Python中Numpy库的详细讲解-创新互联

本篇内容介绍了“Python中Numpy库的详细讲解”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!

为武冈等地区用户提供了全套网页设计制作服务,及武冈网站建设行业解决方案。主营业务为成都做网站、网站建设、武冈网站设计,以传统方式定制建设网站,并提供域名空间备案等一条龙服务,秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求,就会得到认可,从而选择与我们长期合作。这样,我们也可以走得更远!

首先得了解下什么是Numpy,从我的印象中,一般提到这个工具都会和机器学习关联起来了。当然和实际的理解又很多的差距。

简单来说,Python本身不是设计为科学计算的语言,但是Python随着使用的普及和大量的扩展,这方面的需求会越来越大,于是有了Numpy来作为补充。

下载Numpy可以使用pip,一个命令即可搞定pip install numpy,大概10多M

Numpy相比TensorFlow的环境搭建要容易多了,校验的方式也很简单,import即可。

>>> import numpy

如果要查看版本可以使用如下的方式。

>>> numpy.version.full_version

'1.13.3'

>>>

当然我们可以指定别名,使用起来更简便一些,我们后续的测试都是这么玩。

>>> import numpy as np

>>> np.version.full_version

'1.13.3'

我们先来热热身。

得到一个范围10以内的整数串,确切的说是数组。

>>> a = np.arange(10)

>>> print a

[0 1 2 3 4 5 6 7 8 9]

打印出来看是数组了

>>> type(a)

然后我们变个花样,把这个数组改造成一个2部分,每一部分是5个。

>>> a = a.reshape(2,5)

>>> print a

[[0 1 2 3 4]

[5 6 7 8 9]]

可以继续重构,重构成20个元素,然后分成4部分,每个部分就是5个元素

>>> a = np.arange(20)

>>> a = a.reshape(4,5)

>>> print a

[[ 0 1 2 3 4]

[ 5 6 7 8 9]

[10 11 12 13 14]

[15 16 17 18 19]]

还可以构造高维的数组,比如下面这样。

>>> a = a.reshape(2,2,5)

>>> print a

[[[ 0 1 2 3 4]

[ 5 6 7 8 9]]

[[10 11 12 13 14]

[15 16 17 18 19]]]

>>>

如果输入(2,2,6)就不可以了,明显的2*2*6=24,已经溢出了。

>>> a = a.reshape(2,2,6)

Traceback (most recent call last):

File "", line 1, in

ValueError: cannot reshape array of size 20 into shape (2,2,6)

>>>

我们得到数组的维度

>>> a.ndim

3

得到数组各维度的大小

>>> a.shape

(2L, 2L, 5L)

查看数组的元素个数

>>> a.size

20

然后我们创建数组,可以转换列表来得到,

>>> raw = [0,1,2,3,4]

>>> a = np.array(raw)

>>> a

array([0, 1, 2, 3, 4])

>>> print a

[0 1 2 3 4]

换个略微复杂的,也是一样的操作。

>>> raw = [[0,1,2,3,4],[5,6,7,8,9]]

>>> b = np.array(raw)

>>> b

array([[0, 1, 2, 3, 4],

[5, 6, 7, 8, 9]])

>>>

如果要得到显示为0的数组,可以使用这种方式zeros

>>> d = (4,5)

>>> np.zeros(d)

array([[ 0., 0., 0., 0., 0.],

[ 0., 0., 0., 0., 0.],

[ 0., 0., 0., 0., 0.],

[ 0., 0., 0., 0., 0.]])

当然效果不理想都显示了小数点,可以格式化,改成整型

>>> np.ones(d,dtype=int)

array([[1, 1, 1, 1, 1],

[1, 1, 1, 1, 1],

[1, 1, 1, 1, 1],

[1, 1, 1, 1, 1]])

得到随机数,一口气生成5个。

>>> np.random.rand(5)

array([ 0.61643689, 0.15915655, 0.20558268, 0.75157157, 0.50395262])

按照这个思路,随机生成100个也是秒级。

再来看看数组运算

这个部分就逐渐显示出优势了,可以支持计算。

>>> a = np.array([[1,2],[2,5]])

>>> print a

[[1 2]

[2 5]]

>>> b = np.array([[2,3],[5,8]])

>>> print a+b

[[ 3 5]

[ 7 13]]

得到一些大值,最小值。

>>> a = np.arange(20).reshape(4,5)

>>> print a

[[ 0 1 2 3 4]

[ 5 6 7 8 9]

[10 11 12 13 14]

[15 16 17 18 19]]

>>> print str(a.sum())

190

>>> print str(a.max())

19

>>> print str(a.min())

0

>>> print str(a.max(axis=1))

[ 4 9 14 19]

>>>

可以很容易的变换。

>>> b = np.arange(2,45,3).reshape(5,3)

>>> b = np.mat(b)

>>> print b

[[ 2 5 8]

[11 14 17]

[20 23 26]

[29 32 35]

[38 41 44]]

如果大的数是2,从0开始,取5个数是这样的写法

>>> np.linspace(0,2,5)

array([ 0. , 0.5, 1. , 1.5, 2. ])

如果是9个数,则是如下的方式。

>>> np.linspace(0,2,9)

array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])

>>>

>>> a = np.array([[3,2],[5,9]])

>>> print a[0][1]

2

>>> print a[1][0]

5

>>> print a[1,0]

5

>>> b = a

>>> a[0][1]=100

>>> print a

[[ 3 100]

[ 5 9]]

>>> print b

[[ 3 100]

[ 5 9]]

上面的结果看起来有些奇怪,其实问题的原因是:Python不是真正将a复制一份给b,而是将b指到了a对应数据的内存地址上。

可以使用copy来规避。

>>> a = np.array([[3,2],[5,9]])

>>> b = a.copy()

>>> a[0][1] = 100

>>> print a

[[ 3 100]

[ 5 9]]

>>> print b

[[3 2]

[5 9]]

指定列

>>> a = np.arange(20).reshape(4,5)

>>> print a

[[ 0 1 2 3 4]

[ 5 6 7 8 9]

[10 11 12 13 14]

[15 16 17 18 19]]

>>> print a[:,[1,3]]

[[ 1 3]

[ 6 8]

[11 13]

[16 18]]

按列拼接两个向量成一个矩阵:

>>> a = np.array((1,2,3))

>>> b = np.array((2,3,4))

>>> print np.column_stack((a,b))

[[1 2]

[2 3]

[3 4]]

“Python中Numpy库的详细讲解”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联-成都网站建设公司网站,小编将为大家输出更多高质量的实用文章!


网站题目:Python中Numpy库的详细讲解-创新互联
网站地址:http://myzitong.com/article/cogejh.html