Numpy的简单用法小结
Numpy的简单用法,下面就一起来了解一下
import numpy as np
一、创建ndarray对象
列表转换成ndarray:
>>> a = [1,2,3,4,5] >>> np.array(a) array([1, 2, 3, 4, 5])
取随机浮点数
>>> np.random.rand(3, 4) array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ], [ 0.66729648, 0.86538771, 0.32621889, 0.07709784], [ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])
取随机整数
>>> np.random.randint(1, 5, size=(3,4)) array([[2, 3, 1, 2], [3, 4, 4, 4], [4, 4, 4, 3]])
取零
>>> np.zeros((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
取一
>>> np.ones((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
取空(最好别用,了解一下,版本不同返回值不一样)
>>> np.empty((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
取整数零或一
>>> np.ones((3,4),int) array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) >>> np.zeros((3,4),int) array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]])
仿range命令创建ndarray:
>>> np.arange(2,10,2) # 开始,结束,步长 array([2, 4, 6, 8])
二、ndarray属性的查看和操作:
看ndarray属性:
>>> a = [[1,2,3,4,5],[6,7,8,9,0]] >>> b = np.array(a) >>> b.ndim #维度个数(看几维) 2 >>> b.shape #维度大小(看具体长宽) (5,2) >>>b.dtype dtype('int32')
ndarray创建时指定属性:
>>> np.array([1,2,3,4,5],dtype=np.float64) array([ 1., 2., 3., 4., 5.]) >>> np.zeros((2,5),dtype=np.int32) array([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])
属性强转:
>>> a = np.array([1,2,3,4,5],dtype=np.float64) >>> a array([ 1., 2., 3., 4., 5.]) >>> a.astype(np.int32) array([1, 2, 3, 4, 5])
三、简单操作:
批量运算:
>>> a = np.array([1,2,3,4,5],dtype=np.int32) >>> a array([1, 2, 3, 4, 5]) >>> a + a array([ 2, 4, 6, 8, 10]) >>> a * a array([ 1, 4, 9, 16, 25]) >>> a - 2 array([-1, 0, 1, 2, 3]) >>> a / 2 array([ 0.5, 1. , 1.5, 2. , 2.5]) #等等
改变维度:
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32) >>> a array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) >>> a.reshape((5,2)) array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 0]])
矩阵转换(和改变维度有本质区别,仔细):
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32) >>> a array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) >>> a.transpose() array([[1, 6], [2, 7], [3, 8], [4, 9], [5, 0]])
打乱(只能打乱一维):
>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32) >>> a array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 0]]) >>> np.random.shuffle(a) >>> a array([[9, 0], [1, 2], [7, 8], [5, 6], [3, 4]])
四、切片和索引:
一维数组(和普通列表一样):
>>> a = np.array(range(10)) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a[3] 3 >>> a[2:9:2] array([2, 4, 6, 8])
多维数组(也差不了多少):
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]]) >>> a[:, 1:4] array([[ 2, 3, 4], [ 7, 8, 9], [12, 13, 14]])
条件索引:
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]]) >>> a > 5 array([[False, False, False, False, False], [ True, True, True, True, False], [ True, True, True, True, True]], dtype=bool) >>> a[a>5] array([ 6, 7, 8, 9, 11, 12, 13, 14, 15]) >>> a%3 == 0 Out[128]: array([[False, False, True, False, False], [ True, False, False, True, True], [False, True, False, False, True]], dtype=bool) >>> a[a%3 == 0] array([ 3, 6, 9, 0, 12, 15])
五、函数(numpy核心知识点)
计算函数(都不想举例了,太简单。。):
np.ceil(): 向上最接近的整数,参数是 number 或 array np.floor(): 向下最接近的整数,参数是 number 或 array np.rint(): 四舍五入,参数是 number 或 array np.isnan(): 判断元素是否为 NaN(Not a Number),参数是 number 或 array np.multiply(): 元素相乘,参数是 number 或 array np.divide(): 元素相除,参数是 number 或 array np.abs():元素的绝对值,参数是 number 或 array np.where(condition, x, y): 三元运算符,x if condition else y >>> a = np.random.randn(3,4) >>> a array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837], [ 0.00701986, 1.65776152, 0.41319601, 0.41356973], [-0.32922342, 1.07773886, -0.27273258, 0.29474435]]) >>> np.ceil(a) array([[ 1., 1., -0., -1.], [ 1., 2., 1., 1.], [-0., 2., -0., 1.]]) >>> np.where(a>0, 10, 0) array([[10, 10, 0, 0], [10, 10, 10, 10], [ 0, 10, 0, 10]])
统计函数
np.mean():所有元素的平均值 np.sum():所有元素的和,参数是 number 或 array np.max():所有元素的最大值 np.min():所有元素的最小值,参数是 number 或 array np.std():所有元素的标准差 np.var():所有元素的方差,参数是 number 或 array np.argmax():最大值的下标索引值, np.argmin():最小值的下标索引值,参数是 number 或 array np.cumsum():返回一个一维数组,每个元素都是之前所有元素的累加和 np.cumprod():返回一个一维数组,每个元素都是之前所有元素的累乘积,参数是 number 或 array >>> a = np.arange(12).reshape(3,4).transpose() >>> a array([[ 0, 4, 8], [ 1, 5, 9], [ 2, 6, 10], [ 3, 7, 11]]) >>> np.mean(a) 5.5 >>> np.sum(a) 66 >>> np.argmax(a) 11 >>> np.std(a) 3.4520525295346629 >>> np.cumsum(a) array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)
判断函数:
np.any(): 至少有一个元素满足指定条件,返回True np.all(): 所有的元素满足指定条件,返回True >>> a = np.random.randn(2,3) >>> a array([[-0.65750548, 2.24801371, -0.26593284], [ 0.31447911, -1.0215645 , -0.4984958 ]]) >>> np.any(a>0) True >>> np.all(a>0) False
去除重复:
np.unique(): 去重 >>> a = np.array([[1,2,3],[2,3,4]]) >>> a array([[1, 2, 3], [2, 3, 4]]) >>> np.unique(a) array([1, 2, 3, 4])
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。
相关文章
Jupyter Notebook读入csv文件时出错的解决方案
这篇文章主要介绍了Jupyter Notebook读入csv文件时出错的解决方案,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2021-03-03Python计算标准差之numpy.std和torch.std的区别
Torch自称为神经网络中的numpy,它会将torch产生的tensor放在GPU中加速运算,就像numpy会把array放在CPU中加速运算,下面这篇文章主要给大家介绍了关于Python Numpy计算标准差之numpy.std和torch.std区别的相关资料,需要的朋友可以参考下2022-08-08
最新评论