Numpy使用2

上一个博客写到了numpy的特性,如何安装以及功能初探。这一篇就讲讲numpy的常用功能以及与其它python库的结合使用。

假设你已经成功执行下列语句:

import numpy as np

初始化

(1)直接创建

## 创建一维数组
In [8]: test_list = [1,3,5,6,7]

In [9]: array_numpy = np.array(test_list)

In [10]: array_numpy
Out[10]: array([1, 3, 5, 6, 7])

## 创建多维数组
In [16]: test_n_list = [[1,2,3], [4,5,6]]

In [17]: array_n_numpy = np.array(test_n_list)

In [18]: array_n_numpy
Out[18]: 
array([[1, 2, 3],
       [4, 5, 6]])

In [19]: 

(2)读图创建

假设现在目录下有个test.jpg图片,可以读图进行初始化

In [19]: from PIL import Image

In [20]: im = Image.open('test.jpg')  # 读入图片

In [21]: im.show()  # 显示图片

In [22]: print im.mode, im.size, im.format  # 打印图片的相关信息
RGB (1920, 1200) JPEG  # RGB图像

In [23]: im_numpy = np.asarray(im) # 把读入的图片作为矩阵

In [24]: im_numpy.shape  # 图片矩阵的shape信息
Out[24]: (1200, 1920, 3)  # 三维矩阵,每个分量是原始图片的R、G、B信息

(3)使用内置函数创建

In [25]: array_n_dim = np.ones((3,4,4), dtype='int8')  # 创建全1的矩阵

In [26]: array_n_dim
Out[26]: 
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],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int8)

In [27]: array_n_dim.shape
Out[27]: (3, 4, 4)  # 三维矩阵,每个维度大小是4*4的

相关信息

(1)数据类型(dtype)

可以在创建矩阵的时候指定数据类型,像上面的例子那样,也可以之后进行转换

In [28]: array_n_numpy
Out[28]: 
array([[1, 2, 3],
       [4, 5, 6]])

In [29]: array_n_numpy.dtype
Out[29]: dtype('int64')  # 现在的数据类型是int64

In [30]: array_n_numpy.astype(np.float32)  # 显式的转化为float32
Out[30]: 
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]], dtype=float32)

################# 如果每个字符串数组表示的全部是数字,可以这样将其转化为数字数组

In [31]: string_list = np.array(['1.2', '3', '4.67'], dtype= np.string_)

In [32]: string_list  # 字符串数组
Out[32]: 
array(['1.2', '3', '4.67'], 
      dtype='|S4')

In [33]: string_list.astype(float) # numpy自动转换为float合适的表示,对于此例是float64
Out[33]: array([ 1.2 ,  3.  ,  4.67])

In [34]: string_list.astype(float).dtype
Out[34]: dtype('float64')

(2)shape/reshape

shape显示numpy矩阵的维度,reshape可以转换矩阵的维度

In [37]: test_shape = np.arange(10)

In [38]: test_shape
Out[38]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [39]: test_shape.shape  # 显示shape信息
Out[39]: (10,)

In [40]: test_reshape = test_shape.reshape((2, 5))

In [41]: test_reshape
Out[41]: 
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

In [43]: test_reshape.shape
Out[43]: (2, 5)  # 现在的shape是(2,5)

到此numpy基本的信息已经介绍了,下篇继续写numpy的其它特性

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏崔庆才的专栏

TensorFlow RNN Cell源码解析

本文介绍下 RNN 及几种变种的结构和对应的 TensorFlow 源码实现,另外通过简单的实例来实现 TensorFlow RNN 相关类的调用。 RNN R...

4635
来自专栏蜉蝣禅修之道

Levenshtein distance最小编辑距离算法实现

4474
来自专栏xingoo, 一个梦想做发明家的程序员

cuda中的二分查找

  使用背景 通常,在做高性能计算时,我们需要随机的连接某些点。这些点都具有自己的度量值,显然,度量值越大的值随机到的概率就会越大。因此,采用加权值得方法: v...

1865
来自专栏前端儿

比较字母大小

任意给出两个英文字母,比较它们的大小,规定26个英文字母A,B,C.....Z依次从大到小。

630
来自专栏编程坑太多

人工智能python的tensorflow基础

1163
来自专栏数值分析与有限元编程

一维变带宽存储刚度矩阵

我们知道,集成之后的整体刚度矩阵是一个对称的稀疏带状矩阵,如图1所示。这样的矩阵包含大量的0元素,占用大量的存储空间。为了节约存储空间,可采取一些方法对刚度矩阵...

3886
来自专栏潇涧技术专栏

Problem: Longest Common Subsequence

最长公共子序列(LCS)是典型的动态规划问题,如果不理解动态规划请移步先看这篇动态规划的总结,否则本文中的代码实现会不理解的哟!

541
来自专栏赵俊的Java专栏

Python Numpy 快速入门

1363
来自专栏算法channel

机器学习储备(10):numpy之RandomState() 和 axis

1 RandomState RandomState是一个伪随机数发生器,这是一个numpy的类,其中包括的方法有:rand,randint,uniform 等。...

3306
来自专栏Python小屋

详解Python科学计算扩展库numpy中的矩阵运算(1)

首先解答上一篇文章中使用with关键字让你的Python代码更加Pythonic最后的习题,该题答案是False,原因在于内置函数sorted()的参数reve...

2744

扫码关注云+社区