Python科学计算--NumPy的数组对象ndarray
来源:互联网 发布:最新机顶盒软件排行 编辑:程序博客网 时间:2024/06/05 18:08
NumPy是一个开源的Python科学计算基础库,包含:
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合C/C++/Fortran代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
NumPy是SciPy、Pandas等数据处理或科学计算库的基础
Python已有列表类型,为什么需要一个数组对象?
- 数组可以去掉元素间运算所需的循环,使一维向量更像单个数据
- 设置专门的数组对象,经过优化,可以提升这类应用的运算速度
- 数组对象采用相同的数据类型,有助于节省运算和存储空间
ndarray是一个多为数组对象,有两部分构成:
- 实际的数据
- 描述这些数据的元数据(数据维度、数据类型等)
ndarray数组一般要求所有数组元素类型相同(同质),数组下标从0开始
1. NumPy的引用
import numpy as np尽管别名可以省略和更改,建议使用上述约定的别名
2. ndarray对象的属性
import numpy as npa = np.array([[0,1,2,3,4],[9,8,7,6,5]])a.ndimOut[3]: 2a.shapeOut[4]: (2, 5)a.sizeOut[5]: 10a.dtypeOut[6]: dtype('int32')a.itemsizeOut[7]: 4
3. ndarray数组的元素类型
4. ndarray数组的创建
4.1 从Python中的列表、元组等类型创建ndarray数组
x = np.array(list/tuple)x = np.array(list/tuple, dtype=np.float32)当np.array()不指定dtype时,NumPy将根据数据情况关联一个dtype类型
x =np.array([0,1,2,3]) #从列表类型创建print(x)[0 1 2 3]x = np.array((4,5,6,7)) #从元组类型创建print(x)[4 5 6 7]x =np.array([[1,2],[9,8],(0.1,0.2)]) #从列表和元组混合类型创建print(x)[[ 1. 2. ] [ 9. 8. ] [ 0.1 0.2]]
4.2 使用NumPy中函数创建ndarray数组
如:arange, ones, zeros等
np.arange(10)Out[14]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])np.ones((3,6))Out[15]:array([[ 1., 1., 1., 1., 1., 1.], [ 1., 1., 1., 1., 1., 1.], [ 1., 1., 1., 1., 1., 1.]])np.zeros((3,6),dtype = np.int32)Out[16]:array([[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]])np.eye(5)Out[17]:array([[ 1., 0., 0., 0., 0.], [ 0., 1., 0., 0., 0.], [ 0., 0., 1., 0., 0.], [ 0., 0., 0., 1., 0.], [ 0., 0., 0., 0., 1.]])x = np.ones((2,3,4))print(x)[[[ 1. 1. 1. 1.] [ 1. 1. 1. 1.] [ 1. 1. 1. 1.]] [[ 1. 1. 1. 1.] [ 1. 1. 1. 1.] [ 1. 1. 1. 1.]]]x.shapeOut[20]: (2, 3, 4)
a = np.linspace(1,10,4)aOut[22]: array([ 1., 4., 7., 10.])b = np.linspace(1,10,4,endpoint=False)bOut[24]: array([ 1. , 3.25, 5.5 , 7.75])c = np.concatenate((a,b))cOut[26]: array([ 1. , 4. , 7. , 10. , 1. , 3.25, 5.5 , 7.75])
5. ndarray数组的变换
对于创建后的ndarray数组,可以对其进行维度变换和元素类型变换
5.1 ndarray数组的维度变换
a = np.ones((2,3,4), dtype=np.int32)a.reshape((3,8))Out[28]:array([[1, 1, 1, ..., 1, 1, 1], [1, 1, 1, ..., 1, 1, 1], [1, 1, 1, ..., 1, 1, 1]])aOut[29]:array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]])a.resize((3,8))aOut[31]:array([[1, 1, 1, ..., 1, 1, 1], [1, 1, 1, ..., 1, 1, 1], [1, 1, 1, ..., 1, 1, 1]])a.flatten()Out[32]: array([1, 1, 1, ..., 1, 1, 1])aOut[33]:array([[1, 1, 1, ..., 1, 1, 1], [1, 1, 1, ..., 1, 1, 1], [1, 1, 1, ..., 1, 1, 1]])b = a.flatten()bOut[35]: array([1, 1, 1, ..., 1, 1, 1])
5.2 ndarray数组的类型变换
new_a = a.astype(new_type)
aOut[37]:array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]])b = a.astype(np.float)bOut[39]:array([[[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]], [[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]]])
astype()方法一定会创建新的数组(原始数据的一个拷贝),即使两个类型一致
5.3 ndarray数组向列表类型转换
ndarray数组向列表类型转换
a = np.full((2,3,4),25,dtype=np.int32)a.tolist()Out[41]:[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]], [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]
6. ndarray数组的操作
索引:获取数组中特定位置元素的过程
切片:获取数组元素自己的过程
6.1 一维数组的索引和切片
与Python的列表类似
a = np.array([9,8,7,6,5])a[2]Out[43]: 7a[1:4:2] #起始编号:终止编号(不含):步长,三元素冒号分割Out[44]: array([8, 6]) #编号0开始从左递增,或-1开始从右递减
6.2 多维数组的索引
a = np.arange(24).reshape((2,3,4))aOut[46]:array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])a[1,2,3]Out[47]: 23a[0,1,2]Out[48]: 6a[-1,-2,-3] #每个维度一个索引值,逗号分割Out[49]: 17
6.3 多维数组的切片
a = np.arange(24).reshape((2,3,4))aOut[51]:array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])a[:,1,-3] #选取一个维度用Out[52]: array([ 5, 17])a[:,1:3,:] #每个维度切片方法与一维数组相同Out[53]:array([[[ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[16, 17, 18, 19], [20, 21, 22, 23]]])a[:,:,::2] 每个维度可以使用步长跳跃切片Out[54]:array([[[ 0, 2], [ 4, 6], [ 8, 10]], [[12, 14], [16, 18], [20, 22]]])
7. ndarray数组的运算
7.1 数组与标量之间的运算
数组与标量之间的运算作用于数组的每一个元素
a = np.arange(24).reshape((2,3,4))aOut[56]:array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])a.mean()Out[57]: 11.5a = a/a.mean() #计算a与元素平均值的商aOut[59]:array([[[ 0. , 0.08695652, 0.17391304, 0.26086957], [ 0.34782609, 0.43478261, 0.52173913, 0.60869565], [ 0.69565217, 0.7826087 , 0.86956522, 0.95652174]], [[ 1.04347826, 1.13043478, 1.2173913 , 1.30434783], [ 1.39130435, 1.47826087, 1.56521739, 1.65217391], [ 1.73913043, 1.82608696, 1.91304348, 2. ]]])
7.2 NumPy一元函数
a = np.arange(24).reshape((2,3,4))np.square(a)Out[61]:array([[[ 0, 1, 4, 9], [ 16, 25, 36, 49], [ 64, 81, 100, 121]], #注意数组是否被真实改变 [[144, 169, 196, 225], [256, 289, 324, 361], [400, 441, 484, 529]]], dtype=int32)a = np.sqrt(a)aOut[63]:array([[[ 0. , 1. , 1.41421356, 1.73205081], [ 2. , 2.23606798, 2.44948974, 2.64575131], [ 2.82842712, 3. , 3.16227766, 3.31662479]], [[ 3.46410162, 3.60555128, 3.74165739, 3.87298335], [ 4. , 4.12310563, 4.24264069, 4.35889894], [ 4.47213595, 4.58257569, 4.69041576, 4.79583152]]])np.modf(a)Out[64]:(array([[[ 0. , 0. , 0.41421356, 0.73205081], [ 0. , 0.23606798, 0.44948974, 0.64575131], [ 0.82842712, 0. , 0.16227766, 0.31662479]], [[ 0.46410162, 0.60555128, 0.74165739, 0.87298335], [ 0. , 0.12310563, 0.24264069, 0.35889894], [ 0.47213595, 0.58257569, 0.69041576, 0.79583152]]]), array([[[ 0., 1., 1., 1.], [ 2., 2., 2., 2.], [ 2., 3., 3., 3.]], [[ 3., 3., 3., 3.], [ 4., 4., 4., 4.], [ 4., 4., 4., 4.]]]))
7.3 NumPy二元函数
a = np.arange(24).reshape((2,3,4))b = np.sqrt(a)aOut[72]:array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])bOut[73]:array([[[ 0. , 1. , 1.41421356, 1.73205081], [ 2. , 2.23606798, 2.44948974, 2.64575131], [ 2.82842712, 3. , 3.16227766, 3.31662479]], [[ 3.46410162, 3.60555128, 3.74165739, 3.87298335], [ 4. , 4.12310563, 4.24264069, 4.35889894], [ 4.47213595, 4.58257569, 4.69041576, 4.79583152]]])np.maximum(a,b)Out[74]:array([[[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.]], [[ 12., 13., 14., 15.], [ 16., 17., 18., 19.], [ 20., 21., 22., 23.]]])a > bOut[75]:array([[[False, False, True, True], [ True, True, True, True], [ True, True, True, True]], [[ True, True, True, True], [ True, True, True, True], [ True, True, True, True]]], dtype=bool)
8. numPy的统计函数
import numpy as npa = np.arange(15).reshape(3,5)aOut[13]:array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])np.sum(a)Out[14]: 105np.mean(a)Out[15]: 7.0np.mean(a,axis=0)Out[16]: array([ 5., 6., 7., 8., 9.])np.mean(a,axis=1)Out[17]: array([ 2., 7., 12.])np.average(a,axis=0,weights=[10,5,1])Out[18]: array([ 2.1875, 3.1875, 4.1875, 5.1875, 6.1875])np.std(a)Out[19]: 4.3204937989385739np.var(a)Out[20]: 18.666666666666668
b = np.arange(15,0,-1).reshape(3,5)bOut[23]:array([[15, 14, 13, 12, 11], [10, 9, 8, 7, 6], [ 5, 4, 3, 2, 1]])np.max(b)Out[24]: 15np.argmax(b) #扁平化后的下标Out[25]: 0np.unravel_index(np.argmax(b),b.shape) #重塑成多维下标Out[26]: (0, 0)np.ptp(b)Out[27]: 14np.median(b)Out[28]: 8.0
阅读全文
0 0
- Python科学计算--NumPy的数组对象ndarray
- 科学计算库Numpy --数组(ndarray)
- python科学计算笔记(一)NumPy中ndarray对象、ufunc运算、矩阵运算
- numpy ndarray 数组对象
- numpy-数组对象ndarray
- Python:numPy 的 ndarray
- numpy数组 ndarray对象基本知识
- python:NumPy基础(1),ndarray多维数组对象
- Chapter4-1 NumPy的ndarray:一种多维数组对象
- NumPy的ndArray——多维数组对象
- python科学计算numpy
- python科学计算:numpy
- Python 科学计算 -- Numpy
- Python numpy中数组(ndarray)的运用
- Python科学计算库Numpy的使用
- python 科学计算Numpy的自学(一)
- python科学计算库numpy的使用
- Python---Numpy科学计算库的使用
- .NET的Actor模型:Orleans Orleans是微软推出的类似Scala Akka的Actor模型,
- 悬浮隐藏效果
- 数据结构基础知识核心归纳(二)
- C语言基础复习——结构体(1)
- 数据库(4)查询
- Python科学计算--NumPy的数组对象ndarray
- 使用web服务器写一个登陆注册的界面
- vim文本编辑工具
- 二叉树
- #HTTP协议学习# (一)request 和response 解析
- XListView简单上拉加载下拉刷新
- OJ系统里用BufferedReader提高效率
- centos6搭建简易bind服务器
- redis学习笔记[2] redis的初始使用