numpy数组取值,在numpy中可以使用数组对象执行一些科学计算

  numpy数组取值,在numpy中可以使用数组对象执行一些科学计算

  

  1. 简介

  NumPy(数值Python)是Python语言的扩展库,支持大量的维数组和矩阵运算,同时也提供了大量的数组运算的数学函数库。主要的数据结构是ndarray数组。

  NumPy通常与SciPy(科学Python)和Matplotlib(绘图库)一起使用。这种组合被广泛用于替代MatLab。

  SciPy是一个开源的Python算法库和数学工具包。SciPy包含最优化、线性代数、积分、插值、特殊函数、快速傅立叶变换、信号处理与图像处理、常微分方程求解等模块以及其他科学与工程中常用的计算。

  Matplotlib是Python编程语言及其数值数学扩展包NumPy的可视化接口。

  2. 创建

  创建一维数组

  (1)直接创建:np.array([1,2,3,4,5,6])

  (2)从python的list: np.array(list([1,2,3,4,5,6]))构建

  创建具有常量值的一维数据。

  (1)创建一个常数值0: np.zeros(n,dytpe=float/int)

  (2)创建一个常量值1: np.ones(n)

  (3)创建一个空数组:np.empty(4)

  创建一个元素递增的数组。

  (1)从0: np.arange(8)开始增长的增量数组

  (2)给定区间,用户自定义步长:np.arange(0,1,0.2)

  (3)给定区间,自定义个数:np.linspace(-1,1,50)

  创建多维数组:创建一维数组,然后将其添加到多维数组中。

  #无论数组中间存储了多少层数据,数组的结构都必须是np.array([])。

  #二维数组相当于“两层”数组。

  arr1=np.array(list([1,2,3,4,5])

  ARR2=NP。Array ([ARR1,[1,0,0,1,0]]) # 2 * 5二维数组

  Arr3=NP。array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])的二维数组# 3 * 5

  Arr x=np.array ([arr1,list ([1,2,3,4,5],[1,1,1,0,0])#错误报告

  Arry=np.array ([list ([[1,2,3,7,11],[2,3,4,5,6]]),[1,2,3,4,5]]) #错误报告相关建议:《python视频教程》

  创建具有常数值的(n*m)维数据

  (1)创建一个常数值0: np.zeros((n*m),dytpe=float/int)

  (2)创建一个常数值1: np.ones((n*m))

  (3)创建一个空数组:np.empty((n*m))

  创建一个随机数数组

  生成随机数种子:

  (1)np.random.seed()

  (2)np.random.RandomState()

  生成随机数:

  生成规则分布的随机数组

  (1)二项分布:np.random.binomial(n,p,size)

  (2)正态分布:np.random.normal(位置,规模,大小)

  将csv文件转换为数组或数组。

  用NP。GenFromtXT (CSV文件名,分隔符=文件中的分隔符)函数将文件转换为数组。

  CSV _ array=NP . genfromtxt( sample . CSV ,分隔符=,)

  打印(CSV _ array)3. 数组的变形

  生成数组/矩阵转置的函数,即行列数字交换,使用。T.

  a=np.array([[32,15,6,9,14],

  [12, 10, 5, 23, 1],

  [2, 16, 13, 40, 37]])

  印刷

  -

  #结果如下

  [[32 12 2]

  [15 10 16]

  [ 6 5 13]

  [ 9 23 40]

  [14 1 37]]更改数组的形状:

  (1) arrresize (n,m):arr。resize (n,m)函数就地修改数组,并要求元素的数量必须一致。

  a=np.arange(8)

  a.resize(2,4)

  print(a)

  ---------------------------

  [[0 1 2 3]

   [4 5 6 7]](2)arr.reshape(n,m):如果某一个维度的参数为-1,则表示元素总个数会迁就另一个维度来计算

  

a=np.arange(8).reshape(-1,1)

将一维升至二维:np.newaxis

 

  np.newaxis实际上是直接增加维度的意思,我们一般不会给数组增加太多维度,这里以一维增加到二维为例:

  (1)增加行维度:arr[np.newaxis, :]

  (2)增加列维度:arr[: , np.newaxis]

  

a=np.arange(8)

降维:arr.ravel()

 

  arr.ravel()函数在降维时:默认是行序优先生成新数组(就是一行行读);如果传入参数“F”则是列序降维生成新数组

  

a=np.array([[1,2],[3,4]])

4. 计算

 

   对数组进行计算操作

  (1)对元素进行加减计算

  

a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

(2)乘法:平方/矩阵中元素相乘

 

  

a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])

(3)矩阵*矩阵:

 

  

# 要求a矩阵的行要等于b矩阵的列数;且a矩阵的列等于b矩阵的行数

(4)逻辑计算

 

  【注】列表是无法作为一个整体对其中的各个元素进行逻辑判断的!

  

# 结果返回:一个数组,其中每个元素根据逻辑判断的布尔类型的结果

5. 取值

 

   获取一维数组中的某个元素:操作和list列表的index一样

  

a = np.array([5, 2, 7, 0, 11])

获取多维数组的某个元素,某行或列值

 

  

a = np.array([[32, 15, 6, 9, 14],

获取满足逻辑运算的

 

  

# 需要注意的是,我们数据进行逻辑计算操作得到的仍然是一个数组

遍历:结果是按行输出

 

  

a = np.array([[32, 15, 6, 9, 14],

6. 复制/分割/合并

 

   复制:arr.cope()

   分割:

  (1)等分:np.split(arr, n, axis=0/1)(即行数或列数可以整除n时才可以)

  (2)不等分:np.array_split(arr, n) 默认按行分n份

  

a = np.array([[32, 15, 6, 9, 14, 21],


 

  合并:np.concatenate((arr1,arr2,arr3), axis=0/1) 默认接在数据下面

  

a=np.random.rand(2,3)

以上就是Python Numpy库对数组的操作详解的详细内容,更多请关注盛行IT软件开发工作室其它相关文章!

 

  

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: