Python基礎(chǔ)之numpy庫的使用

更新時(shí)間：2021年04月29日 08:43:42 作者：省級干飯王

這篇文章主要介紹了Python基礎(chǔ)之numpy庫的使用,文中有非常詳細(xì)的代碼示例,對正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有非常好的幫助,需要的朋友可以參考下

numpy庫概述

numpy庫處理的最基礎(chǔ)數(shù)據(jù)類型是由同種元素構(gòu)成的多維數(shù)組，簡稱為“數(shù)組”

數(shù)組的特點(diǎn)：

數(shù)組中所有元素的類型必須相同
數(shù)組中元素可以用整數(shù)索引
序號從0開始

ndarray類型的維度叫做軸，軸的個(gè)數(shù)叫做秩

numpy庫的解析

由于numpy庫中函數(shù)較多而且容易與常用命名混淆，建議采用如下方法引用numpy庫

import numpy as np

numpy庫中常用的創(chuàng)建數(shù)組函數(shù)

函數(shù)	描述
np.array([x,y,z],dtype=int)	從Python列表和元組中創(chuàng)建數(shù)組
np.arange(x,y,i)	創(chuàng)建一個(gè)由x到y(tǒng)，以i為步長的數(shù)組
np.linspace(x,y,n)	創(chuàng)建一個(gè)由x到y(tǒng)，等分成n個(gè)元素的數(shù)組
np.indices((m,n))	創(chuàng)建一個(gè)m行n列的矩陣
np.random.rand(m,n)	創(chuàng)建一個(gè)m行n列的隨機(jī)數(shù)組
np.ones((m,n),dtype)	創(chuàng)建一個(gè)m行n列全1的數(shù)組，dtype是數(shù)據(jù)類型
np.empty((m,n),dtype)	創(chuàng)建一個(gè)m行n列全0的數(shù)組，dtype是數(shù)據(jù)類型

import numpy as np
a1 = np.array([1,2,3,4,5,6])
a2 = np.arange(1,10,3)
a3 = np.linspace(1,10,3)
a4 = np.indices((3,4))
a5 = np.random.rand(3,4)
a6 = np.ones((3,4),int)
a7 = np.empty((3,4),int)
print(a1)
print("===========================================================")
print(a2)
print("===========================================================")
print(a3)
print("===========================================================")
print(a4)
print("===========================================================")
print(a5)
print("===========================================================")
print(a6)
print("===========================================================")
print(a7)
=================================================================================
[1 2 3 4 5 6]
===========================================================
[1 4 7]
===========================================================
[ 1.   5.5 10. ]
===========================================================
[[[0 0 0 0]
  [1 1 1 1]
  [2 2 2 2]]

 [[0 1 2 3]
  [0 1 2 3]
  [0 1 2 3]]]
===========================================================
[[0.00948155 0.7145306  0.50490391 0.69827703]
 [0.18164292 0.78440752 0.75091258 0.31184394]
 [0.17199081 0.3789     0.69886588 0.0476422 ]]
===========================================================
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
===========================================================
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]

在建立一個(gè)簡單的數(shù)組后，可以查看數(shù)組的屬性

屬性	描述
ndarray.ndim	數(shù)組軸的個(gè)數(shù)，也被稱為秩
ndarray.shape	數(shù)組在每個(gè)維度上大小的整數(shù)元組
ndarray.size	數(shù)組元素的總個(gè)數(shù)
ndarray.dtype	數(shù)組元素的數(shù)據(jù)類型，dtype類型可以用于創(chuàng)建數(shù)組
ndarray.itemsize	數(shù)組中每個(gè)元素的字節(jié)大小
ndarray.data	包含實(shí)際數(shù)組元素的緩沖區(qū)地址
ndarray.flat	數(shù)組元素的迭代器

import numpy as np
a6 = np.ones((3,4),int)
print(a6)
print("=========================================")
print(a6.ndim)
print("=========================================")
print(a6.shape)
print("=========================================")
print(a6.size)
print("=========================================")
print(a6.dtype)
print("=========================================")
print(a6.itemsize)
print("=========================================")
print(a6.data)
print("=========================================")
print(a6.flat)
=================================================================================
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
=========================================
2
=========================================
(3, 4)
=========================================
12
=========================================
int32
=========================================
4
=========================================
<memory at 0x0000020D79545908>
=========================================
<numpy.flatiter object at 0x0000020D103B1180>

數(shù)組在numpy中被當(dāng)做對象，可以采用< a >.< b >()方式調(diào)用一些方法。

ndarray類的形態(tài)操作方法

方法	描述
ndarray.reshape(n,m)	不改變數(shù)組ndarray，返回一個(gè)維度為（n,m）的數(shù)組
ndarray.resize(new_shape)	與reshape（）作用相同，直接修改數(shù)組ndarray
ndarray.swapaxes(ax1,ax2)	將數(shù)組n個(gè)維度中任意兩個(gè)維度進(jìn)行調(diào)換
ndarray.flatten()	對數(shù)組進(jìn)行降維，返回一個(gè)折疊后的一維數(shù)組
ndarray.ravel()	作用同np.flatten（），但返回的是一個(gè)視圖

ndarray類的索引和切片方法

方法	描述
x[i]	索引第i個(gè)元素
x[-i]	從后向前索引第i個(gè)元素
x[n:m]	默認(rèn)步長為1，從前向后索引，不包含m
x[-m:-n]	默認(rèn)步長為1，從前向后索引，結(jié)束位置為n
x[n: m :i]	指定i步長的由n到m的索引

除了ndarray類型方法外，numpy庫提供了一匹運(yùn)算函數(shù)

函數(shù)	描述
np.add(x1,x2[,y])	y = x1 + x2
np.subtract(x1,x2[,y])	y = x1 -x2
np.multiply(x1,x2[,y])	y = x1 * x2
np.divide(x1,x2[,y])	y = x1 /x2
np floor_divide(x1,x2[,y])	y = x1 // x2
np.negative(x[,y])	y = -x
np.power(x1,x2[,y])	y = x1 ** x2
np.remainder(x1,x2[,y])	y = x1 % x2

numpy庫的比較運(yùn)算函數(shù)

函數(shù)	符號描述
np.equal(x1,x2[,y])	y = x1 == x2
np.not_equal(x1,x2[,y])	y = x1 != x2
np.less(x1,x2,[,y])	y = x1 < x2
np.less_equal(x1,x2,[,y])	y = x1 < = x2
np.greater(x1,x2,[,y])	y = x1 > x2
np.greater_equal(x1,x2,[,y])	y >= x1 >= x2
np.where(condition[x,y])	根據(jù)條件判斷是輸出x還是y

numpy庫的其他運(yùn)算函數(shù)

函數(shù)	描述
np.abs(x)	計(jì)算濟(jì)源元素的整形、浮點(diǎn)、或復(fù)數(shù)的絕對值
np.sqrt(x)	計(jì)算每個(gè)元素的平方根
np.squre(x)	計(jì)算每個(gè)元素的平方
np.sign(x)	計(jì)算每個(gè)元素的符號1（+），0，-1（-）
np.ceil(x)	計(jì)算大于或等于每個(gè)元素的最小值
np.floor(x)	計(jì)算小于或等于每個(gè)元素的最大值
np.rint(x[,out])	圓整，取每個(gè)元素為最近的整數(shù)，保留數(shù)據(jù)類型
np.exp(x[,out])	計(jì)算每個(gè)元素的指數(shù)值
np.log(x),np.log10(x),np.log2(x)	計(jì)算自然對數(shù)（e），基于10，,2的對數(shù)，log（1+x）