Numpy對數組的操作：創(chuàng)建、變形(升降維等)、計算、取值、復制、分割、合并
1. 簡介
NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。最主要的數據結構是ndarray數組。
NumPy 通常與 SciPy（Scientific Python）和 Matplotlib（繪圖庫）一起使用， 這種組合廣泛用于替代 MatLab。
SciPy 是一個開源的 Python 算法庫和數學工具包。SciPy 包含的模塊有最優(yōu)化、線性代數、積分、插值、特殊函數、快速傅里葉變換、信號處理和圖像處理、常微分方程求解和其他科學與工程中常用的計算。
Matplotlib 是 Python 編程語言及其數值數學擴展包 NumPy 的可視化操作界面。
2. 創(chuàng)建
創(chuàng)建一維數組
（1）直接創(chuàng)建：np.array([1, 2, 3, 4, 5, 6])
（2）從python的list中建立：np.array(list([1, 2, 3, 4, 5, 6]))
創(chuàng)建常量值的一維數據
（1）創(chuàng)建以0為常量值：np.zeros(n,dytpe=float/int)
（2）創(chuàng)建以1為常量值：np.ones(n)
（3）創(chuàng)建一個空數組：np.empty(4)
創(chuàng)建一個元素遞增的數組
（1）從0開始增長的遞增數組：np.arange(8)
（2）給定區(qū)間，自定義步長：np.arange(0,1,0.2)
（3）給定區(qū)間，自定義個數：np.linspace(-1,1,50)
創(chuàng)建多維數組：創(chuàng)建單維數組，再添加進多維數組
# 數組的結構一定是np.array([]) 無論數組中間存放的是多少“層”數據 # 二維數組相當于存放的是“兩層”數組而已 arr1=np.array(list([1, 2, 3, 4, 5])) arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的兩維數組 arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的兩維數組 arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 報錯 arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 報錯
創(chuàng)建常量值的(n*m)維數據
（1）創(chuàng)建以0為常量值：np.zeros((n*m),dytpe=float/int)
（2）創(chuàng)建以1為常量值：np.ones((n*m))
（3）創(chuàng)建一個空數組：np.empty((n*m))
創(chuàng)建隨機數字的數組
生成隨機數種子：
（1）np.random.seed()
（2）np.random.RandomState()
生成隨機數：
| 函數 | 取值 | 說明 | |
|---|---|---|---|
| 1 | np.random.rand(d0,d1,…,dn) |
[0,1) | 根據給定維度生成數組，服從均勻分布 |
| 2 | np.random.randint(low, high=None, size=None, dtype='l') |
[0,low)或者[low,high) | 根據size生成離散均勻分布的整數值 |
| 3 | np.random.randn(d0,d1,…,dn) |
根據給定維度生成數組，服從標準正態(tài)分布 | |
| 4 | np.random.random_sample(size=None) | [0,1) | 根據給定維度生成隨機浮點數 |
| 5 | np.random.random(size=None) | [0,1) | 根據給定維度生成隨機浮點數 |
| 6 | np.random.ranf(size=None) | [0,1) | 根據給定維度生成隨機浮點數 |
| 7 | np.random.sample(size=None) | [0,1) | 根據給定維度生成隨機浮點數 |
生成有分布規(guī)律的隨機數組
（1）二項分布：np.random.binomial(n, p, size)
（2）正態(tài)分布：np.random.normal(loc, scale, size)
將csv文件轉化成數組或陣列
使用 np.genfromtxt( ‘csv文件名'，delimiter = ‘文件中的分割符' )函數將文件轉化成數組
csv_array = np.genfromtxt('sample.csv', delimiter=',')
print(csv_array)
3. 數組的變形
生成數組／矩陣轉置的函數，即行列數字交換，使用.T
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
print(a.T)
-------------------
# 結果如下
[[32 12 2]
[15 10 16]
[ 6 5 13]
[ 9 23 40]
[14 1 37]]
改變數組的形狀：
（1）arr.resize(n,m) ：arr.resize(n,m)函數是原地修改數組，要求：元素的個數必須一致
a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]
（2）arr.reshape(n,m)：如果某一個維度的參數為-1，則表示元素總個數會遷就另一個維度來計算
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
將一維升至二維：np.newaxis
np.newaxis實際上是直接增加維度的意思，我們一般不會給數組增加太多維度，這里以一維增加到二維為例：
（1）增加行維度：arr[np.newaxis, :]
（2）增加列維度：arr[: , np.newaxis]
a=np.arange(8) a # array([0, 1, 2, 3, 4, 5, 6, 7]) a.shape # (8,) a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]]) a.shape # (8,) a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]]) a.shape # (8,)
降維：arr.ravel()
arr.ravel()函數在降維時：默認是行序優(yōu)先生成新數組（就是一行行讀）；如果傳入參數“F”則是列序降維生成新數組
a=np.array([[1,2],[3,4]])
a.ravel()
a.ravel('F')
----------------------------
# 結果 array([1, 2, 3, 4])
# 結果 array([1, 3, 2, 4])
4. 計算
對數組進行計算操作
（1）對元素進行加減計算
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a+b a-b ---------------------------- # a+b和a-b結果分別是： array([[ 1, 3, 7, 6], [ 8, 6, 6, 13]]) array([[-1, -1, -3, 0], [ 0, 4, 6, 1]])
（2）乘法：平方／矩陣中元素相乘
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a**2 a*b ----------------------- # a矩陣平方／a*b矩陣中元素相乘結果分別： array([[ 0, 1, 4, 9], [16, 25, 36, 49]]) array([[ 0, 2, 10, 9], [16, 5, 0, 42]])
（3）矩陣*矩陣：
# 要求a矩陣的行要等于b矩陣的列數；且a矩陣的列等于b矩陣的行數 a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]]) c1 = np.dot(a,b) c2 = a.dot(b) ---------------------- # ab矩陣相乘的結果：c1=c2 array([[ 31, 36], [ 99, 100]])
（4）邏輯計算
【注】列表是無法作為一個整體對其中的各個元素進行邏輯判斷的！
# 結果返回：一個數組，其中每個元素根據邏輯判斷的布爾類型的結果 a > 3 ----------------------------- # 結果如下： array([[False, False, False, False], [ True, True, True, True]])
5. 取值
獲取一維數組中的某個元素：操作和list列表的index一樣
a = np.array([5, 2, 7, 0, 11]) a[0] # 結果為 5 a[:4] # 結果為 從頭開始到索引為4結束 a[2:] # 結果為 從索引為2的開始到結尾 a[::2] # 結果為 從頭開始到結尾，每2個取一個值
獲取多維數組的某個元素，某行或列值
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
a[2,1] # 結果是一個元素 16
a[2][1] # 結果是一個元素 16
a[1] # 第2行 array([12, 10, 5, 23, 1])
a[：，2] # 取出全部行，第2列 [15,10,16]
a[1:3, :] # 取出[1，3)行，全部列
a[1,1:] # array([10, 5, 23, 1])
獲取滿足邏輯運算的
# 需要注意的是，我們數據進行邏輯計算操作得到的仍然是一個數組
# 如果我們想要的是一個過濾后的數組，就需要將"邏輯判斷"傳入數組中
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
a[a > 3]
a[(a > 3) | (a < 2)]
------------------------------
# 結果分別是：
array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37])
array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])
遍歷：結果是按行輸出
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
for x in a:
print(x)
--------------------
[32 15 6 9 14]
[12 10 5 23 1]
[ 2 16 13 40 37]
6. 復制／分割／合并
復制：arr.cope()
分割：
（1）等分：np.split(arr, n, axis=0/1)（即行數或列數可以整除n時才可以）
（2）不等分：np.array_split(arr, n) 默認按行分n份
a = np.array([[32, 15, 6, 9, 14, 21],
[12, 10, 5, 23, 1, 10],
[2, 16, 13, 40, 37, 8]])
# 可以看到a矩陣是(3*6)，所以使用np.split()只能嘗試行分成3份；或者列分成2/3/6份
np.split(a,3,axis=0)
np.split(a,3,axis=1)
np.array_split(a,2)
np.array_split(a,4,axis=1)
-------------------------------------------
[array([[32, 15, 6, 9, 14, 21]]),
array([[12, 10, 5, 23, 1, 10]]),
array([[ 2, 16, 13, 40, 37, 8]])]
[array([[32, 15],
[12, 10],
[ 2, 16]]), array([[ 6, 9],
[ 5, 23],
[13, 40]]), array([[14, 21],
[ 1, 10],
[37, 8]])]
[array([[32, 15, 6, 9, 14, 21],
[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])]
[array([[32, 15],
[12, 10],
[ 2, 16]]), array([[ 6, 9],
[ 5, 23],
[13, 40]]), array([[14],
[ 1],
[37]]), array([[21],
[10],
[ 8]])]
合并：np.concatenate((arr1,arr2,arr3), axis=0/1) 默認接在數據下面
a=np.random.rand(2,3) b=np.random.randint(1,size=(2,3)) np.concatenate((a,b,a)) # 接在下面 np.concatenate((a,b,a),axis=1) # 接在后面 ------------------------ array([[0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439], [0. , 0. , 0. ], [0. , 0. , 0. ], [0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439]]) array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. , 0. , 0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439, 0. , 0. , 0. , 0.4539276 , 0.24173315, 0.63931439]])
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關文章
Django是基于Python的一個Web開發(fā)框架,可以實現前端和后臺間的數據連接,下面這篇文章主要給大家介紹了關于Django中引入bootstrap的相關資料,需要的朋友可以參考下2022-10-10
python使用openpyxl庫讀寫Excel表格的方法（增刪改查操作）
這篇文章主要介紹了python使用openpyxl庫讀寫Excel表格的方法（增刪改查操作）,本文通過實例圖文相結合給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-05-05
這篇文章主要為大家介紹了Python深度學習中的神經網絡殘差塊示例詳解有需要的 朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步2021-10-10
這篇文章主要為大家詳細介紹了如何實現用Python來批量生成請假條，這回既學了東西又做了事情，兩不誤！感興趣的小伙伴可以跟隨小編一起學習一下2022-12-12
在本篇文章里小編給大家整理了一篇關于Python中的反射知識點總結內容，有需要的朋友們可以跟著學習參考下。2021-11-11
這篇文章主要介紹了Python常用模塊之datetime模塊詳解,datetime是Python處理日期和時間的標準庫,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-08-08
這篇文章主要介紹了Python項目目錄找不到.git文件怎么刪除的問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-06-06
這篇文章主要介紹了Python之二維正態(tài)分布采樣置信橢圓繪制方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-02-02
pycharm終端無法激活conda環(huán)境的解決辦法
如果您在PyCharm終端中無法激活conda環(huán)境,可能是由于PyCharm沒有正確配置conda解釋器,這篇文章主要給大家介紹了關于pycharm終端無法激活conda環(huán)境的解決辦法,需要的朋友可以參考下2023-09-09
本篇文章主要介紹了詳解Python中類的定義與使用，介紹了什么叫做類和如何使用，具有一定的參考價值，想要學習Python的同學可以了解一下。2017-04-04