Numpy的简单用法
import numpy as np
一、创建ndarray对象
列表转换成ndarray:
取随机浮点数
>>> 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 ]])
取随机整数
取零
>>> np.zeros((3,4))array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
取一
取空(最好别用,了解一下,版本不同返回值不一样)
>>> np.empty((3,4))array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
取整数零或一
仿range命令创建ndarray:
>>> np.arange(2,10,2) # 开始,结束,步长array([2, 4, 6, 8])
二、ndarray属性的查看和操作:
看ndarray属性:
属性强转:
>>> a = np.array([1,2,3,4,5],dtype=np.float64)>>> aarray([ 1., 2., 3., 4., 5.])>>> a.astype(np.int32)array([1, 2, 3, 4, 5])
三、简单操作:
批量运算:
#等等
改变维度:
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)>>> aarray([[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]])
矩阵转换(和改变维度有本质区别,仔细):
四、切片和索引:
一维数组:
>>> a = np.array(range(10))>>> aarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> a[3]3>>> a[2:9:2]array([2, 4, 6, 8])
多维数组:
条件索引:
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)>>> aarray([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]])>>> a > 5array([[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 == 0Out[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、函数(numpy核心知识点)
计算函数:
统计函数
np.mean():所有元素的平均值np.sum():所有元素的和,参数是 number 或 arraynp.max():所有元素的最大值np.min():所有元素的最小值,参数是 number 或 arraynp.std():所有元素的标准差np.var():所有元素的方差,参数是 number 或 arraynp.argmax():最大值的下标索引值,np.argmin():最小值的下标索引值,参数是 number 或 arraynp.cumsum():返回一个一维数组,每个元素都是之前所有元素的累加和np.cumprod():返回一个一维数组,每个元素都是之前所有元素的累乘积,参数是 number 或 array>>> a = np.arange(12).reshape(3,4).transpose()>>> aarray([[ 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)
判断函数:
去除重复:
np.unique(): 去重>>> a = np.array([[1,2,3],[2,3,4]])>>> aarray([[1, 2, 3], [2, 3, 4]])>>> np.unique(a)array([1, 2, 3, 4])
以上就是python numpy的简单用法汇总的详细内容,希望对你有所帮助。
联系客服