为什么要用numpy
-
Python中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。
-
Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组，也没有各种运算函数。因而不适合数值运算。
-
NumPy的出现弥补了这些不足。
复制代码1
2import numpy as np
数组创建
常规创建方法
复制代码
1
2
3
4
5
6
7
8
9a = np.array([2,3,4]) b = np.array([2.0,3.0,4.0]) c = np.array([[1.0,2.0],[3.0,4.0]]) d = np.array([[1,2],[3,4]],dtype=complex) # 指定数据类型 print a, a.dtype print b, b.dtype print c, c.dtype print d, d.dtype
输出结果
复制代码
1
2
3
4
5
6
7[2 3 4] int32 [ 2. 3. 4.] float64 [[ 1. 2.] [ 3. 4.]] float64 [[ 1.+0.j 2.+0.j] [ 3.+0.j 4.+0.j]] complex128
创建数组的常用函数
复制代码
1
2
3
4
5
6
7
8print np.arange(0,7,1,dtype=np.int16) # 0为起点，间隔为1时可缺省(引起歧义下不可缺省) print np.ones((2,3,4),dtype=np.int16) # 2页，3行，4列，全1，指定数据类型 print np.zeros((2,3,4)) # 2页，3行，4列，全0 print np.empty((2,3)) #值取决于内存 print np.arange(0,10,2) # 起点为0，不超过10，步长为2 print np.linspace(-1,2,5) # 起点为-1，终点为2，取5个点 print np.random.randint(0,3,(2,3)) # 大于等于0，小于3，2行3列的随机整数
输出结果
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22[0 1 2 3 4 5 6] [[[1 1 1 1] [1 1 1 1] [1 1 1 1]] [[1 1 1 1] [1 1 1 1] [1 1 1 1]]] [[[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]] [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]]] [[ 1.39069238e-309 1.39069238e-309 1.39069238e-309] [ 1.39069238e-309 1.39069238e-309 1.39069238e-309]] [0 2 4 6 8] [-1. -0.25 0.5 1.25 2. ] [[1 0 1] [0 1 0]]
类型转换
复制代码
1
2
3
4
5print float(1) print int(1.0) print bool(2) print float(True)
输出结果
复制代码
1
2
3
4
51.0 1 True 1.0
数组输出
-
从左到右，从上向下
-
一维数组打印成行，二维数组打印成矩阵，三维数组打印成矩阵列表
复制代码1
2
3
4print np.arange(1,6,2) print np.arange(12).reshape(3,4) # 可以改变输出形状 print np.arange(24).reshape(2,3,4)# 2页，3行，4页
输出结果
复制代码
1
2
3
4
5
6
7
8
9
10
11
12[1 3 5] [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]
基本运算
复制代码
1
2
3
4
5
6
7
8
9
10
11##元素级运算 a = np.array([1,2,3,4]) b = np.arange(4) print a, b print a-b print a*b print a**2 print 2*np.sin(a) print a>2 print np.exp(a) # 指数
输出结果
复制代码
1
2
3
4
5
6
7
8[1 2 3 4] [0 1 2 3] [1 1 1 1] [ 0 2 6 12] [ 1 4 9 16] [ 1.68294197 1.81859485 0.28224002 -1.51360499] [False False True True] [ 2.71828183 7.3890561 20.08553692 54.59815003]
复制代码
1
2
3
4
5
6##矩阵运算（二维数组） a = np.array([[1,2],[3,4]]) # 2行2列 b = np.arange(6).reshape((2,-1)) # 2行3列 print a,b print a.dot(b) # 2行3列
输出结果
复制代码
1
2
3
4
5
6[[1 2] [3 4]] [[0 1 2] [3 4 5]] [[ 6 9 12] [12 19 26]]
复制代码
1
2
3
4
5
6
7##非数组运算，调用方法 a = np.random.randint(0,5,(2,3)) print a print a.sum(),a.sum(axis=1),a.sum(0) # axis用于指定运算轴（默认全部，可指定0或1） print a.min(),a.max(axis=1),a.mean(axis=1) # axis = 0: 按列计算，axis = 1: 按行计算 print a.cumsum(1) # 按行计算累积和
输出结果
复制代码
1
2
3
4
5
6
7[[2 3 3] [0 2 1]] 11 [8 3] [2 5 4] 0 [3 2] [ 2.66666667 1. ] [[2 5 8] [0 2 3]]
索引，切片，迭代
复制代码
1
2
3
4
5
6
7
8
9
10
11##一维数组 a = np.arange(0,10,1)**2 print a print a[0],a[2],a[-1],a[-2] # 索引从0开始，-1表示最后一个索引 print a[2:5],a[-5:-1] # 包括起点，不包括终点 a[-1] = 100; print a # 赋值 a[1:4]=100; print a # 批量赋值 a[:6:2] = -100; print a # 从开始到第6个索引，每隔一个元素（步长=2）赋值 print a[: :-1];print a # 将a逆序输出，a本身未发生改变 b = [np.sqrt(np.abs(i)) for i in a]; print b # 通过遍历赋值
输出结果
复制代码
1
2
3
4
5
6
7
8
9
10[ 0 1 4 9 16 25 36 49 64 81] 0 4 81 64 [ 4 9 16] [25 36 49 64] [ 0 1 4 9 16 25 36 49 64 100] [ 0 100 100 100 16 25 36 49 64 100] [-100 100 -100 100 -100 25 36 49 64 100] [ 100 64 49 36 25 -100 100 -100 100 -100] [-100 100 -100 100 -100 25 36 49 64 100] [10.0, 10.0, 10.0, 10.0, 10.0, 5.0, 6.0, 7.0, 8.0, 10.0]
复制代码
1
2
3
4
5
6
7
8
9
10
11##多维数组 a = np.arange(0,20).reshape((4,5)) print a, a[2,3], a[:,1], a[1:4,2], a[1:3,:] print a[-1] # 相当于a[-1,:],即索引少于轴数时，确实的索引默认为整个切片 b = np.arange(0,24).reshape((2,3,4)) print b,b[1] # 相当于b[1,:,:] 和b[1,...] print '-------------------' for row in a: print row # 遍历以第一个轴为基础
输出结果
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19]] 13 [ 1 6 11 16] [ 7 12 17] [[ 5 6 7 8 9] [10 11 12 13 14]] [15 16 17 18 19] [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]] [0 1 2 3 4] [5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19]
形状操作
复制代码
1
2
3
4
5
6a = np.floor(10*np.random.random((3,4))) print a, a.shape #输出a的形状 print a.ravel() # 输出平坦化后的a（a本身不改变） a.shape = (6,2); print a # 改变a的形状 print a.transpose() # 输出a的转置
输出结果
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13[[ 0. 4. 3. 2.] [ 1. 1. 3. 3.] [ 4. 4. 6. 5.]] (3, 4) [ 0. 4. 3. 2. 1. 1. 3. 3. 4. 4. 6. 5.] [[ 0. 4.] [ 3. 2.] [ 1. 1.] [ 3. 3.] [ 4. 4.] [ 6. 5.]] [[ 0. 3. 1. 3. 4. 6.] [ 4. 2. 1. 3. 4. 5.]]
复制代码
1
2
3
4
5
6
7
8##补充：reshape和resize a = np.array([[1,2,3],[4,5,6]]) b = a a.reshape((3,2))# 不改变数组本身的形状 print a b.resize((3,2))# 改变数组本身形状 print b
输出结果
复制代码
1
2
3
4
5
6[[1 2 3] [4 5 6]] [[1 2] [3 4] [5 6]]
最后
以上就是无情鸵鸟最近收集整理的关于python中数组（numpy.array）的基本操作的全部内容，更多相关python中数组（numpy.array）内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
![[云炬python3玩转机器学习笔记] 3-5Numpy数组和矩阵的基本操作](/uploads/reation/bcimg3.png)
![OpenCV-Python[第二章]——画图函数](/uploads/reation/bcimg5.png)
发表评论 取消回复