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

来自专栏小樱的经验随笔

51Nod 1182 完美字符串(字符串处理 贪心 Facebook Hacker Cup选拔)

1182 完美字符串 ?             题目来源:                         Facebook Hacker Cup选拔    ...

2707
来自专栏用户2442861的专栏

python dict常用

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/haluoluo211/article/d...

591
来自专栏mwangblog

开始使用Octave

1334
来自专栏大数据挖掘DT机器学习

【知识】SAS学习笔记(1--2)

(1)SAS基本概念 1. SAS数据集 SAS数据集(SAS Datasets)可以看作由若干行和若干列组成的表格,类似于一个矩阵,但各列可以取不同的类型值...

3217
来自专栏bboysoul

1475: C语言实验题――一元二次方程 II

描述:求一元二次方程ax2+bx+c=0的解。a,b,c为任意实数。 输入:输入数据有一行,包括a b c的值 输出:按以下格式输出方程的根x1和x2。x1...

883
来自专栏LEo的网络日志

关于算法复杂度

3488
来自专栏前端儿

n-1位数

已知w是一个大于10但不大于1000000的无符号整数,若w是n(n≥2)位的整数,则求出w的后n-1位的数。

681
来自专栏人工智能LeadAI

机器学习实战 | 第二章:线性回归模型

线性回归(Linear Regression) 这个类是传统最小二乘回归的类.是最基础的线性回归的类. class sklearn.linear_model....

3017
来自专栏Hadoop数据仓库

HAWQ + MADlib 玩转数据挖掘之(三)——向量

一、定义         这里不讨论向量严格的数学定义。在Madlib中,可以把向量简单理解为矩阵。矩阵是Madlib中数据的基本格式,当矩阵只有一维时,就是向...

20210
来自专栏腾讯云实验室

TensorFlow API 简介

腾讯云提供了开发者实验室帮助用户学习 TensorFlow - 相关 API,教程内容如下,用户可以点击开发者实验室快速上机完成实验。

2917

扫码关注云+社区