python中numpy包使用教程之数组和相关操作详解


Posted in Python onJuly 30, 2017

前言

大家应该都有所了解,下面就简单介绍下Numpy,NumPy(Numerical Python)是一个用于科学计算第三方的Python包。

NumPy提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。下面本文将详细介绍关于python中numpy包使用教程之数组和相关操作的相关内容,下面话不多说,来一起看看详细的介绍:

一、数组简介

Numpy中,最重要的数据结构是:多维数组类型(numpy.ndarray

ndarray由两部分组成:

  • 实际所持有的数据;
  • 描述这些数据的元数据(metadata)

数组(即矩阵)的维度被称为axes,维数称为rank

ndarray 的重要属性包括: 

  • ndarray.ndim:数组的维数,也称为rank
  • ndarray.shape:数组各维的大小,对一个n行m列的矩阵来说, shape 为 (n,m)
  • ndarray.size:元素的总数。
  • ndarray.dtype:每个元素的类型,可以是numpy.int32, numpy.int16, and numpy.float64等
  • ndarray.itemsize:每个元素占用的字节数。
  • ndarray.data:指向数据内存。

二、数组的使用

使用numpy前要先导入模块,使用下面的语句导入模块:

improt numpy as np #其中np为numpy的别名,是一种习惯用法

1.使用array方法生成数组

array,也就是数组,是numpy中最基础的数据结构,最关键的属性是维度和元素类型,在numpy中,可以非常方便地创建各种不同类型的多维数组,并且执行一些基本基本操作,生成数组的方法有一下几种:
以list或tuple变量产生以为数组:

>>> print np.array([1,2,3,4]) 
[1 2 3 4] 
>>> print np.array((1.2,2,3,4)) 
[ 1.2 2. 3. 4. ]

以list或tuple变量为元素产生二维数组或者多维数组:

>>> x = np.array(((1,2,3),(4,5,6))) 
>>> x 
array([[1, 2, 3], 
 [4, 5, 6]]) 
>>> y = np.array([[1,2,3],[4,5,6]]) 
>>> y 
array([[1, 2, 3], 
 [4, 5, 6]])

2.使用numpy.arange方法生成数组

>>> print np.arange(15) 
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] 
>>> print type(np.arange(15)) 
<type 'numpy.ndarray'>

3.使用内置函数生成特殊矩阵(数组)

零矩阵

>>> print np.zeros((3,4)) 
[[ 0. 0. 0. 0.] 
 [ 0. 0. 0. 0.] 
 [ 0. 0. 0. 0.]]

一矩阵

>>> print np.ones((3,4)) 
[[ 1. 1. 1. 1.] 
 [1. 1. 1. 1.] 
 [ 1. 1. 1. 1.]]

单位矩阵

>>> print np.eye(3) 
[[ 1. 0. 0.] 
 [0. 1. 0.] 
 [ 0. 0. 1.]]

4.索引与切片

>>> x = np.array(((1,2,3),(4,5,6))) 
>>> x[1,2] #获取第二行第三列的数 
6
>>> y=x[:,1] #获取第二列 
>>> y 
array([2, 5])

与python语法一致,不再举例。

5.获取数组属性

>>> a = np.zeros((2,2,2)) 
>>> print a.ndim #数组的维数 
3 
>>> print a.shape #数组每一维的大小 
(2, 2, 2) 
>>> print a.size #数组的元素数 
8 
>>> print a.dtype #元素类型 
float64 
>>> print a.itemsize #每个元素所占的字节数 
8

6.数组变换

多维转换为一维:

>>> x 
array([[1, 2, 3], 
  [4, 5, 6]]) 
>>> x.flatten() 
array([1, 2, 3, 4, 5, 6])

一维转换为多维:

>>> print np.arange(15).reshape(3,5) #改变形状,将一维的改成三行五列 
[[ 0 1 2 3 4] 
 [ 5 6 7 8 9] 
 [10 11 12 13 14]]

转置:

>>> x 
array([[1, 2, 3], 
  [4, 5, 6]]) 
>>> x.transpose() 
array([[1, 4], 
  [2, 5], 
  [3, 6]])

7.数组组合

水平组合:

>>> y=x 
>>> numpy.hstack((x,y)) 
array([[1, 2, 3, 1, 2, 3], 
  [4, 5, 6, 4, 5, 6]]

垂直组合

>>> numpy.vstack((x,y)) 
array([[1, 2, 3], 
  [4, 5, 6], 
  [1, 2, 3], 
  [4, 5, 6]])

用concatenate函数可以同时实现这两种方式,通过指定axis参数,默认为0,垂直组合。

>>> numpy.concatenate((x,y)) 
array([[1, 2, 3], 
  [4, 5, 6], 
  [1, 2, 3], 
  [4, 5, 6]]) 
>>> numpy.concatenate((x,y),axis=1) 
array([[1, 2, 3, 1, 2, 3], 
  [4, 5, 6, 4, 5, 6]])

8.数组分割

垂直分割

>>> z 
array([[1, 2, 3], 
  [4, 5, 6], 
  [1, 2, 3], 
  [4, 5, 6]]) 
>>> numpy.vsplit(z,2) #注意这里设置的分割数目必须可以被行数整除 
[array([[1, 2, 3], 
  [4, 5, 6]]), array([[1, 2, 3], 
  [4, 5, 6]])]

水平分割

>>> numpy.hsplit(z,3) 
[array([[1], 
  [4], 
  [1], 
  [4]]), array([[2], 
  [5], 
  [2], 
  [5]]), array([[3], 
  [6], 
  [3], 
  [6]])]

用split函数可以同时实现这两个效果,通过设置其axis参数区别,与组合类似,这里不在演示。

三、矩阵

通过上面对数组的操作可以知道,numpy中可以通过数组模拟矩阵,但是numpy也有专门处理矩阵的数据结构——matrix。

1.生成矩阵

>>> numpy.mat('1 2 3;4 5 6;7 8 9') 
matrix([[1, 2, 3], 
  [4, 5, 6], 
  [7, 8, 9]])

2.数组矩阵转化

矩阵转数组

>>> m=numpy.mat('1 2 3;4 5 6;7 8 9') 
>>> numpy.array(m) 
array([[1, 2, 3], 
  [4, 5, 6], 
  [7, 8, 9]])

数组转矩阵

>>> n=numpy.array(m) 
>>> numpy.mat(n) 
matrix([[1, 2, 3], 
  [4, 5, 6], 
  [7, 8, 9]])

3.矩阵方法

求逆:

>>> m.I 
matrix([[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15], 
  [ 9.00719925e+15, -1.80143985e+16, 9.00719925e+15], 
  [ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15]])

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流,谢谢大家对三水点靠木的支持

Python 相关文章推荐
python通过urllib2爬网页上种子下载示例
Feb 24 Python
Python 爬虫多线程详解及实例代码
Oct 08 Python
Python简单生成随机姓名的方法示例
Dec 27 Python
pyqt5的QComboBox 使用模板的具体方法
Sep 06 Python
python 实现将txt文件多行合并为一行并将中间的空格去掉方法
Dec 20 Python
Python Gluon参数和模块命名操作教程
Dec 18 Python
TensorFlow实现自定义Op方式
Feb 04 Python
python yield和Generator函数用法详解
Feb 10 Python
Python任务调度利器之APScheduler详解
Apr 02 Python
Python求凸包及多边形面积教程
Apr 12 Python
Python读取excel文件中带公式的值的实现
Apr 17 Python
TensorFlow的自动求导原理分析
May 26 Python
利用Python批量压缩png方法实例(支持过滤个别文件与文件夹)
Jul 30 #Python
Python利用BeautifulSoup解析Html的方法示例
Jul 30 #Python
利用python获取当前日期前后N天或N月日期的方法示例
Jul 30 #Python
Python 装饰器使用详解
Jul 29 #Python
python实现数据图表
Jul 29 #Python
基于Python的XSS测试工具XSStrike使用方法
Jul 29 #Python
使用Kivy将python程序打包为apk文件
Jul 29 #Python
You might like
PHP中数组的三种排序方法分享
2012/05/07 PHP
深入php处理整数函数的详解
2013/06/09 PHP
php常见的魔术方法详解
2014/12/25 PHP
php生成图片缩略图的方法
2015/04/07 PHP
一个完整的PHP类包含的七种语法说明
2015/06/04 PHP
thinkphp自定义权限管理之名称判断方法
2017/04/01 PHP
PHP面向对象之事务脚本模式(详解)
2017/06/07 PHP
php web环境和命令行环境下查找php.ini的位置
2019/07/17 PHP
JS创建优美的页面滑动块效果 - Glider.js
2007/09/27 Javascript
Dom与浏览器兼容性说明
2010/10/25 Javascript
jQuery中Dom的基本操作小结
2014/01/23 Javascript
javascript使用window.open提示“已经计划系统关机”的原因
2014/08/15 Javascript
超赞的动手创建JavaScript框架的详细教程
2015/06/30 Javascript
Javascript显示和隐藏ul列表的方法
2015/07/15 Javascript
javascript冒泡排序小结
2016/04/10 Javascript
基于BootStrap实现简洁注册界面
2017/07/20 Javascript
nodejs判断文件、文件夹是否存在及删除的方法
2017/11/10 NodeJs
解决vue props 拿不到值的问题
2018/09/11 Javascript
详解微信小程序与内嵌网页交互实现支付功能
2018/10/22 Javascript
Vue.js路由实现选项卡简单实例
2019/07/24 Javascript
layui关闭层级、简单监听的实例
2019/09/06 Javascript
elementui实现预览图片组件二次封装
2020/12/29 Javascript
Python转换HTML到Text纯文本的方法
2015/01/15 Python
Python定义一个跨越多行的字符串的多种方法小结
2018/07/19 Python
对python中数据集划分函数StratifiedShuffleSplit的使用详解
2018/12/11 Python
使用python对文件中的单词进行提取的方法示例
2018/12/21 Python
Django 多表关联 存储 使用方法详解 ManyToManyField save
2019/08/09 Python
联想法国官方网站:Lenovo法国
2018/10/18 全球购物
班主任新年寄语
2014/04/04 职场文书
支部鉴定材料
2014/06/02 职场文书
2015年公务员试用期工作总结
2015/05/28 职场文书
毕业设计工作总结
2015/08/14 职场文书
会计主管竞聘书
2015/09/15 职场文书
银行工作心得体会范文
2016/01/23 职场文书
幼儿园音乐教学反思
2016/02/18 职场文书
SQL Server实现分页方法介绍
2022/03/16 SQL Server