numpy是什么模块,Numpy模块的用途
本文主要介绍对python的numpy模块的第一次介绍。Numpy基于一种更现代的编程语言——python。python因其开源、免费、灵活、易学、良好的工程特性而风靡技术圈。它已经成为机器学习、数据分析等领域的主流编程语言。有需要的可以参考一下。
00-1010一、数组类型1.1数组类型的基本使用1.2高维数据的处理1.3Numpy创建特殊类型的数组类型1.3.1生成数组1.3.2np.arrange()和np.linspace()1.4Numpy基本计算演示二线性代数相关三、矩阵的高级函数——随机数矩阵四。总结Numpy是Numerical Python extensions的缩写,字面意思是Python数值计算扩展。Numpy是python中很多机器学习库的依赖,通过Numpy实现基本的矩阵计算。
Numpy支持高阶、大规模矩阵和向量计算,同时也提供了丰富的函数。此外,Numpy基于更现代的编程语言——python,因其开源、免费、灵活、易学、良好的工程特性而风靡技术圈,成为机器学习、数据分析等领域的主流编程语言。
本文主要带你大致了解一下python的numpy模块!
目录
Numpy的数组类型是库的基本数据类型。这种数据类型的字面意思是数组,这意味着它的关键属性是元素和维度。我们可以用这种数据类型来实现多维数组。
所以有了这个数据类型,我们就可以用一维数组来表示向量,二维数组来表示矩阵,以此类推来表示更高维的张量。
一、array类型
将numpy作为np导入
#通过np.array()方法创建一个名为array的数组类型,参数是一个列表
array=np.array([1,2,3,4])
打印(数组)
#结果是:[1 2 3 4]
#获取数组中元素的最大值
print(array.max())
#结果是:4
#获取数组中元素的最小值
print(array.min())
#结果是:1
#获取数组中元素的平均值
print(array.mean())
#结果是:2.5
#直接将数组乘以2,python将每个元素乘以2
打印(数组*2)
#结果是:[2 4 6 8]
打印(数组1)
#结果是:[2 3 4 5]
打印(数组/2)
#结果是:[0.5 1。1.5 2.]
#将每个元素除以2,得到用浮点数表示的结果。
打印(数组% 2)
#结果是:[1 0 1 0]
array_1=np.array([1,0,2,0])
#获取这组数据中元素值最大的数据的第一个索引,下标从0开始。
print(array_1.argmax())
#结果是:2
通过上面的代码,我们可以学习Numpy中数组类型的基本用法。
我们可以看到,array实际上是一个类,通过传入一个list参数实例化成一个对象,从而实现数据的封装。
1.1array类型的基本使用
将numpy作为np导入
#创建一个二维数组来表示一个3行2列的矩阵
array=np.array([[1,2],[3,4],[5,6]])
打印(数组)
#检查数据的维度属性。以下输出结果(3,2)表示3行2列。
打印(数组.形状)
#结果是:(3,2)
#检查元素的数量
print(array.size)
#结果是:6
#查看元素最大值的索引
print(array.argmax())
#结果是:5
#将shape (3,2)的数组转换为单线表示
打印(arra
y.flatten())
# 结果为:[1 2 3 4 5 6]
# 我们可以看到,flatten()方法是将多维数据“压平”为一维数组的过程
#将array数据从shape为(3,2)的形式转为(2,3)的形式
print(array.reshape(2, 3))
结果为:
[[1 2 3]
[4 5 6]]
#将array数据从shape为(3,2)的形式转为(1,6)的形式
print(array.reshape(1, 6))
# 结果为:[[1 2 3 4 5 6]]
高级一点的就是flatten()和reshape()函数了,需要注意下reshape()返回的结果是array类型
1.3Numpy创建特殊类型的array类型
1.3.1生成全为0或全为1的array
import numpy as np
注意:如果将(2,3,3)改为(3,3)
array_zeros = np.zeros((3, 3))print(array_zeros)'''结果为:[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]]'''
其生成的是3行3列的array
1.3.2np.arrange()和np.linspace()
arange([start,] stop[, step,], dtype=None, , like=None)
返回给定间隔内均匀分布的值。值在半开区间``[start, stop)``(换句话说,包括`start`但不包括`stop`的区间)内生成。对于整数参数,该函数等效于 Python 内置的 `range` 函数,但返回的是 ndarray 而不是列表。当使用非整数步长(例如 0.1)时,结果通常会不一致。对于这些情况,最好使用 `numpy.linspace`。
linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
在指定的时间间隔内返回均匀分布的数字。返回num个均匀分布的样本,在区间 [`start`, `stop`] 上计算。
start:序列的起始值。
stop:序列的结束值,除非 `endpoint` 设置为 False。在这种情况下,序列由除最后一个num + 1个均匀分布的样本之外的所有样本组成,因此排除了stop。请注意,当 `endpoint` 为 False 时,步长会发生变化。
num=50:要生成的样本数。默认值为 50。必须为非负数。
endpoint=True:如果为真,`stop` 是最后一个样本。否则,不包括在内。默认为真。
retstep=False:如果为 True,则返回 (`samples`, `step`),其中 `step` 是样本之间的间距。
dtype=None:输出数组的类型。如果 `dtype` 没有给出,数据类型是从 `start` 和 `stop` 推断出来的。推断的 dtype 永远不会是整数;即使参数会产生一个整数数组,也会选择`float`。
因此以下代码就很容易理解了
# 生成一个array,从0递增到10,步长为1
1.4Numpy基础计算演示
import numpy as np
二、线性代数相关
前面我们已经了解到array类型及其基本操作方法,了解array类型可以表示向量、矩阵和多维张量。
线性代数计算在科学计算领域中非常重要,因此接下来了解以下Numpy提供的线性代数操作
import numpy as np
三、矩阵的高级函数-随机数矩阵
Numpy除了为我们提供常规的数学计算函数和矩阵相关操作之外,还提供很多功能丰富的模块,随机数模块就是其中一部分。
利用随机数模块可以生成随机数矩阵,比python自带的随机数模块功能还要强大。
import numpy as np
四、总结
到此这篇关于初识python的numpy模块的文章就介绍到这了,更多相关pythonnumpy模块内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!
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。