numpy 数组操作
来源:互联网 发布:网络配音社团 编辑:程序博客网 时间:2024/05/07 20:03
NumPy数组(2、数组的操作)
基本运算
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。
- >>> a= np.array([20,30,40,50])
- >>> b= np.arange( 4)
- >>> b
- array([0, 1, 2, 3])
- >>> c= a-b
- >>> c
- array([20, 29, 38, 47])
- >>> b**2
- array([0, 1, 4, 9])
- >>> 10*np.sin(a)
- array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])
- >>> a<35
- array([True, True, False, False], dtype=bool)
>>> a= np.array([20,30,40,50])>>> b= np.arange( 4)>>> barray([0, 1, 2, 3])>>> c= a-b>>> carray([20, 29, 38, 47])>>> b**2array([0, 1, 4, 9])>>> 10*np.sin(a)array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])>>> a<35array([True, True, False, False], dtype=bool)
与其他矩阵语言不同,NumPy中的乘法运算符*按元素逐个计算,矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)
- >>> A= np.array([[1,1],
- …[0,1]])
- >>> B= np.array([[2,0],
- …[3,4]])
- >>> A*B # 逐个元素相乘
- array([[2, 0],
- [0, 4]])
- >>> np.dot(A,B) # 矩阵相乘
- array([[5, 4],
- [3, 4]])
>>> A= np.array([[1,1],...[0,1]])>>> B= np.array([[2,0],...[3,4]])>>> A*B # 逐个元素相乘array([[2, 0], [0, 4]])>>> np.dot(A,B) # 矩阵相乘array([[5, 4], [3, 4]])
有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。
- >>> a= np.ones((2,3), dtype=int)
- >>> b= np.random.random((2,3))
- >>> a*= 3
- >>> a
- array([[3, 3, 3],
- [3, 3, 3]])
- >>> b+= a
- >>> b
- array([[ 3.69092703, 3.8324276, 3.0114541],
- [ 3.18679111, 3.3039349, 3.37600289]])
- >>> a+= b # b转换为整数类型
- >>> a
- array([[6, 6, 6],
- [6, 6, 6]])
>>> a= np.ones((2,3), dtype=int)>>> b= np.random.random((2,3))>>> a*= 3>>> aarray([[3, 3, 3], [3, 3, 3]])>>> b+= a>>> barray([[ 3.69092703, 3.8324276, 3.0114541], [ 3.18679111, 3.3039349, 3.37600289]])>>> a+= b # b转换为整数类型>>> aarray([[6, 6, 6], [6, 6, 6]])
当数组中存储的是不同类型的元素时,数组将使用占用更多位(bit)的数据类型作为其本身的数据类型,也就是偏向更精确的数据类型(这种行为叫做upcast)。
- >>> a= np.ones(3, dtype=np.int32)
- >>> b= np.linspace(0,np.pi,3)
- >>> b.dtype.name
- ’float64’
- >>> c= a+b
- >>> c
- array([ 1., 2.57079633, 4.14159265])
- >>> c.dtype.name
- ’float64’
- >>> d= exp(c*1j)
- >>> d
- array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,
- -0.54030231-0.84147098j])
- >>> d.dtype.name
- ’complex128’
>>> a= np.ones(3, dtype=np.int32)>>> b= np.linspace(0,np.pi,3)>>> b.dtype.name'float64'>>> c= a+b>>> carray([ 1., 2.57079633, 4.14159265])>>> c.dtype.name'float64'>>> d= exp(c*1j)>>> darray([ 0.54030231+0.84147098j,-0.84147098+0.54030231j, -0.54030231-0.84147098j])>>> d.dtype.name'complex128'
许多非数组运算,如计算数组所有元素之和,都作为ndarray类的方法来实现,使用时需要用ndarray类的实例来调用这些方法。
- >>> a= np.random.random((2,3))
- >>> a
- array([[ 0.65806048, 0.58216761, 0.59986935],
- [ 0.6004008, 0.41965453, 0.71487337]])
- >>> a.sum()
- 3.5750261436902333
- >>> a.min()
- 0.41965453489104032
- >>> a.max()
- 0.71487337095581649
>>> a= np.random.random((2,3))这些运算将数组看作是一维线性列表。但可通过指定axis参数(即数组的行)对指定的轴做相应的运算:
>>> a
array([[ 0.65806048, 0.58216761, 0.59986935],
[ 0.6004008, 0.41965453, 0.71487337]])
>>> a.sum()
3.5750261436902333
>>> a.min()
0.41965453489104032
>>> a.max()
0.71487337095581649
- >>> b= np.arange(12).reshape(3,4)
- >>> b
- array([[ 0, 1, 2, 3],
- [ 4, 5, 6, 7],
- [ 8, 9, 10, 11]])
- >>> b.sum(axis=0) # 计算每一列的和,注意理解轴的含义,参考数组的第一篇文章
- array([12, 15, 18, 21])
- >>> b.min(axis=1) # 获取每一行的最小值
- array([0, 4, 8])
- >>> b.cumsum(axis=1) # 计算每一行的累积和
- array([[ 0, 1, 3, 6],
- [ 4, 9, 15, 22],
- [ 8, 17, 27, 38]])
>>> b= np.arange(12).reshape(3,4)>>> barray([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])>>> b.sum(axis=0) # 计算每一列的和,注意理解轴的含义,参考数组的第一篇文章array([12, 15, 18, 21])>>> b.min(axis=1) # 获取每一行的最小值array([0, 4, 8])>>> b.cumsum(axis=1) # 计算每一行的累积和array([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])
索引,切片和迭代
和列表和其它Python序列一样,一维数组可以进行索引、切片和迭代操作。
- >>> a= np.arange(10)**3 #记住,操作符是对数组中逐元素处理的!
- >>> a
- array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
- >>> a[2]
- 8
- >>> a[2:5]
- array([ 8, 27, 64])
- >>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000,从开始到第6个位置,每隔一个元素将其赋值为-1000
- >>> a
- array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])
- >>> a[: :-1] # 反转a
- array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])
- >>>for i in a:
- … print i**(1/3.),
- …
- nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
>>> a= np.arange(10)**3 #记住,操作符是对数组中逐元素处理的!>>> aarray([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])>>> a[2]8>>> a[2:5]array([ 8, 27, 64])>>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000,从开始到第6个位置,每隔一个元素将其赋值为-1000>>> aarray([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])>>> a[: :-1] # 反转aarray([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])>>>for i in a:... print i**(1/3.),...nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。
- >>>def f(x,y):
- … return 10*x+y
- …
- >>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数,下篇文章介绍。
- >>> b
- array([[ 0, 1, 2, 3],
- [10, 11, 12, 13],
- [20, 21, 22, 23],
- [30, 31, 32, 33],
- [40, 41, 42, 43]])
- >>> b[2,3]
- 23
- >>> b[0:5, 1] # 每行的第二个元素
- array([ 1, 11, 21, 31, 41])
- >>> b[: ,1] # 与前面的效果相同
- array([ 1, 11, 21, 31, 41])
- >>> b[1:3,: ] # 每列的第二和第三个元素
- array([[10, 11, 12, 13],
- [20, 21, 22, 23]])
>>>def f(x,y):... return 10*x+y...>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数,下篇文章介绍。>>> barray([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]])>>> b[2,3]23>>> b[0:5, 1] # 每行的第二个元素array([ 1, 11, 21, 31, 41])>>> b[: ,1] # 与前面的效果相同array([ 1, 11, 21, 31, 41])>>> b[1:3,: ] # 每列的第二和第三个元素array([[10, 11, 12, 13], [20, 21, 22, 23]])
当少于提供的索引数目少于轴数时,已给出的数值按秩的顺序复制,确失的索引则默认为是整个切片:
- >>> b[-1] # 最后一行,等同于b[-1,:],-1是第一个轴,而缺失的认为是:,相当于整个切片。
- array([40, 41, 42, 43])
>>> b[-1] # 最后一行,等同于b[-1,:],-1是第一个轴,而缺失的认为是:,相当于整个切片。array([40, 41, 42, 43])
b[i]中括号中的表达式被当作i和一系列:,来代表剩下的轴。NumPy也允许你使用“点”像b[i,…]。
点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴),那么:
- x[1,2,…] 等同于 x[1,2,:,:,:],
- x[…,3] 等同于 x[:,:,:,:,3]
- x[4,…,5,:] 等同 x[4,:,:,5,:]
- >>> c= array( [ [[ 0, 1, 2], #三维数组(两个2维数组叠加而成)
- …[ 10, 12, 13]],
- …
- …[[100,101,102],
- …[110,112,113]]] )
- >>> c.shape
- (2, 2, 3)
- >>> c[1,…] #等同于c[1,:,:]或c[1]
- array([[100, 101, 102],
- [110, 112, 113]])
- >>> c[…,2] #等同于c[:,:,2]
- array([[ 2, 13],
- [102, 113]])
>>> c= array( [ [[ 0, 1, 2], #三维数组(两个2维数组叠加而成)...[ 10, 12, 13]],......[[100,101,102],...[110,112,113]]] )>>> c.shape (2, 2, 3)>>> c[1,...] #等同于c[1,:,:]或c[1]array([[100, 101, 102], [110, 112, 113]])>>> c[...,2] #等同于c[:,:,2]array([[ 2, 13], [102, 113]])
多维数组的遍历是以是第一个轴为基础的:
- >>>for row in b:
- … print row
- …
- [0 1 2 3]
- [10 11 12 13]
- [20 21 22 23]
- [30 31 32 33]
- [40 41 42 43]
>>>for row in b:... print row...[0 1 2 3][10 11 12 13][20 21 22 23][30 31 32 33][40 41 42 43]
如果想对数组中每个元素都进行处理,可以使用flat属性,该属性是一个数组元素迭代器:
- >>>for element in b.flat:
- … print element,
- …
- 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
>>>for element in b.flat:... print element,...0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例
形状(shape)操作
更改数组的形状
数组的形状取决于其每个轴上的元素个数:
- >>> a= np.floor(10*np.random.random((3,4)))
- >>> a
- array([[ 7., 5., 9., 3.],
- [ 7., 2., 7., 8.],
- [ 6., 8., 3., 2.]])
- >>> a.shape
- (3, 4)
>>> a= np.floor(10*np.random.random((3,4)))>>> aarray([[ 7., 5., 9., 3.], [ 7., 2., 7., 8.], [ 6., 8., 3., 2.]])>>> a.shape(3, 4)
可以用多种方式修改数组的形状:
- >>> a.ravel() # 平坦化数组
- array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
- >>> a.shape= (6, 2)
- >>> a.transpose()
- array([[ 7., 9., 7., 7., 6., 3.],
- [ 5., 3., 2., 8., 8., 2.]])
>>> a.ravel() # 平坦化数组array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])>>> a.shape= (6, 2)>>> a.transpose()array([[ 7., 9., 7., 7., 6., 3.], [ 5., 3., 2., 8., 8., 2.]])
由ravel()展平的数组元素的顺序通常是“C风格”的,就是以行为基准,最右边的索引变化得最快,所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape),数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组,所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时,就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组,即最左边的索引变化最快。
reshape函数改变调用数组的形状并返回该数组,而resize函数改变调用数组自身。
- >>> a
- array([[ 7., 5.],
- [ 9., 3.],
- [ 7., 2.],
- [ 7., 8.],
- [ 6., 8.],
- [ 3., 2.]])
- >>> a.resize((2,6))
- >>> a
- array([[ 7., 5., 9., 3., 7., 2.],
- [ 7., 8., 6., 8., 3., 2.]])
>>> aarray([[ 7., 5.], [ 9., 3.], [ 7., 2.], [ 7., 8.], [ 6., 8.], [ 3., 2.]])>>> a.resize((2,6))>>> aarray([[ 7., 5., 9., 3., 7., 2.], [ 7., 8., 6., 8., 3., 2.]])
如果在reshape操作中指定一个维度为-1,那么其准确维度将根据实际情况计算得到
更多关于shape、reshape、resize和ravel的内容请参考NumPy示例
参考文献:
《NumPy for Beginner》
《Tentative NumPy Tutorial》
转自博客:http://blog.csdn.net/sunny2038/article/details/9023797
0 0
- numpy教程:数组操作
- numpy教程:数组操作
- numpy 数组操作
- Numpy 数组操作
- numpy数组基本操作
- numpy数组切片操作
- Numpy的array数组操作
- numpy的array数组操作
- Numpy-数组的基本操作
- numpy 数组维度操作总汇
- NumPy数组(2、数组的操作)
- NumPy数组(2、数组的操作)
- NumPy之二:数组形状操作
- NumPy形状操作 更改数组的形状
- numpy入门——数组操作
- numpy入门——数组属性操作
- Python-Numpy(2)Array数组操作
- Numpy-数组的基本操作(二)
- django中models field详解
- android关于VideoView或Vitamio视频播放器横竖屏切换
- Chisel介绍
- Activity和Fragment回调研究
- 第十一节:元组 Tuple3
- numpy 数组操作
- 欢迎使用CSDN-markdown编辑器
- web.xml文件的作用及基本配置
- 减产成果全泡汤 国际油价创出近半年新低
- 第二个小demo
- jQuery中的end()
- java中servletContextListener、httpSessionListener和servletRequestListener使用整理
- 小米手机无法通过安卓studio安装开发的软件
- mongo : query multi cols by "and" or by "or"