解决90%的常见问题的8个python NumPy函数
NumPy
NumPy是一个用于科学计算和数据分析的Python库，也是机器学习的支柱。可以说NumPy奠定了Python在机器学习中的地位。NumPy提供了一个强大的多维数组对象，以及广泛的数学函数，可以对大型数据集进行有效的操作。这里的“大”是指数百万行。
Numpy快速而高效的原因是底层的C代码，这比使用Python进行数组的操作要快上几百倍，并且随着数据量级的上升而上升。
本文中整理了一些可以解决常见问题的主要的NumPy函数。
1、创建数组
numpy.array:创建新的NumPy数组
# Create an array using np.array() arr = np.array([1, 2, 3, 4, 5]) print(arr) Ouput: [1 2 3 4 5]
numpy.zeros:创建一个以零填充的数组。
# Create a 2-dimensional array of zeros arr = np.zeros((3, 4)) [[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]]
类似的还有numpy.ones:创建一个都是1的数组 / numpy.empty:在不初始化数组元素的情况下创建数组。
使用numpy.random:生成随机数组的函数。
# Generate a random integer between 0 and 9 rand_int = np.random.randint(10) print(rand_int)
numpy.linspace:在指定范围内生成均匀间隔的数字。
# Generate an array of 5 values from 0 to 10 (inclusive) arr = np.linspace(0, 10, 5) # Print the array print(arr) [ 0. 2.5 5. 7.5 10. ]
numpy.range:用间隔的值创建数组。
# Generate an array from 0 to 10 (exclusive) with step size 1 arr = np.arange(0, 10, 2) # Print the array print(arr) [1 3 5 7 9]
2、查看数组信息
numpy.shape:返回一个表示数组形状的元组。
numpy.ndim:返回数组的维度数。
numpy.dtype:获取数组中元素的数据类型。可以是int型，float型，bool型等等。
3、数组操作函数
numpy.reshape:改变数组的形状。
# Create a 1-dimensional array arr = np.array([1, 2, 3, 4, 5, 6]) # Reshape the array to a 2x3 matrix reshaped_arr = np.reshape(arr, (2, 3)) [[1 2 3] [4 5 6]]
numpy.transpose:用于排列数组的维度。它返回一个轴调换后的新数组。
# Create a 2-dimensional array
arr = np.array([[1, 2, 3],
[4, 5, 6]])
# Transpose the array
transposed_arr = np.transpose(arr)
[[1 4]
[2 5]
[3 6]]numpy.concatate:沿现有轴连接数组。
# Create two 1-dimensional arrays arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) # Concatenate the arrays along axis 0 (default) concatenated_arr = np.concatenate((arr1, arr2)) [1 2 3 4 5 6]
numpy.split:分割数据，numpy.resize:改变数组的形状和大小。
numpy.vstack:将多个数组垂直堆叠以创建一个新数组。
# Create two 1-dimensional arrays arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) # Vertically stack the arrays stacked_arr = np.vstack((arr1, arr2)) [[1 2 3] [4 5 6]]
numpy.hstack:与vstack类似，但是是水平堆叠数组。
4、数学函数
numpy.sum:计算数组元素的和。
numpy.mean:计算数组的算术平均值。
numpy.max:返回数组中的最大值。
numpy.min:返回数组中的最小值。
numpy.abs:计算元素的绝对值。
numpy.exp:计算所有元素的指数。
numpy.subtract: 对两个数组的对应元素进行减法运算。
numpy.multiply: 对两个数组的对应元素进行乘法运算。
numpy.divide: 对两个数组的对应元素进行除法运算。
numpy.sin: 计算数组中每个元素的正弦值。
numpy.cos: 计算数组中每个元素的余弦值。
numpy.log: 计算数组中每个元素的自然对数（以e为底的对数）。
5、统计函数
numpy.std:计算数组的标准差。
# Create a 1-dimensional array arr = np.array([1, 2, 3, 4, 5]) # Compute the standard deviation of the array std = np.std(arr) 1.4142135623730951
numpy.var:计算数组的方差。
numpy.histogram:计算一组数据的直方图。
numpy.percentile:计算数组的第n个百分位数。它返回低于给定百分比的数据的值。
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) # Calculate the 50th percentile (median) of the data median = np.percentile(data, 50) # Calculate the 25th and 75th percentiles (quartiles) of the data q1 = np.percentile(data, 25) q3 = np.percentile(data, 75) Median: 5.5 Q1: 3.25 Q3: 7.75
numpy.corcoef:计算两个数组之间的相关系数。numpy.mean: 计算数组元素的平均值。numpy.median: 计算数组元素的中位数。
numpy.random.rand:在区间[0,1]内从均匀分布生成随机数数组
# Generate a 1-dimensional array of random numbers random_array = np.random.rand(5) [0.35463311 0.67659889 0.5865293 0.77127035 0.13949178]
numpy.random.normal:从正态(高斯)分布生成随机数
# Generate a random number from a normal distribution random_number = np.random.normal() -0.6532785285205665
6、线性代数函数
numpy.dot:计算两个数组的点积。
# Create two arrays a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # Compute the dot product of the arrays dot_product = np.dot(a, b) 32
numpy.linalg.inv:计算一个方阵的逆, numpy.linalg.eig:一个方阵的特征值和特征向量。numpy.linalg.solve:求解一个线性方程组。
7、排序函数
numpy.sort:沿指定轴返回数组的排序副本
# Create a 2D array arr = np.array([[3, 1, 5], [2, 4, 6]]) # Sort the array along the second axis (columns) sorted_arr = np.sort(arr, axis=1) [[1 3 5] [2 4 6]]
numpy.argsort:返回按升序对数组排序的索引
# Create an array arr = np.array([3, 1, 5, 2, 4]) # Get the indices that would sort the array sorted_indices = np.argsort(arr) [1 3 0 4 2]
8、其他一些高级的函数
numpy.unique:在数组中查找唯一的元素。
arr = np.array([2, 1, 3, 2, 1, 4, 5, 4]) # Get the unique elements of the array unique_values = np.unique(arr) [1 2 3 4 5]
numpy.fft:傅里叶变换的函数。
numpy.ma:供对掩码数组的支持。
- numpy.ma.array:从现有的数组或序列创建一个掩码数组。
- numpy.ma.masked_array:从现有数组和掩码中创建一个掩码数组。
- numpy.ma.mask:表示掩码数组中的掩码值。
- numpy.ma.masked_invalid:屏蔽数组中无效的(NaN, Inf)元素。
- numpy.ma.masked_greate, numpy.ma.masked_less:掩码大于或小于给定值的元素。
arr = np.array([1, 2, 3, np.nan, 5]) # Create a masked array by masking the invalid values masked_arr = ma.masked_invalid(arr) [1 2 3 5]
numpy.apply_along_axis:沿着数组的特定轴应用函数。
numpy.wheres:一个条件函数，根据给定条件返回数组中满足条件的元素的索引或值。
condition = np.array([True, False, True, False]) # Create two arrays array_true = np.array([1, 2, 3, 4]) array_false = np.array([5, 6, 7, 8]) result = np.where(condition, array_true, array_false) [1 6 3 8]
以上就是Numpy最经常被使用的函数，希望对你有所帮助，更多关于python NumPy函数的资料请关注脚本之家其它相关文章！
相关文章
元组是一种不可变序列。元组变量的赋值要在定义时就进行，这就像C语言中的const变量或是C++的引用，定义时赋值之后就不允许有修改。元组存在的意义是：元组在映射中可以作为键使用，因为要保证键的不变性。元组作为很多内置函数和方法的返回值存在2021-09-09
DB2 是美国IBM公司开发的一套关系型数据库管理系统，它主要的运行环境为UNIX（包括IBM自家的AIX）、Linux、IBM i（旧称OS/400）、z/OS，以及Windows服务器版本。今天我们来探讨下如何使用Python连接DB2数据库2016-08-08
本文主要介绍了机器学习之数据清洗及六种缺值处理方式小结,包括删除空行、填充平均值、中位数、众数、线性插值和随机森林填充,具有一定的参考价值,感兴趣的可以了解一下2025-03-03
在本篇文章里小编给大家整理的是一篇关于python表达式4+0.5值的数据类型的知识点内容，需要的的朋友们学习下。2020-02-02
pytest是一个非常成熟的全功能的Python测试框架,本文主要介绍了pytest多种调用方式,具有一定的参考价值,感兴趣的可以了解一下2023-12-12
今天小编就为大家分享一篇关于Python爬虫实战之12306抢票开源，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2019-01-01
今天小编就为大家分享一篇python写一个随机点名软件的实例，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2019-11-11
这篇文章主要介绍了利用Python中的pandas库进行cdn日志分析的相关资料，文中分享了pandas对cdn日志分析的完整示例代码，然后详细介绍了关于pandas库的相关内容，需要的朋友可以参考借鉴，下面来一起看看吧。2017-03-03
这篇文章主要为大家详细介绍了python翻译word表格小程序，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2020-02-02
一般情况下,图像的加密和解密过程是通过按位异或运算实现的,下面这篇文章主要给大家介绍了关于如何利用Opencv实现图像加密解密的相关资料,文中通过图文介绍的非常详细,需要的朋友可以参考下2021-10-10
最新评论