Numpy的简单用法
import numpy as np
一、创建ndarray对象
列表转换成ndarray:
>>> a = [1,2,3,4,5]>>> np.array(a)array([1, 2, 3, 4, 5])
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
>>> np.random.randint(1, 5, size=(3,4))array([[2, 3, 1, 2], [3, 4, 4, 4], [4, 4, 4, 3]])
取零
>>> np.zeros((3,4))array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
取一
>>> np.ones((3,4))array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
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
>>> np.ones((3,4)，int)array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]])>>> np.zeros((3,4),int)array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]])
仿range命令创建ndarray：
>>> np.arange(2,10,2) # 开始，结束，步长array([2, 4, 6, 8])
相关推荐：《Python视频教程》
二、ndarray属性的查看和操作：
看ndarray属性：
>>> a = [[1,2,3,4,5],[6,7,8,9,0]]>>> b = np.array(a)>>> b.ndim #维度个数(看几维)2>>> b.shape #维度大小(看具体长宽)(5,2)>>>b.dtypedtype('int32')
ndarray创建时指定属性：
>>> np.array([1,2,3,4,5],dtype=np.float64)array([ 1., 2., 3., 4., 5.])>>> np.zeros((2,5),dtype=np.int32)array([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])
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：
>>> a = np.array([1,2,3,4,5],dtype=np.int32)>>> aarray([1, 2, 3, 4, 5])>>> a + aarray([ 2, 4, 6, 8, 10])>>> a * aarray([ 1, 4, 9, 16, 25])>>> a - 2array([-1, 0, 1, 2, 3])>>> a / 2array([ 0.5, 1. , 1.5, 2. , 2.5])#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)：
>>> 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.transpose()array([[1, 6], [2, 7], [3, 8], [4, 9], [5, 0]])
打乱(只能打乱一维)：
>>> 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]]) >>> np.random.shuffle(a)>>> aarray([[9, 0], [1, 2], [7, 8], [5, 6], [3, 4]])
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：
>>> 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[:, 1:4]array([[ 2, 3, 4], [ 7, 8, 9], [12, 13, 14]])
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：
np.ceil(): 向上最接近的整数，参数是 number 或 arraynp.floor(): 向下最接近的整数，参数是 number 或 arraynp.rint(): 四舍五入，参数是 number 或 arraynp.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 arraynp.multiply(): 元素相乘，参数是 number 或 arraynp.divide(): 元素相除，参数是 number 或 arraynp.abs()：元素的绝对值，参数是 number 或 arraynp.where(condition, x, y): 三元运算符，x if condition else y>>> a = np.random.randn(3,4)>>> aarray([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837], [ 0.00701986, 1.65776152, 0.41319601, 0.41356973], [-0.32922342, 1.07773886, -0.27273258, 0.29474435]])>>> np.ceil(a) array([[ 1., 1., -0., -1.], [ 1., 2., 1., 1.], [-0., 2., -0., 1.]])>>> np.where(a>0, 10, 0)array([[10, 10, 0, 0], [10, 10, 10, 10], [ 0, 10, 0, 10]])
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：
np.any(): 至少有一个元素满足指定条件，返回Truenp.all(): 所有的元素满足指定条件，返回True>>> a = np.random.randn(2,3)>>> aarray([[-0.65750548, 2.24801371, -0.26593284], [ 0.31447911, -1.0215645 , -0.4984958 ]])>>> np.any(a>0)True>>> np.all(a>0)False
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，更多请关注其它相关文章！
莫找借口失败，只找理由成功。(不为失败找理由，要为成功找方法
