() '''
15 lins_1 = np.linspace(1,10,10)
16 lins_2 = np.linspace(1,10,9, dtype = int)
17 print('numpy --> linspace():\n',lins_1,'\n',lins_2)
18
19 ''' numpy --> random.rand() '''
20 rand_ = np.random.rand(3,4)
21 print('numpy --> random.rand():\n',rand_)
22
23 ''' numpy --> ones() '''
24 ones_1 = np.ones((3,4)) # 默认为float
25 ones_2 = np.ones((3,4),dtype = int)
26 print('numpy --> ones():\n',ones_1,'\n',ones_2)
27
28 ''' numpy --> zeros() '''
29 zeros_1 = np.zeros((2,3))
30 zeros_2 = np.zeros((2,3), dtype = int)
31 print('numpy --> zeros():\n',zeros_1,'\n',zeros_2)
2. ndarray类型的常用属性
|
属性 |
说明 |
|
ndarray.ndim |
返回数组轴的个数，即数组的秩 |
|
ndarray.shape |
返回数组在每个维度上大小的整数元组 |
|
ndarray.size |
返回数组元素的总个数 |
|
ndarray.dtype |
返回数组元素的数据类型 |
|
ndarray.itemsize |
返回数组元素的字节大小 |
|
ndarray.data |
返回数组元素的缓存区地址 |
|
ndarray.flat |
数组元素的迭代器 |
1 import numpy as np
2 a = np.indices((5,8)) # 创建一个m行n列的矩阵
3 print("数组a的秩：",a.ndim)
4 print("数组a各维度的大小：",a.shape)
5 print("数组a元素的总个数：",a.size)
6 print("数组a元素的数据类型：",a.dtype)
7 print("数组a元素的字节大小：",a.itemsize)
8 print("数组a元素的缓存区地址：",a.data)
9 print("数组a元素的迭代器：",a.flat)
10 print("数组a的元素:\n",a)
3. ndarray类型的形态操作方法
|
操作方法 |
说明 |
|
ndarray.reshape(n, m) |
返回一个维度为(n, m)的数组副本 |
|
ndarray.resize(new_shape) |
修改数组的维度大小 |
|
ndarray.swapaxes(ax1, ax2) |
调换数组ax1维度与ax2维度，返回调换后的数组 |
|
ndarray.flatten() |
对数组进行降维，返回一维数组 |
|
ndarray.ravel() |
对数组进行降维，返回数组的一个视图 |
1 import numpy as np
2 a = np.arange(20)
3 print('(1) 创建一维数组a:\n',a)
4 b = a.reshape(2,10)
5 print('(2) 由a创建(2,10)的数组b:\n',b)
6 a.resize(4,5)
7 print('(3) 修改数组a为(4,5):','Shape of a:',a.shape,'\n',a)
8 c = a.swapaxes(0,1)
9 print('(4) 调换数组a第1维度与第2维度得到数组c:(5,4)','Shape of c:',c.shape,'\n',c)
10 d = a.flatten()
11 print('(5) 对数组a降维，得到一维数组d:','Shape of d:',d.shape,'\n',d)
12 e = a.ravel()
13 print('(6) 对数组a降维，得到数组a的视图e','Shape of e:',e.shape,'\n',e)
4. ndarray类型的索引与切片方法
|
方法 |
说明 |
|
x [i] |
索引数组x的第i个元素 |
|
x [-i] |
从后往前索引数组x的第i个元素 |
|
x [n : m] |
从前往后索引数组x，不包含第m个元素 |
|
x [-m : -n] |
从后往前索引数组x，结束位置为n |
|
x [n : m: i] |
以i为步长索引数组x |
1 import numpy as np
2 a = np.arange(8)
3 print('a:',a)
4 print('a[4]:',a[4])
5 print('a[-6:-3]:',a[-6:-3])
6 print('a[1:6:2]:',a[1:6:2])
5. ndarray类型的算术运算函数
|
函数 |
说明 |
|
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 |
1 import numpy as np
2 A1 = np.arange(1,9)
3 A2 = np.arange(1,30,4)
4
5 print('A1:',A1)
6 print('A2:',A2)
7 print('A2-A1:',np.subtract(A2,A1))
8 print('A2//A1:',np.floor_divide(A2,A1))
9 print('A2%A1:',np.remainder(A2,A1))
6. ndarray类型的比较运算函数
|
函数 |
说明 |
|
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 |
|
根据条件判断输出x或y |
1 import numpy as np
2 A1 = np.arange(1,9)
3 A2 = np.arange(1,30,4)
4
5 print('A1:',A1)
6 print('A2:',A2)
7 print('A1 != A2:',np.not_equal(A1,A2))
8 print('A1 <= A2:',np.less_equal(A1,A2))
9 print('Use of where_1:',np.where(A1>=5,'Y','N'))
10 print('Usage as much of where:{}'.format('Y' if A1[3]>=5 else 'N'))
7. ndarray类型的其他运算函数
|
函数 |
说明 |
|
np.abs(x) |
返回数组x每个元素的绝对值 |
|
np.sqrt(x) |
返回数组x每个元素的平方根 |
|
np.square(x) |
返回数组x每个元素的平方 |
|
np.sign(x) |
返回数组x每个元素的符号：1(+)、0、-1(-) |
|
np.ceil(x) |
返回大于或等于数组x每个元素的最小值 |
|
np.floor(x) |
返回小于或等于数组x每个元素的最大值 |
|
np.rint(x [,out]) |
返回数组x每个元素最接近的整数 |
|
np.exp(x [,out]) |
返回数组x每个元素的指数值 |
|
np.log(x) / np.log2(x) / np.log10(x) |
返回数组x每个元素相应的对数(e、2、10) |
1 import numpy as np
2 A1 = np.arange(1,9)
3 A2 = np.arange(1,30,4)
4
5 print('A1:',A1)
6 print('A2:',A2)
7 print('A2的平方根：',np.sqrt(A2))
8 print('A1的平方：',np.sqrt(A1))
9 print('A2 2的对数：',np.log2(A2))