numpy數(shù)組中元素單個(gè)選取或部分選取

一維數(shù)組中選擇部分元素輸出，即數(shù)組名【【下標(biāo)】】，是兩個(gè)中括號！

二維數(shù)組選取一個(gè)元素，即數(shù)組名【行，列】，行列是從0開始的。

行列可以省略，行和列全部省略時(shí)，輸出整個(gè)數(shù)組。

行省略，代表輸出所有行；列省略，代表輸出所有列。

可以指定輸出某幾行、某幾列，即數(shù)組名【1:3，1:4】,輸出1到2行且1到3列的所有元素，即輸出二維數(shù)組。

import numpy as np
ans = np.array([1,2,3,4,5,6,7,8,9]) ? ?#一維數(shù)組
a = np.array([1,2,3,4,5,6,7]) ? ?#一維數(shù)組
b = np.array([[1,2,3],[4,5,6],[7,8,9]]) ? ?#二維數(shù)組
#獲取指定位置的元素
print(ans[[2,3,5]]) ? ? ?#即為輸出ans數(shù)組中下標(biāo)為2，3，5的元素
print(b[1,2]) ? ?#輸出1行2列的元素，這里的行和列是從0開始的
print(b[1,:]) ? ?#輸出1行的所有元素，“：”就代表著輸出所有元素
print(b[:,2]) ? ?#輸出2列的所有元素
print(b[1:3,0:3]) ? ?#1到2行，0到2列的元素，“端點(diǎn)左閉右開”

numpy數(shù)組操作

引言

• python中用list保存一組值，可以用來作為數(shù)組使用，由于列表的元素可以是任何對象，英雌列表中所保存的是對象的指針，為了保存一個(gè)簡單的[1,2,3]，需要三個(gè)指正和三個(gè)整數(shù)對象，對于數(shù)值運(yùn)算來說這種結(jié)果顯然比較浪費(fèi)你內(nèi)存和CPU計(jì)算時(shí)間
• 此外python還提供了一個(gè)array模塊，array對象和列表不同，他直接保存數(shù)值，呵呵C語言的一位數(shù)據(jù)比較類似，但是由于它不支持多維，也沒有各種運(yùn)算函數(shù)，因此也不適合做數(shù)值運(yùn)算
• numpy的誕生彌補(bǔ)了這些不足，numpy提供了ndarray對象：是存儲單一數(shù)據(jù)類型的多維數(shù)組

numpy是高性能科學(xué)計(jì)算和數(shù)據(jù)分析的基礎(chǔ)包，支持為讀書族與矩陣運(yùn)算包括：

• 一個(gè)強(qiáng)大的n為數(shù)組對象ndarray，具有適量算數(shù)運(yùn)算和復(fù)雜廣播能力的快速且節(jié)省時(shí)間的多維數(shù)組。
• 用于對整組數(shù)據(jù)進(jìn)行快速運(yùn)算的標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)
• 對于讀寫磁盤數(shù)據(jù)的工具以及用于操作內(nèi)存映射文件的工具
• 線性代數(shù)，隨機(jī)數(shù)生成以及傅里葉變換等功能

ndarray

• N維數(shù)組對象ndarray是用于存放同類型元素的多維數(shù)組
• ndarray中的每個(gè)元素在內(nèi)存中都有相容存儲大小的區(qū)域
• ndarray中的每個(gè)元素是數(shù)據(jù)類型對象的對象簡稱dtype
• 可以對數(shù)組進(jìn)行索引和切片
• 可以通過ndarray的方法和屬性來訪問和修改ndarray的內(nèi)容

創(chuàng)建nadrray：創(chuàng)建數(shù)組最簡單的辦法就是使用array函數(shù)，它接受一切序列型的對象，然后產(chǎn)生一個(gè)含有傳入數(shù)據(jù)的numpy數(shù)組，其中嵌套序列（等長列表組成的列表）將會被轉(zhuǎn)化為一個(gè)多維數(shù)組

numpy.array(obkject, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

object 數(shù)組或嵌套的數(shù)列

dtype 數(shù)組元素的數(shù)據(jù)類型 可選

copy 對象是否需要復(fù)制

order 創(chuàng)建數(shù)組的樣式，c為行方向，F(xiàn)為列方向，A為任意方向

subok 默認(rèn)返回一個(gè)與基類類型一致的數(shù)組

ndmin 指定生成數(shù)組的最小維度

import numpy as np
a = [1,2,3,4]
b = np.array(a)
print(b)
>>> array([1,2,3,4])
c = np.array([[1,2],[3,4]])
print(c)
>>>>[[1,2]
[3,4]]

除了np.array之外，還有一些函數(shù)也可以新建數(shù)組：

• zrrors和ones分別可以創(chuàng)建指定長度或者形狀的全0或1數(shù)組
• empty可以創(chuàng)建一個(gè)沒有任何具體值的數(shù)組

np.zeros(3) # 全0數(shù)組
np.ones(3) # 全1數(shù)組
np.zeros((3,3)) #全0二維數(shù)組 三行三列
np.zeros((3,1))  # 0二維數(shù)組 三行一列
np.zeros((1,3))
np.ones((3,3))
np.identity(3) #單位矩陣，三行三列

ndarray之創(chuàng)建數(shù)組

創(chuàng)建隨機(jī)數(shù)

均勻分布

• np.random.rand(10,10) 創(chuàng)建指定形狀（示例為10行10列）的數(shù)組（范圍在0-1之間）
• np.random.uniform(0,100) 創(chuàng)建指定范圍內(nèi)的一個(gè)數(shù)
• np.random.randint(0,100) 創(chuàng)建指定范圍內(nèi)的整數(shù)

正態(tài)分布

• np.random.normal(1.75,0.1,(2,3)) 給定均值/標(biāo)準(zhǔn)差/維度的正態(tài)分布

創(chuàng)建隨機(jī)數(shù)組

np.random.randint(0,50,5) # 隨機(jī)數(shù)組，5個(gè)0-50之間的數(shù)字
np.random.randint(0,50,(3,5)) #3行5列 供15個(gè)隨機(jī)數(shù)，都在0-50之間
np.random.rand(10) #10個(gè)結(jié)余[0,1)之間的隨機(jī)數(shù)
np.random.standard_noraml(5) #從標(biāo)準(zhǔn)正太分部中隨機(jī)采樣5個(gè)數(shù)字

ndarray的數(shù)組屬性

b.reshape()可以更改形狀(3,2)變(2,3)或者其他

數(shù)組和標(biāo)量之間的運(yùn)算

數(shù)組很重要，因?yàn)樗梢允俏覀儾挥镁帉懷h(huán)即可對數(shù)據(jù)執(zhí)行批量運(yùn)算，這通常叫做矢量化，大小相同的數(shù)組之間的任何算數(shù)運(yùn)算都會將運(yùn)算應(yīng)用到元素級，同樣，數(shù)組與標(biāo)量的算數(shù)運(yùn)算也會將那個(gè)表兩只傳播到各個(gè)元素

arr = np.array([[1.,2.,3.],[4.,5.,6.]])
print(arr)
>>>array([[1., 2., 3.],
       [4., 5., 6.]])
print(1/array)
>>>array([[1.        , 0.5       , 0.33333333],
       [0.25      , 0.2       , 0.16666667]])
print(arr-arr)
>>>array([[0., 0., 0.],
       [0., 0., 0.]])
print(arr*arr)
>>>array([[ 1.,  4.,  9.],
       [16., 25., 36.]])
print(arr*0.5)
>>>array([[0.5, 1. , 1.5],
       [2. , 2.5, 3. ]])

基本的索引和切片

• 選取數(shù)據(jù)子集或單個(gè)元素的方式很多
• 以為數(shù)組很簡單，從表面上看，他們跟python列表差不多
• 一位數(shù)組跟列表最重要的區(qū)別在于，數(shù)組切片是原始數(shù)據(jù)的視圖，這意味著數(shù)據(jù)不會被復(fù)制，數(shù)組視圖上任何修改都會直接反應(yīng)到原始數(shù)組上
• 將一個(gè)表兩只賦值給一個(gè)切片是，該值會自動(dòng)傳播到整個(gè)選取

arr = np.arange(10)
print(arr[5])
>>>5
print(arr[5:8])
>>>array([5,6,7])
print(arr[5:8]=12)
>>>array([0,1,2,3,4,12,12,12,8,9])
arr_slice = arr[5:8]
arr_slice[1] = 12345
print(arr)
>>>array([0,1,2,3,4,12,12345,12,8,9])
arr_slice[:] = 64
print(arr)
>>>array([0,1,2,3,4,64,64,64,8,9])

• 在二維數(shù)組中，個(gè)所有位置上的元素不再是標(biāo)量，而是一維數(shù)組
• 可以對個(gè)元素進(jìn)行遞歸訪問，但這樣有點(diǎn)麻煩
• 傳入一個(gè)以逗號隔開的所有列表來選取單個(gè)元素
• 在多維數(shù)組中，如果省略了后面的索引，則返回對象會使一個(gè)維度低一點(diǎn)的ndarray

arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(arr3d)
>>>array([[[ 1,  2,  3],
        [ 4,  5,  6]],
       [[ 7,  8,  9],
        [10, 11, 12]]])
print(arr3d[0])
>>>array([[1, 2, 3],
       [4, 5, 6]])
print(arr3d[0][1])
>>>array([4, 5, 6])

數(shù)學(xué)和統(tǒng)計(jì)方法

可以通過數(shù)組上的一組數(shù)學(xué)函數(shù)對整個(gè) 數(shù)組或者某個(gè)軸向的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算

arr = np.random.randn(5,4) #5行4列的正太分部的數(shù)據(jù)
print(arr.mean()) #這個(gè)值和下面方法的值相同
print(np.mean(arr))
print(arr.sum())

值得注意的是：

mean和sum這類的函數(shù)可以接受一個(gè)axis參數(shù)（用于計(jì)算該軸向上的統(tǒng)計(jì)值）

arr.mean(axis=1)
arr.sum(0)

cumsum:按照所給定的周參數(shù)返回元素的梯形累積和，axis=0，按照行累加。axis=1，按照列累加

cumprod：按照所給定的周參數(shù)返回元素的梯形累積乘積，axis=0，按照行累積，axis=1按照列累積

arr = np.array([[0,1,2],[3,4,5],[6,7,8]])
arr.cumsum(0)
>>>array([[ 0,  1,  2],
       [ 3,  5,  7],
       [ 9, 12, 15]], dtype=int32)
arr.cumprod(1)
>>>array([[  0,   0,   0],
       [  3,  12,  60],
       [  6,  42, 336]], dtype=int32)

總結(jié)

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評論