创建ndarray数组:
import numpy as np
np.array([2,3]) #创建一个2行3列的一维ndarray数组
常用属性
- T 数组的转置(对高维数组而言)
- dtype 数组元素的数据类型
- size 数组元素的个数
- ndim 数组的维数
- shape 数组的维度大小(以元组形式)
数据类型dtype:
bool_ , int(8, 16,32,64), uint(8, 16,32,64), float(16,32,64)
类型转换: astype()
创建ndarray:
- array() 将列表转换为数组,可选择显式指定dtype
- arange() range的numpy版,支持浮点数
- linspace() 类似arange(),第三个参数为数组长度
- beros() 根据指定形状和dtype创建全0数组
- ones() 根据指定形状和dtype创建全1数组
- empty() 根据指定形状和dtype创建空数组(随机值)
- eye() 根据指定边长和dtype创建单位矩阵
numpy索引和切片
数组和标量之间的运算
a+1 a*3 1//a a ** 0.5
2.同样大小数组之间的运算
a+b a/b a**b
数组的索引
a[5] a2[2][3] a2[2,3]
数组的切片
a[5:8] a[:3] = 1 a2[1:2, :4] a2[:,:1] a2[:,1]
与列表不同,数组切片时并不会自动复制,在切片数组上的修改 会影响原数组。
[解决方法: copy()]
原:b=a[:4] 解决:b= a[:4].copy()
b[-1] = 250
numpy布尔型索引
问题1: 给一个数组,选出数组中所有大于5的数。
答案: a[a>5]
原理:
- a> 5会对a中的每一一个元素进行判断,返回一个布尔数组
- 布尔型索引:将同样大小的布尔数组传进索引,会返回一个由所有True对应位置的元素的数组
问题2: 给一个数组,选出数组中所有大于5的偶数。
问题3: 给一个数组,选出数组中所有大于5的数和偶数。
答案:
a[(a>5) & (a%2==0)]
a[(a>5) | (a%2==0)]
numpy花式索引*
问题1: 对于-一个数组,选出其第1,3,4,6,7个元素,组成新的二维数组。
答案: a[[1,3,4,6,7]]
问题2: 对一个二维数组,选出其第一列和第三列,组成新的二维数组。
答案: a[:,[1,3]]
numpy通用函数
【定义】通用函数:能同时对数组中所有元素进行运算的函数
常见通用函数:
一元函数(传1个数组): abs, sqrt, exp, log, ceil(向上取整), floor(向下取整), rint/round(四舍五入), trunc(向零取整),modf, isnan, isinf, cos, sin, tan
二元函数(传2个数组): add(加), substract(减), multiply(乘), divide(除), power(乘方), mod(取余),maximum, mininum,
#一元:向上取整ceil,向下取整floor
import numpy as np
np.ceil(3.1) #结果:4.0
np.floor(3.9) #结果:3.0
#对应python内置math
import math
math.ceil(3.1) #结果4
math.floor(3.9) #结果3
numpy通用函数数组的用法
>>> import numpy as np
#==================【一元:向上取整ceil,向下取整floor】==============
#-----------------------【ceil函数】-------------------------------
>>> a=np.arange(0,5,0.2)
>>> a
array([0. , 0.2, 0.4, 0.6, 0.8, 1. , 1.2, 1.4, 1.6, 1.8, 2. , 2.2, 2.4,
2.6, 2.8, 3. , 3.2, 3.4, 3.6, 3.8, 4. , 4.2, 4.4, 4.6, 4.8])
>>> np.ceil(a)
array([0., 1., 1., 1., 1., 1., 2., 2., 2., 2., 2., 3., 3., 3., 3., 3., 4.,
4., 4., 4., 4., 5., 5., 5., 5.])
#----------------------【modf函数】----------------------------------
>>> a,b=np.modf(a)
>>> a
array([0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4,
0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8, 0. , 0.2, 0.4, 0.6, 0.8])
>>> b
array([0., 0., 0., 0., 0., 1., 1., 1., 1., 1., 2., 2., 2., 2., 2., 3., 3.,
3., 3., 3., 4., 4., 4., 4., 4.])
#--------------------【isnan和isinf】--------------------------
#首先看如下运算【isinf】:
>>> a=np.array([0,1,2,3,4,5])
>>> b=np.array([5,4,3,2,1,0])
>>> c=a/b
>>> c
#因为被除数有个0,所以会有个警告
__main__:1: RuntimeWarning: divide by zero encountered in true_divide
#inf表示无限大(infinity)即5/0=inf,考虑微积分情形
array([0. , 0.25 , 0.66666667, 1.5 , 4. , inf])
#再看如下运算【isnan】:
>>> d=np.array([0,1,2])
>>> e=np.array([0,1,2])
>>> f=d/e
>>> f
#0/0不是数,所以出现警告,nan
__main__:1: RuntimeWarning: invalid value encountered in true_divide
array([nan, 1., 1.])
#【isnan和isinf使用:判断是否含有非数(0/0),和无限大数(5/0)】
>>> f
array([nan, 1., 1.])
>>> c
array([0. , 0.25 , 0.66666667, 1.5 , 4. , inf])
>>> np.isnan(f)
array([ True, False, False])
>>> np.isinf(c)
array([False, False, False, False, False, True])
#【返回非数、无限大数】~表示非
>>> ~np.isinf(c)
array([ True, True, True, True, True, False])
>>> ~np.isnan(f)
array([False, True, True])
#-----------【maxinum/mininum】---------
>>> a=np.arange(0,9,1)
>>> b=np.arange(10,19,1)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> b
array([10, 11, 12, 13, 14, 15, 16, 17, 18])
>>> np.maximum(a,b)#两个数组对比取大的
array([10, 11, 12, 13, 14, 15, 16, 17, 18])
numpy常用函数
一、numpy数学和统计学方法:
- sum:求和
- cumsum:求累计和
- mean:求平均数
- std:求标准差
- var:求方差
- min:求最小值
- max:求最大值
- argmin:求最小值索引
- argmax :求最大值索引
二、随机数生成
- rand:给定形状产生随机数组(0到1之间的数)
- randint:给定形状产生随机整数
- choice:给定形状产生随机选择
- shuffle:与random. shuffle相同 (打乱列表原有顺序)
- uniform:给定形状产生随机数组
随机数示例:
#==========python内置random==========
>>> import random
>>> a=np.arange(0,5,1)
>>> a
array([0, 1, 2, 3, 4])
>>> random.shuffle(a)
>>> a
array([3, 0, 1, 4, 2])
#==========【numpy random】==========
#【np.random.rand()】
>>> np.random.rand() #0-1间随机数
0.8012219581827386
>>> np.random.rand(10) #生成10个0-1间随机数
array([0.80526841, 0.77220095, 0.40605223, 0.75310937, 0.69884484,
0.5413281 , 0.53127462, 0.7825014 , 0.61354559, 0.66085711])
#【np.random.randint】
>>> np.random.randint(1,10) #生成1个 1-10间随机整数组
2
>>> np.random.randint(1,10,5) #生成5个 1-10间随机整数组
array([2, 3, 5, 2, 5])
>>> np.random.randint(1,10,(2,3)) #生成2行3列 1-10间随机 多维 整数组
array([[2, 3, 7],
[1, 9, 3]])
原文地址:https://www.cnblogs.com/chenxi188/p/11775795.html
时间: 2024-10-16 05:29:19