ndarray数组自动创建

为了实现某些运算，需要快速构造符合要求的大数组

Numpy函数生成的数组，如不指定类类型，几乎全为浮点型(arange除外，它是整形)，因为科学计算中测量值，例如温度、长度，都是浮点数

1 import numpy as np
2 import matplotlib.pyplot as plt
3 plt.style.use(‘seaborn‘)

1 np.arange(20)

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])

1 np.arange(5,15)

array([ 5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

1 np.arange(5,15,2) # 起始，终点，步长

array([ 5,  7,  9, 11, 13])

1 np.linspace(1,10,4)

array([ 1.,  4.,  7., 10.])

1 np.linspace(1,10,4,endpoint=False) #endpoint表示终止元素是否是n个生成元素中的一个

array([1.  , 3.25, 5.5 , 7.75])

1 # 作为参数的数组
2 n1 = np.array([[1,2,3],[4,5,6]])
3 n1

array([[1, 2, 3],
       [4, 5, 6]])

1 np.ones(10)

array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

1 np.ones((3,5))

array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

1 np.ones((3,5,2))

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.],
        [1., 1.],
        [1., 1.],
        [1., 1.]]])

1 np.ones_like(n1)

array([[1, 1, 1],
       [1, 1, 1]])

1 np.zeros(5)

array([0., 0., 0., 0., 0.])

1 np.zeros((3,5))

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

1 np.zeros((3,5),dtype=np.int)

array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

1 np.zeros_like(n1)

array([[0, 0, 0],
       [0, 0, 0]])

1 np.empty(5)

array([0., 0., 0., 0., 0.])

1 np.empty((3,5))

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

1 np.empty_like(n1)

array([[1761607734,        627,     159849],
       [  15198464, 1986592768, 1761607682]])

1 np.full(10,33)

array([33, 33, 33, 33, 33, 33, 33, 33, 33, 33])

1 np.full((3,2),33)

array([[33, 33],
       [33, 33],
       [33, 33]])

1 np.full_like(n1,33)

array([[33, 33, 33],
       [33, 33, 33]])

1 # n * n 矩阵，对角线为1，其余为0
2 np.eye(5)

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.]])

1 np.identity(5)

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.]])

1 #正方形矩阵
2 np.diag([1,3,5,7,9])

array([[1, 0, 0, 0, 0],
       [0, 3, 0, 0, 0],
       [0, 0, 5, 0, 0],
       [0, 0, 0, 7, 0],
       [0, 0, 0, 0, 9]])

使用Numpy随机数创建特定数组

数值模拟和可视化经常需要生成各种随机数数组

np.random随机数子库对py内置random进行了补充

均匀分布随机数

1 # 均匀分布随机数
2 np.random.rand(10) #给定维度

array([0.02005439, 0.80891558, 0.5562677 , 0.46869316, 0.92231742,
       0.48360549, 0.60707295, 0.8765322 , 0.03622524, 0.56985785])

1 np.random.rand(3,4,5) #给定维度

array([[[0.72599464, 0.83993961, 0.82219185, 0.82398166, 0.36356688],
        [0.39168192, 0.30798546, 0.44759764, 0.1118108 , 0.85378293],
        [0.82600419, 0.32026777, 0.21802031, 0.36702474, 0.97069152],
        [0.33273498, 0.99248325, 0.11253019, 0.18952265, 0.86363985]],

       [[0.79576536, 0.84591304, 0.51058729, 0.17913884, 0.33642013],
        [0.73720407, 0.177351  , 0.95445729, 0.95058418, 0.6877008 ],
        [0.54047611, 0.40272865, 0.57165086, 0.40991547, 0.88575988],
        [0.99419175, 0.78947254, 0.73026638, 0.11067003, 0.97844173]],

       [[0.06063713, 0.19173863, 0.72189927, 0.87016215, 0.79903106],
        [0.490451  , 0.22794955, 0.24318515, 0.79332367, 0.98940884],
        [0.64366935, 0.78009235, 0.91986054, 0.91137557, 0.8464019 ],
        [0.93800903, 0.79523183, 0.27570733, 0.91195909, 0.65208651]]])

1 # 绘图测试
2 a = np.random.rand(500) #给定维度
3 plt.hist(
4     a,
5     facecolor = ‘#cccccc‘, #直方图颜色
6     edgecolor = ‘w‘, #直方图边框颜色
7 )
8 plt.show()

1 #均匀分布，带起始，结束值
2 np.random.uniform(5,10,20)

array([8.69273352, 9.74400917, 9.63900495, 8.13481997, 9.37227264,
       8.19094361, 5.90780594, 6.87353705, 5.13186801, 5.20761676,
       7.80789903, 7.77578052, 7.8747056 , 8.32116957, 9.05401958,
       7.99650407, 8.21572178, 9.84023002, 6.45075345, 6.28031921])

1 np.random.uniform(5,10,(3,5))

array([[8.15258875, 9.46890301, 6.87993789, 9.67530067, 7.71837652],
       [8.33403327, 5.67919505, 7.00191982, 7.09070637, 8.21504323],
       [5.69171455, 7.14411578, 6.03591799, 8.96227029, 6.27297609]])

1 #均匀分布，整数
2 np.random.randint(10)

1 np.random.randint(10,100)

1 np.random.randint(10,20,(3,4,5))

array([[[14, 15, 13, 19, 17],
        [13, 17, 10, 12, 18],
        [18, 19, 17, 18, 10],
        [17, 15, 18, 16, 14]],

       [[11, 17, 16, 11, 14],
        [15, 11, 17, 16, 18],
        [18, 13, 15, 18, 19],
        [10, 17, 18, 10, 14]],

       [[10, 14, 18, 14, 10],
        [11, 14, 18, 19, 16],
        [16, 16, 12, 12, 16],
        [13, 16, 14, 16, 12]]])

随机数种子

相同的种子，相同的随机数

1 np.random.seed(1)
2 np.random.rand(10)

array([4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01,
       1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01,
       3.96767474e-01, 5.38816734e-01])

1 np.random.seed(1)
2 np.random.rand(10)

array([4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01,
       1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01,
       3.96767474e-01, 5.38816734e-01])

正态分布

1 #标准正太分布随机数，浮点数，平局数0，标准差1
2 np.random.randn(10)

array([-1.11731035,  0.2344157 ,  1.65980218,  0.74204416, -0.19183555,
       -0.88762896, -0.74715829,  1.6924546 ,  0.05080775, -0.63699565])

1 np.random.randn(3,4,5)

array([[[ 0.19091548,  2.10025514,  0.12015895,  0.61720311,
          0.30017032],
        [-0.35224985, -1.1425182 , -0.34934272, -0.20889423,
          0.58662319],
        [ 0.83898341,  0.93110208,  0.28558733,  0.88514116,
         -0.75439794],
        [ 1.25286816,  0.51292982, -0.29809284,  0.48851815,
         -0.07557171]],

       [[ 1.13162939,  1.51981682,  2.18557541, -1.39649634,
         -1.44411381],
        [-0.50446586,  0.16003707,  0.87616892,  0.31563495,
         -2.02220122],
        [-0.30620401,  0.82797464,  0.23009474,  0.76201118,
         -0.22232814],
        [-0.20075807,  0.18656139,  0.41005165,  0.19829972,
          0.11900865]],

       [[-0.67066229,  0.37756379,  0.12182127,  1.12948391,
          1.19891788],
        [ 0.18515642, -0.37528495, -0.63873041,  0.42349435,
          0.07734007],
        [-0.34385368,  0.04359686, -0.62000084,  0.69803203,
         -0.44712856],
        [ 1.2245077 ,  0.40349164,  0.59357852, -1.09491185,
          0.16938243]]])

1 #绘图
2 b = np.random.randn(500)
3 plt.hist(
4     b,
5     facecolor=‘#cccccc‘,#直方图颜色
6     edgecolor=‘w‘,#直方图边框颜色
7 )
8 plt.show()

1 # 自定义正态分布，分布中心是loc(概率分布的均值)，标准差是scale,形状是size
2 np.random.normal(100,10,500)
3 np.random.normal(100,10,(3,4,5))
4 plt.hist(
5     np.random.normal(100,10,500),
6     facecolor=‘#cccccc‘,#直方图颜色
7     edgecolor=‘w‘,#直方图边框颜色
8 )
9 plt.show()

案例：中国成年男性身高分析

生成男性身高数据

1 # 均与分布不符合现实
2 # height = np.round(np.random.uniform(1.1,2.4,500),2)
3
4 #自定义正态分布，均值1.67，标准差0.3 生成10000个，保留2位小数
5 height = np.round(np.random.normal(1.65,0.3,10000),2)
6 height

array([1.26, 1.75, 1.69, ..., 1.55, 1.49, 1.62])

1 plt.figure(figsize=(18,10))
2 plt.hist(
3     height,
4     facecolor=‘#cccccc‘, #直方图颜色
5     edgecolor = ‘w‘ , #直方图边框颜色
6 )
7 plt.xticks([0,0.25,0.5,0.75,1,1.25,1.5,1.75,2,2.25,2.5,2.75,3,3.25,3.5,3.75,4])
8 plt.show()

1 y = np.array([-2,3,-3,4])
2 x = [1,2,3,4]
3 plt.bar(x,y)
4 plt.show()

1 np.log

<ufunc ‘log‘>

1 10 ** 2

1 np.log2(1/32)

-5.0

原文地址：https://www.cnblogs.com/doitjust/p/9302520.html

时间： 2024-11-08 23:32:47

ndarray数组自动创建的相关文章

数据分析2 numpy(ndarray数组,属性,创建,索引切片,运算,函数,随机数), Pandas(Series创建,缺失值处理,特性,索引,DataFrame)

Numpy numpy数据类型 1.为啥使用numpy ? ndarray是一个多维数组列表 Numpy的核心特征就是N-维数组对----ndarray 它和python中的列表区别: 1.数组对象内元素类型必须相同 2.数组大小不可修改 2.创建ndarray 数组 3.常见的属性数据类型 astype()方法可以修改数组类型 4.ndarray的创建方式 5.索引 6.切片 7.数组的向量运算和矢量运算 8. 布尔型索引 9.花式索引 10.一元函数 11.数学统计函数 12.随机

NumPy学习：创建ndarray数组（linespace,arange,uniform,normal）

""" 创建ndarray数组(linespace,arange,uniform,normal) """ import numpy as np print("linespace:", np.linspace(0, 100, 5)) # 等间隔的序列 print("arange:", np.arange(10, 50, 10)) # 每间隔10 print("uniform:", np.r

Python开发：NumPy学习（一）ndarray数组

一.数据维度一个数据表达一个含义,一组数据表达一个或多个含义. 数据维度概念:一组数据的组织形式,其中有一维数据.二维数据.多维数据.高维数据. 1. 一维数据一维数据由对等关系的有序或无序数据构成,采用线性方式组织. 对应:列表.集合 #列表有序 [1,2,3,4,5] #集合无序 {1,2,3,4,5} 2.二维数据二维数据由多个一维数据构成,是一维数据的组合形式. 对应:列表 [[1,2,3],[4,5,6]] 3.多维数据多维数据由一维或二维数据在新维度上扩展形成. 对应:列表

自动创建文件夹的两种方法

自动创建文件夹的两种方法 1.CreateDictionary() CreateDirectory(myPath, 0); //在临时文件夹中创建本应用的文件夹原型为:BOOL WINAPI CreateDirectory(__in LPCTSTR lpPathName, __in LPSECURITY_ATTRIBUTES lpSecurityAttributes); 其中lpPathName是要创建的目录的路径,第2个涉及安全性问题传NULL就好了例如: char path[MAX_

php数组的创建及操作

//数组的创建 //1 $usernames = array('李彦宏','周宏伟','马云','俞敏洪','李开复'); echo $usernames; //array,打印类型 echo '<br />'; echo $usernames[1]; echo '<br />'; print_r($usernames);//print_r()打印变量的信息 //2 通过range()函数自动创建一个数组 $numbers = range(1, 10); $letters = ra

javascript数组操作(创建、元素删除、数组的拷贝)

这篇文章主要介绍了javascript数组操作,包括创建.元素的访问.元素删除.数组的拷贝等操作,还有其它示例,需要的朋友可以参考下 1.数组的创建复制代码代码如下: var arrayObj = new Array(); //创建一个数组var arrayObj = new Array([size]); //创建一个数组并指定长度,注意不是上限,是长度var arrayObj = new Array([element0[, element1[, ...[, elementN]]]]); 创

【Python实战15】NumPy数组的创建

NumPy提供了一个N维数组对象,即:ndarray.ndarray是一个通用的同构数据多维容器,也就是说,其中的所有元素必须是相同类型的. 创建ndarray数组创建数组最简单的方式就是使用array函数,它接受一切序列型的对象,然后产生一个新的含有传入数据的NumPy数组.如下: 嵌套的序列将会被转换为一个多为数组: 除非显示的说明,np.array会尝试为新建的这个数组推断出一个较为合适的数据类型,我们可以通过dtype来进行查看,比如上面刚建立的数组类型为:int32类型:另,我们可以

thinkphp自动创建数据对象解析

thinkphp有一个自动创建数据对象的create方法,核心代码如下 public function create($data='',$type='') { // 如果没有传值默认取POST数据 if(empty($data)) { $data = I('post.'); }elseif(is_object($data)){ $data = get_object_vars($data); } // 判断是否有主键,有代表修改,没有代表插入 $type = $type?:(!empty($dat

多级指标打分表单自动创建JavaScript代码解析

为了解释按多级指标自动创建打分表的设计,以及相关指标考核打分业务,写了Demo代码供开发人员参考,主要涉及到Table动态操作技术及算法实践. 1. HTML DOM Table 对象操作 1.1. 插入一行使用HTML DOM insertRow() 方法,insertRow(index) 方法用于在表格中的指定位置插入一个新行. 若 index 等于表中的行数,则新行将被附加到表的末尾. 1.2. 插入单元格使用HTML DOM insertCell() 方法,insertCell()