Pythonnumpy的基础知识介绍
这篇文章主要讲解了“Python numpy的基础知识介绍”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“Python numpy的基础知识介绍”吧!
我们提供的服务有:成都网站建设、网站建设、微信公众号开发、网站优化、网站认证、菏泽ssl等。为上1000+企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务,是有科学管理、有技术的菏泽网站制作公司
1.基础知识
NumPy的主要对象是多维数组。它是由相同元素(通常是数字)组成的,通过正整数元组(tuple)作为索引的表格。
在数组中,纬度(dimensional)被称为轴(axis),轴的数量被称为级(rank),如下面这个数组,它有两个轴(axis),第一个纬度(dimension,或者称为轴axis)长度为2(既纵向),第二个纬度长度为三(既横向)。
[[ 1., 0., 0.], [ 0., 1., 2.]]
Numpy的数组类被称为ndarray,别名array。要注意numpy.array并不等同于Python标准库中的array.array,标准库中的array只提供了一维数组还有很少的函数。
1.1 数组的属性
ndarray对象的主要属性有:
ndarray.ndim 纬度或者轴的数量
ndarray.shape 数组的每个纬度的尺寸
ndarray.size 数组元素的总个数
ndarray.dtype 数组元素的类型
ndarray.itemsize 数组元素二进制的大小
ndarray.data 数组元素容器(不常用)
>>> import numpy as np >>> a = np.arange(15).reshape(3, 5) >>> a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) >>> a.shape (3, 5) >>> a.ndim2>>> a.dtype.name'int64'>>> a.itemsize8>>> a.size15>>> type(a)>>> b = np.array([6, 7, 8]) >>> b array([6, 7, 8]) >>> type(b)
1.2 创建数组
通过列表(list)或者元组(tuple)和array()函数来建立数组。元素的类型会依据序列中元素的类型来判定。
>>> import numpy as np>>> a = np.array([2,3,4])>>> a array([2, 3, 4])>>> a.dtype dtype('int64')>>> b = np.array([1.2, 3.5, 5.1])>>> b.dtype dtype('float64')
数组将会把序列的序列转换为二维数组,将序列的序列的序列转化为三维数组。
>>> b = np.array([(1.5,2,3), (4,5,6)]) >>> b array([[ 1.5, 2. , 3. ], [ 4. , 5. , 6. ]])
可以提前设置数组的类型
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex ) >>> c array([[ 1.+0.j, 2.+0.j], [ 3.+0.j, 4.+0.j]])
NumPy提供了创建包含占位符的数组的函数,这样就可以初始化内容不先预先确定的数组。
>>> np.zeros( (3,4) ) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) >>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified array([[[ 1, 1, 1, 1], [ 1, 1, 1, 1], [ 1, 1, 1, 1]],[[ 1, 1, 1, 1], [ 1, 1, 1, 1], [ 1, 1, 1, 1]]], dtype=int16) >>> np.empty( (2,3) ) # uninitialized, output may vary array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260], [ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
NumPy提供了和range()类似的函数arange()来直接创建序列数组。
>>> np.arange( 10, 30, 5 )array([10, 15, 20, 25]) >>> np.arange( 0, 2, 0.3 ) # it accepts float argumentsarray([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
类似的我们还可以使用linspace()函数来创建,注意参数的不同之处
>>> from numpy import pi>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])>>> x = np.linspace
1.3 打印数组
打印数组遵循以下三个规律:
1)最后一个轴是从左往右打印
2)倒数第二个轴是从上往下打印
3)剩下的轴也是从上到下,每个片段会用空白的行隔开
>>> a = np.arange(6) # 1d array >>> print(a) [0 1 2 3 4 5] >>> >>> b = np.arange(12).reshape(4,3) # 2d array >>> print(b)[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]>>> >>> c = np.arange(24).reshape(2,3,4) # 3d array >>> print(c)[[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]][[12 13 14 15] [16 17 18 19] [20 21 22 23]]]
如果数组太大,那么NumPy会跳过中间的数据,如果不想着这样需要设置打印选项
>>> np.set_printoptions(threshold='nan')
1.4 基本操作
算数运算会被作用在元素对元素。结果会输出为新的数组。
>>> a = np.array( [20,30,40,50] )>>> b = np.arange( 4 )>>> b array([0, 1, 2, 3])>>> c = a-b>>> c array([20, 29, 38, 47])>>> b**2array([0, 1, 4, 9])>>> 10*np.sin(a) array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])>>> a<35array([ True, True, False, False], dtype=bool)
不同于其他语言的矩阵运算,积运算符(*)也是元素对元素,如果想进行矩阵积运算则需要使用dot()函数:
>>> A = np.array( [[1,1], ... [0,1]] ) >>> B = np.array( [[2,0], ... [3,4]] ) >>> A*B # elementwise product array([[2, 0], [0, 4]]) >>> A.dot(B) # matrix product array([[5, 4], [3, 4]]) >>> np.dot(A, B) # another matrix product array([[5, 4], [3, 4]])
一些运算,比如+=,*=会对本身进行更改,而不会产生新数组:
>>> a = np.ones((2,3), dtype=int) >>> b = np.random.random((2,3)) >>> a *= 3>>> a array([[3, 3, 3], [3, 3, 3]]) >>> b += a >>> b array([[ 3.417022 , 3.72032449, 3.00011437], [ 3.30233257, 3.14675589, 3.09233859]])
当两种不同类型的数组进行运算时,结果将会和更一般的或者精确度更高的数组保持一致。
>>> a = np.ones(3, dtype=np.int32)>>> b = np.linspace(0,pi,3)>>> b.dtype.name'float64'>>> c = a+b>>> c array([ 1. , 2.57079633, 4.14159265])>>> c.dtype.name'float64'>>> d = np.exp(c*1j)>>> d array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j, -0.54030231-0.84147098j])>>> d.dtype.name'complex128'
ndarray也可以进行一元运算:
>>> a = np.random.random((2,3)) >>> a array([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]]) >>> a.sum()2.5718191614547998>>> a.min()0.1862602113776709>>> a.max()0.6852195003967595
默认情况下,这些运算会把整个数组当成一个list,而忽略了它的纬度。但是,你可以指定轴(axis)。
>>> b = np.arange(12).reshape(3,4) >>> b array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> >>> b.sum(axis=0) # sum of each column array([12, 15, 18, 21]) >>> >>> b.min(axis=1) # min of each row array([0, 4, 8]) >>> >>> b.cumsum(axis=1) # cumulative sum along each row array([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])
1.5 通用函数
NumPy提供了常用的数学函数比如sin、cos、exp,运算后将会返回数组。
>>> B = np.arange(3) >>> Barray([0, 1, 2]) >>> np.exp(B) array([ 1. , 2.71828183, 7.3890561 ]) >>> np.sqrt(B) >array([ 0. , 1. , 1.41421356]) >>> C = np.array([2., -1., 4.]) >>> np.add(B, C) array([ 2., 0., 6.])
1.6 索引、切片和迭代
一维数组的操作就像list等其他的python序列一样。
>>> a = np.arange(10)**3>>> a array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2]8>>> a[2:5] array([ 8, 27, 64]) >>> a[:6:2] = -1000 # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every >>> aarray([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729]) >>> a[ : :-1] # reversed aarray([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000]) >>> for i in a:... print(i**(1/3.))...nan1.0nan3.0nan5.06.07.08.09.0
多维数组可以通过不同轴进行索引。
>>> def f(x,y): ... return 10*x+y ... >>> b = np.fromfunction(f,(5,4),dtype=int) >>> b array([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]]) >>> b[2,3]23>>> b[0:5, 1] # each row in the second column of b array([ 1, 11, 21, 31, 41]) >>> b[ : ,1] # equivalent to the previous example array([ 1, 11, 21, 31, 41]) >>> b[1:3, : ] # each column in the second and third row of b array([[10, 11, 12, 13], [20, 21, 22, 23]])
迭代器:
>>> for row in b:... print(row)...[0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]
如果想迭代出每一个元素,则可以使用flat属性:
>>> for element in b.flat:... print(element)...012310111213202122233031323340414243
感谢各位的阅读,以上就是“Python numpy的基础知识介绍”的内容了,经过本文的学习后,相信大家对Python numpy的基础知识介绍这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是创新互联,小编将为大家推送更多相关知识点的文章,欢迎关注!
名称栏目:Pythonnumpy的基础知识介绍
标题URL:http://myzitong.com/article/jdcghd.html