发布于2020-02-28 12:30 阅读(1314) 评论(0) 点赞(11) 收藏(3)
NumPy 最重要的一个特点是其 N 维数组对象 ndarray,它是一系列同类型数据的集合,以 0 下标为开始进行集合中元素的索引。
ndarray 对象是用于存放同类型元素的多维数组。
import numpy as np
a = np.array([1,2,3])
print(a)
[1,2,3]
#多于一个维度
import unmpy as np
a = np.array([1,2],[1,3]) #二维数据
print(a)
[[1,2]
[1,3]]
属性 | 说明 |
---|---|
ndarray.ndim | 秩,即轴的数量或维度的数量 |
ndarray.shape | 数组的维度,对于矩阵,n 行 m 列 |
ndarray.size | 数组元素的总个数,相当于 .shape 中 n*m 的值 |
ndarray.dtype | ndarray 对象的元素类型 |
ndarray.itemsize | ndarray 对象中每个元素的大小,以字节为单位 |
ndarray.flags | ndarray 对象的内存信息 |
ndarray.real | ndarray元素的实部 |
ndarray.imag | ndarray 元素的虚部 |
ndarray.data | 包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。 |
#创建一个空数组的实例
import numpy as np
x = np.empty([2,3],dtype = int)
print(x)
[[1 1 2]
[2 3 4]]
#创建一个数组实例,其中元素以0填充
import numpy as np
x = np.zeros([2,3])
print(x)
[[0. 0. 0.]
[0. 0. 0.]]
#创建一个数组实例,其中元素以1填充
import numpy as np
x = np.ones([2,3])
print(x)
[[1. 1. 1.]
[1. 1. 1.]]
# list转换为 ndarray
l = range(10)
data = np.array(l)
print(data)
print(data.shape)
print(data.ndim)
[0 1 2 3 4 5 6 7 8 9]
(10,)
1
# 嵌套序列转换为ndarray
l2 = [range(10), range(10)]
data = np.array(l2)
print(data)
print(data.shape)
[[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]]
(2, 10)
np.random.rand()函数
作用:通过本函数可以返回一个或一组服从“0-1”均匀分布的数据。
import numpy as np
# 生成指定维度的随机多维数据
data = np.random.rand()
print(data)
print(type(data))
0.8164510664879122
<class 'float'>
import numpy as np
# 生成指定维度的随机多维数据
data = np.random.rand(2, 3)
print(data)
print(type(data))
[[0.3834627 0.11633125 0.98979391]
[0.35650222 0.02752549 0.87563275]]
<class 'numpy.ndarray'>
zeros_float_arr = np.zeros((3, 4), dtype=np.float64)
print(zeros_float_arr)
print(zeros_float_arr.dtype)
# astype转换数据类型
zeros_int_arr = zeros_float_arr.astype(np.int32)
print(zeros_int_arr)
print(zeros_int_arr.dtype)
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
float64
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
int32
# 矢量与矢量运算
arr = np.array([[1, 2, 3],
[4, 5, 6]])
print("元素相乘:")
print(arr * arr)
print("矩阵相加:")
print(arr + arr)
元素相乘:
[[ 1 4 9]
[16 25 36]]
矩阵相加:
[[ 2 4 6]
[ 8 10 12]]
# 矢量与标量运算
print(1. / arr)
print(2. * arr)
[[1. 0.5 0.33333333]
[0.25 0.2 0.16666667]]
[[ 2. 4. 6.]
[ 8. 10. 12.]
# 一维数组
arr1 = np.arange(10)
print(arr1)
print(arr1[2:5]) #切片[2,5)
[0 1 2 3 4 5 6 7 8 9]
[2 3 4]
# 多维数组
arr2 = np.arange(12).reshape(3,4)
print(np.arange(12))
print(arr2)
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
print(arr2[1]) #取第1行数据,(存在第0行)
print(arr2[0:2, 2:]) #取0-1行,2-末尾列的数据
print(arr2[:, 1:3]) #取全部行,1-2列的数据
[4 5 6 7]
[[2 3]
[6 7]]
[[ 1 2]
[ 5 6]
[ 9 10]]
# 条件索引
# 找出 data_arr 中 2015年后的数据
data_arr = np.random.rand(3,3)
print(data_arr)
year_arr = np.array([[2000, 2001, 2000],
[2005, 2002, 2009],
[2001, 2003, 2010]])
filtered_arr = data_arr[year_arr >= 2005]
print(filtered_arr)
[[0.84587509 0.7485721 0.61392901]
[0.118426 0.15692613 0.86559822]
[0.61684712 0.67559627 0.31855494]]
[0.118426 0.86559822 0.31855494]
# 多个条件
filtered_arr = data_arr[(year_arr <= 2005) & (year_arr % 2 == 0)]
print(filtered_arr)
[0.84587509 0.61392901 0.15692613]
arr = np.random.rand(2,3)
print(arr)
print(arr.transpose())
[[0.81454632 0.7357219 0.43998078]
[0.85256044 0.91261496 0.70490475]]
[[0.81454632 0.85256044]
[0.7357219 0.91261496]
[0.43998078 0.70490475]]
arr3d = np.random.rand(2,3,4)
print(arr3d)
print('----------------------')
print(arr3d.transpose((1,0,2)))
[[[0.3221933 0.66916063 0.38713802 0.03937986]
[0.8930608 0.58292639 0.95851847 0.17588468]
[0.87014127 0.6041179 0.71681229 0.04025543]]
[[0.11391907 0.30528464 0.9571304 0.71312335]
[0.40288582 0.23945186 0.13195369 0.18153335]
[0.92385385 0.96543161 0.06831338 0.76078227]]]
----------------------
[[[0.3221933 0.66916063 0.38713802 0.03937986]
[0.11391907 0.30528464 0.9571304 0.71312335]]
[[0.8930608 0.58292639 0.95851847 0.17588468]
[0.40288582 0.23945186 0.13195369 0.18153335]]
[[0.87014127 0.6041179 0.71681229 0.04025543]
[0.92385385 0.96543161 0.06831338 0.76078227]]]
arr = np.random.randn(2,3)
print(arr)
print(np.ceil(arr))
print(np.floor(arr))
print(np.rint(arr))
print(np.isnan(arr))
[[ 0.63941681 -0.27338822 0.15902722]
[-0.83531407 1.09764427 0.76000751]]
[[ 1. -0. 1.]
[-0. 2. 1.]]
[[ 0. -1. 0.]
[-1. 1. 0.]]
[[ 1. -0. 0.]
[-1. 1. 1.]]
[[False False False]
[False False False]]
arr = np.random.randn(3,4)
print(arr)
#where(condition, x, y): 三元运算符,x if condition else y
np.where(arr > 0, 1, -1)
[[-1.04549869 0.4085667 0.73696674 0.20716031]
[-0.75462574 0.03474542 1.13410717 1.47171852]
[-0.08352274 -1.21116792 -0.66311012 0.00554979]]
array([[-1, 1, 1, 1],
[-1, 1, 1, 1],
[-1, -1, -1, 1]])
arr = np.arange(10).reshape(5,2)
print(arr)
print(np.sum(arr))
print(np.sum(arr, axis=0)) #按列计算
print(np.sum(arr, axis=1)) #按行计算
[[0 1]
[2 3]
[4 5]
[6 7]
[8 9]]
45
[20 25]
[ 1 5 9 13 17]
arr = np.random.randn(2,3)
print(arr)
print(np.any(arr > 0))
print(np.all(arr > 0))
[[-1.4396649 -1.70051252 0.03369428]
[-0.36154238 -0.00512846 -1.94241229]]
True
False
arr = np.array([[1, 8, 1], [2, 3, 4]])
print(arr)
print(np.unique(arr))
[[1 8 1]
[2 3 4]]
[1 2 3 4 8]
作者:我想打人
链接:https://www.pythonheidong.com/blog/article/235899/dd08d844334ea47cae89/
来源:python黑洞网
任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任
昵称:
评论内容:(最多支持255个字符)
---无人问津也好,技不如人也罢,你都要试着安静下来,去做自己该做的事,而不是让内心的烦躁、焦虑,坏掉你本来就不多的热情和定力
Copyright © 2018-2021 python黑洞网 All Rights Reserved 版权所有,并保留所有权利。 京ICP备18063182号-1
投诉与举报,广告合作请联系vgs_info@163.com或QQ3083709327
免责声明:网站文章均由用户上传,仅供读者学习交流使用,禁止用做商业用途。若文章涉及色情,反动,侵权等违法信息,请向我们举报,一经核实我们会立即删除!