1. 首页
  2. 文章中心
  3. python

Python科学计算--NumPy的数组对象ndarray1. NumPy的引用2. ndarray对象的属性3. ndarray数组的元素类型4. ndarray数组的创建5. ndarray数组的变换6. ndarray数组的操作7. ndarray数组的运算8. numPy的统计函数

71 阅读 0 评论
我是靠谱客的博主 呆萌身影，这篇文章主要介绍Python科学计算--NumPy的数组对象ndarray1. NumPy的引用2. ndarray对象的属性3. ndarray数组的元素类型4. ndarray数组的创建5. ndarray数组的变换6. ndarray数组的操作7. ndarray数组的运算8. numPy的统计函数，现在分享给大家，希望可以做个参考。

NumPy是一个开源的Python科学计算基础库，包含：
  • 一个强大的N维数组对象 ndarray
  • 广播功能函数
  • 整合C/C++/Fortran代码的工具
  • 线性代数、傅里叶变换、随机数生成等功能

NumPy是SciPy、Pandas等数据处理或科学计算库的基础

Python已有列表类型，为什么需要一个数组对象？
  • 数组可以去掉元素间运算所需的循环，使一维向量更像单个数据
  • 设置专门的数组对象，经过优化，可以提升这类应用的运算速度
  • 数组对象采用相同的数据类型，有助于节省运算和存储空间
ndarray是一个多为数组对象，有两部分构成：
  • 实际的数据
  • 描述这些数据的元数据（数据维度、数据类型等）
ndarray数组一般要求所有数组元素类型相同（同质），数组下标从0开始

1. NumPy的引用

复制代码
1
import numpy as np
尽管别名可以省略和更改，建议使用上述约定的别名

2. ndarray对象的属性



复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
import numpy as np
a = np.array([[0,1,2,3,4],[9,8,7,6,5]])
a.ndim
Out[3]: 2
a.shape
Out[4]: (2, 5)
a.size
Out[5]: 10
a.dtype
Out[6]: dtype('int32')
a.itemsize
Out[7]: 4

3. ndarray数组的元素类型



4. ndarray数组的创建

4.1 从Python中的列表、元组等类型创建ndarray数组

复制代码
1
2
3
x = np.array(list/tuple)
x = np.array(list/tuple, dtype=np.float32)
当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型
复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
x =np.array([0,1,2,3])
#从列表类型创建
print(x)
[0 1 2 3]
x = np.array((4,5,6,7))
#从元组类型创建
print(x)
[4 5 6 7]
x =np.array([[1,2],[9,8],(0.1,0.2)])
#从列表和元组混合类型创建
print(x)
[[ 1.
2. ]
[ 9.
8. ]
[ 0.1
0.2]]

4.2 使用NumPy中函数创建ndarray数组

如：arange, ones, zeros等


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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
np.arange(10)
Out[14]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.ones((3,6))
Out[15]:
array([[ 1.,
1.,
1.,
1.,
1.,
1.],
[ 1.,
1.,
1.,
1.,
1.,
1.],
[ 1.,
1.,
1.,
1.,
1.,
1.]])
np.zeros((3,6),dtype = np.int32)
Out[16]:
array([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])
np.eye(5)
Out[17]:
array([[ 1.,
0.,
0.,
0.,
0.],
[ 0.,
1.,
0.,
0.,
0.],
[ 0.,
0.,
1.,
0.,
0.],
[ 0.,
0.,
0.,
1.,
0.],
[ 0.,
0.,
0.,
0.,
1.]])
x = np.ones((2,3,4))
print(x)
[[[ 1.
1.
1.
1.]
[ 1.
1.
1.
1.]
[ 1.
1.
1.
1.]]
[[ 1.
1.
1.
1.]
[ 1.
1.
1.
1.]
[ 1.
1.
1.
1.]]]
x.shape
Out[20]: (2, 3, 4)


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
24
25
26
27
28
29
30
31
a = np.linspace(1,10,4)
a
Out[22]: array([
1.,
4.,
7.,
10.])
b = np.linspace(1,10,4,endpoint=False)
b
Out[24]: array([ 1.
,
3.25,
5.5 ,
7.75])
c = np.concatenate((a,b))
c
Out[26]: array([
1.
,
4.
,
7.
,
10.
,
1.
,
3.25,
5.5 ,
7.75])


5. ndarray数组的变换

对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换

5.1 ndarray数组的维度变换

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
24
25
26
27
28
29
30
a = np.ones((2,3,4), dtype=np.int32)
a.reshape((3,8))
Out[28]:
array([[1, 1, 1, ..., 1, 1, 1],
[1, 1, 1, ..., 1, 1, 1],
[1, 1, 1, ..., 1, 1, 1]])
a
Out[29]:
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]]])
a.resize((3,8))
a
Out[31]:
array([[1, 1, 1, ..., 1, 1, 1],
[1, 1, 1, ..., 1, 1, 1],
[1, 1, 1, ..., 1, 1, 1]])
a.flatten()
Out[32]: array([1, 1, 1, ..., 1, 1, 1])
a
Out[33]:
array([[1, 1, 1, ..., 1, 1, 1],
[1, 1, 1, ..., 1, 1, 1],
[1, 1, 1, ..., 1, 1, 1]])
b = a.flatten()
b
Out[35]: array([1, 1, 1, ..., 1, 1, 1])

5.2 ndarray数组的类型变换

复制代码
1
new_a = a.astype(new_type)
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
24
25
26
27
28
29
30
31
32
33
34
35
36
a
Out[37]:
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]]])
b = a.astype(np.float)
b
Out[39]:
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.]]])

astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

5.3 ndarray数组向列表类型转换

复制代码
1
ndarray数组向列表类型转换
复制代码
1
2
3
4
5
a = np.full((2,3,4),25,dtype=np.int32)
a.tolist()
Out[41]:
[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]],
[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]

6. ndarray数组的操作


索引：获取数组中特定位置元素的过程
切片：获取数组元素自己的过程

6.1 一维数组的索引和切片

与Python的列表类似
复制代码
1
2
3
4
5
6
7
a = np.array([9,8,7,6,5])
a[2]
Out[43]: 7
a[1:4:2]
#起始编号：终止编号（不含）：步长，三元素冒号分割
Out[44]: array([8, 6])
#编号0开始从左递增，或-1开始从右递减

6.2 多维数组的索引

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
a = np.arange(24).reshape((2,3,4))
a
Out[46]:
array([[[ 0,
1,
2,
3],
[ 4,
5,
6,
7],
[ 8,
9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a[1,2,3]
Out[47]: 23
a[0,1,2]
Out[48]: 6
a[-1,-2,-3]
#每个维度一个索引值，逗号分割
Out[49]: 17

6.3 多维数组的切片

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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
a = np.arange(24).reshape((2,3,4))
a
Out[51]:
array([[[ 0,
1,
2,
3],
[ 4,
5,
6,
7],
[ 8,
9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a[:,1,-3]
#选取一个维度用
Out[52]: array([ 5, 17])
a[:,1:3,:]
#每个维度切片方法与一维数组相同
Out[53]:
array([[[ 4,
5,
6,
7],
[ 8,
9, 10, 11]],
[[16, 17, 18, 19],
[20, 21, 22, 23]]])
a[:,:,::2]
每个维度可以使用步长跳跃切片
Out[54]:
array([[[ 0,
2],
[ 4,
6],
[ 8, 10]],
[[12, 14],
[16, 18],
[20, 22]]])

7. ndarray数组的运算

7.1 数组与标量之间的运算

数组与标量之间的运算作用于数组的每一个元素
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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
a = np.arange(24).reshape((2,3,4))
a
Out[56]:
array([[[ 0,
1,
2,
3],
[ 4,
5,
6,
7],
[ 8,
9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a.mean()
Out[57]: 11.5
a = a/a.mean()
#计算a与元素平均值的商
a
Out[59]:
array([[[ 0.
,
0.08695652,
0.17391304,
0.26086957],
[ 0.34782609,
0.43478261,
0.52173913,
0.60869565],
[ 0.69565217,
0.7826087 ,
0.86956522,
0.95652174]],
[[ 1.04347826,
1.13043478,
1.2173913 ,
1.30434783],
[ 1.39130435,
1.47826087,
1.56521739,
1.65217391],
[ 1.73913043,
1.82608696,
1.91304348,
2.
]]])

7.2 NumPy一元函数

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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
a = np.arange(24).reshape((2,3,4))
np.square(a)
Out[61]:
array([[[
0,
1,
4,
9],
[ 16,
25,
36,
49],
[ 64,
81, 100, 121]],
#注意数组是否被真实改变
[[144, 169, 196, 225],
[256, 289, 324, 361],
[400, 441, 484, 529]]], dtype=int32)
a = np.sqrt(a)
a
Out[63]:
array([[[ 0.
,
1.
,
1.41421356,
1.73205081],
[ 2.
,
2.23606798,
2.44948974,
2.64575131],
[ 2.82842712,
3.
,
3.16227766,
3.31662479]],
[[ 3.46410162,
3.60555128,
3.74165739,
3.87298335],
[ 4.
,
4.12310563,
4.24264069,
4.35889894],
[ 4.47213595,
4.58257569,
4.69041576,
4.79583152]]])
np.modf(a)
Out[64]:
(array([[[ 0.
,
0.
,
0.41421356,
0.73205081],
[ 0.
,
0.23606798,
0.44948974,
0.64575131],
[ 0.82842712,
0.
,
0.16227766,
0.31662479]],
[[ 0.46410162,
0.60555128,
0.74165739,
0.87298335],
[ 0.
,
0.12310563,
0.24264069,
0.35889894],
[ 0.47213595,
0.58257569,
0.69041576,
0.79583152]]]),
array([[[ 0.,
1.,
1.,
1.],
[ 2.,
2.,
2.,
2.],
[ 2.,
3.,
3.,
3.]],
[[ 3.,
3.,
3.,
3.],
[ 4.,
4.,
4.,
4.],
[ 4.,
4.,
4.,
4.]]]))

7.3 NumPy二元函数

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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
a = np.arange(24).reshape((2,3,4))
b = np.sqrt(a)
a
Out[72]:
array([[[ 0,
1,
2,
3],
[ 4,
5,
6,
7],
[ 8,
9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
b
Out[73]:
array([[[ 0.
,
1.
,
1.41421356,
1.73205081],
[ 2.
,
2.23606798,
2.44948974,
2.64575131],
[ 2.82842712,
3.
,
3.16227766,
3.31662479]],
[[ 3.46410162,
3.60555128,
3.74165739,
3.87298335],
[ 4.
,
4.12310563,
4.24264069,
4.35889894],
[ 4.47213595,
4.58257569,
4.69041576,
4.79583152]]])
np.maximum(a,b)
Out[74]:
array([[[
0.,
1.,
2.,
3.],
[
4.,
5.,
6.,
7.],
[
8.,
9.,
10.,
11.]],
[[ 12.,
13.,
14.,
15.],
[ 16.,
17.,
18.,
19.],
[ 20.,
21.,
22.,
23.]]])
a > b
Out[75]:
array([[[False, False,
True,
True],
[ True,
True,
True,
True],
[ True,
True,
True,
True]],
[[ True,
True,
True,
True],
[ True,
True,
True,
True],
[ True,
True,
True,
True]]], dtype=bool)

8. numPy的统计函数


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
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import numpy as np
a = np.arange(15).reshape(3,5)
a
Out[13]:
array([[ 0,
1,
2,
3,
4],
[ 5,
6,
7,
8,
9],
[10, 11, 12, 13, 14]])
np.sum(a)
Out[14]: 105
np.mean(a)
Out[15]: 7.0
np.mean(a,axis=0)
Out[16]: array([ 5.,
6.,
7.,
8.,
9.])
np.mean(a,axis=1)
Out[17]: array([
2.,
7.,
12.])
np.average(a,axis=0,weights=[10,5,1])
Out[18]: array([ 2.1875,
3.1875,
4.1875,
5.1875,
6.1875])
np.std(a)
Out[19]: 4.3204937989385739
np.var(a)
Out[20]: 18.666666666666668

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
24
25
26
27
b = np.arange(15,0,-1).reshape(3,5)
b
Out[23]:
array([[15, 14, 13, 12, 11],
[10,
9,
8,
7,
6],
[ 5,
4,
3,
2,
1]])
np.max(b)
Out[24]: 15
np.argmax(b)
#扁平化后的下标
Out[25]: 0
np.unravel_index(np.argmax(b),b.shape)
#重塑成多维下标
Out[26]: (0, 0)
np.ptp(b)
Out[27]: 14
np.median(b)
Out[28]: 8.0



最后

以上就是呆萌身影最近收集整理的关于Python科学计算--NumPy的数组对象ndarray1. NumPy的引用2. ndarray对象的属性3. ndarray数组的元素类型4. ndarray数组的创建5. ndarray数组的变换6. ndarray数组的操作7. ndarray数组的运算8. numPy的统计函数的全部内容，更多相关Python科学计算--NumPy的数组对象ndarray1.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。
点赞(47)

相关文章

numpy教程：numpy基本数据类型及多维数组元素存取NumPy介绍NumPy中的数据类型array元素存取
numpy教程：numpy基本数据类型及多维数组元素存取NumPy介绍NumPy中的数据类型array元素存取
科学计算库
科学计算库
numpy实现数学中的各种积
numpy实现数学中的各种积
人工智能系列3 Numpy的科学计算多维数组的创建多维数组的访问多维数组的形状处理降维
人工智能系列3 Numpy的科学计算多维数组的创建多维数组的访问多维数组的形状处理降维
Python科学计算--NumPy的数组对象ndarray1. NumPy的引用2. ndarray对象的属性3. ndarray数组的元素类型4. ndarray数组的创建5. ndarray数组的变换6. ndarray数组的操作7. ndarray数组的运算8. numPy的统计函数
Python科学计算--NumPy的数组对象ndarray1. NumPy的引用2. ndarray对象的属性3. ndarray数组的元素类型4. ndarray数组的创建5. ndarray数组的变换6. ndarray数组的操作7. ndarray数组的运算8. numPy的统计函数
Numpy 库的简单介绍和使用
Numpy 库的简单介绍和使用
numpy argsort排序函数
numpy argsort排序函数
Python中Numpy库使用总结Python中Numpy库使用总结
Python中Numpy库使用总结Python中Numpy库使用总结

评论列表共有 0 条评论

立即
投稿
返回
顶部