python numpy的简单用法汇总

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.dtype dtype('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) >>> a array([ 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) >>> a array([1, 2, 3, 4, 5]) >>> a + a array([ 2,  4,  6,  8, 10]) >>> a * a array([ 1,  4,  9, 16, 25]) >>> a - 2 array([-1,  0,  1,  2,  3]) >>> a / 2 array([ 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) >>> a array([[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) >>> a array([[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) >>> a array([[1, 2],        [3, 4],        [5, 6],        [7, 8],        [9, 0]])         >>> np.random.shuffle(a) >>> a array([[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)) >>> a array([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) >>> a array([[ 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) >>> a array([[ 1,  2,  3,  4,  5],        [ 6,  7,  8,  9,  0],        [11, 12, 13, 14, 15]])         >>> a > 5 array([[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 == 0 Out[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 array np.floor(): 向下最接近的整数，参数是 number 或 array np.rint(): 四舍五入，参数是 number 或 array np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array np.multiply(): 元素相乘，参数是 number 或 array np.divide(): 元素相除，参数是 number 或 array np.abs()：元素的绝对值，参数是 number 或 array np.where(condition, x, y): 三元运算符，x if condition else y >>> a = np.random.randn(3,4) >>> a array([[ 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 array np.max():所有元素的最大值 np.min():所有元素的最小值，参数是 number 或 array np.std()：所有元素的标准差 np.var():所有元素的方差，参数是 number 或 array np.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 array np.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() >>> a array([[ 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True np.all(): 所有的元素满足指定条件，返回True >>> a = np.random.randn(2,3) >>> a array([[-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]]) >>> a array([[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，更多内容请关注技术你好其它相关文章！