首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python高级数组处理模块numpy用法精要

Python高级数组处理模块numpy用法精要

作者头像
Python小屋屋主
发布2018-04-16 16:27:19
1.5K0
发布2018-04-16 16:27:19
举报
文章被收录于专栏:Python小屋Python小屋

numpy是Python的高级数组处理扩展库,提供了Python中没有的数组对象,支持N维数组运算、处理大型矩阵、成熟的广播函数库、矢量运算、线性代数、傅里叶变换以及随机数生成等功能,可与C++、FORTRAN等语言无缝结合,树莓派Python v3默认安装就已包含了numpy。

根据Python社区的习惯,首先使用下面的方式来导入numpy模块:

>>> import numpy as np

(1)生成数组

>>> np.array((1, 2, 3, 4, 5)) #把Python列表转换成数组

array([1, 2, 3, 4, 5])

>>> np.array(range(5)) #把Python的range对象转换成数组

array([0, 1, 2, 3, 4])

>>> np.array([[1, 2, 3], [4, 5, 6]])

array([[1, 2, 3],

[4, 5, 6]])

>>> np.linspace(0, 10, 11) #生成等差数组

array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])

>>> np.linspace(0, 1, 11)

array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ])

>>> np.logspace(0, 100, 10) #对数数组

array([ 1.00000000e+000, 1.29154967e+011, 1.66810054e+022,

2.15443469e+033, 2.78255940e+044, 3.59381366e+055,

4.64158883e+066, 5.99484250e+077, 7.74263683e+088,

1.00000000e+100])

>>> np.zeros((3,3)) #全0二维数组

[[ 0. 0. 0.]

[ 0. 0. 0.]

[ 0. 0. 0.]]

>>> np.zeros((3,1)) #全0一维数组

array([[ 0.],

[ 0.],

[ 0.]])

>>> np.zeros((1,3))

array([[ 0., 0., 0.]])

>>> np.ones((3,3)) #全1二维数组

array([[ 1., 1., 1.],

[ 1., 1., 1.],

[ 1., 1., 1.]])

>>> np.ones((1,3)) #全1一维数组

array([[ 1., 1., 1.]])

>>> np.identity(3) #单位矩阵

array([[ 1., 0., 0.],

[ 0., 1., 0.],

[ 0., 0., 1.]])

>>> np.identity(2)

array([[ 1., 0.],

[ 0., 1.]])

>>> np.empty((3,3)) #空数组,只申请空间而不初始化,元素值是不确定的

array([[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.]])

(2)数组与数值的算术运算

>>> x = np.array((1, 2, 3, 4, 5)) #创建数组对象

>>> x

array([1, 2, 3, 4, 5])

>>> x * 2 #数组与数值相乘,所有元素与数值相乘

array([ 2, 4, 6, 8, 10])

>>> x / 2 #数组与数值相除

array([ 0.5, 1. , 1.5, 2. , 2.5])

>>> x // 2 #数组与数值整除

array([0, 1, 1, 2, 2], dtype=int32)

>>> x ** 3 #幂运算

array([1, 8, 27, 64, 125], dtype=int32)

>>> x + 2 #数组与数值相加

array([3, 4, 5, 6, 7])

>>> x % 3 #余数

array([1, 2, 0, 1, 2], dtype=int32)

(3)数组与数组的算术运算

>>> a = np.array((1, 2, 3))

>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))

>>> c = a * b #数组与数组相乘

>>> c #a中的每个元素乘以b中的每一列元素

array([[ 1, 4, 9],

[ 4, 10, 18],

[ 7, 16, 27]])

>>> c / b #数组之间的除法运算

array([[ 1., 2., 3.],

[ 1., 2., 3.],

[ 1., 2., 3.]])

>>> c / a

array([[ 1., 2., 3.],

[ 4., 5., 6.],

[ 7., 8., 9.]])

>>> a + a #数组之间的加法运算

array([2, 4, 6])

>>> a * a #数组之间的乘法运算

array([1, 4, 9])

>>> a - a #数组之间的减法运算

array([0, 0, 0])

>>> a / a #数组之间的除法运算

array([ 1., 1., 1.])

(4)二维数组转置

>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))

>>> b

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

>>> b.T #转置

array([[1, 4, 7],

[2, 5, 8],

[3, 6, 9]])

>>> a = np.array((1, 2, 3, 4))

>>> a

array([1, 2, 3, 4])

>>> a.T #一维数组转置以后和原来是一样的

array([1, 2, 3, 4])

(5)向量内积

>>> a = np.array((5, 6, 7))

>>> b = np.array((6, 6, 6))

>>> a.dot(b) #向量内积

108

>>> np.dot(a,b)

108

>>> c = np.array(([1,2,3],[4,5,6],[7,8,9])) #二维数组

>>> cT = c.T #转置

>>> c.dot(a) #二维数组的每行与一维向量计算内积

array([ 38, 92, 146])

>>> c[0].dot(a) #两个一维向量计算内积

38

>>> c[1].dot(a)

92

>>> c[2].dot(a)

146

>>> a.dot(c) #一维向量与二维向量的每列计算内积

array([ 78, 96, 114])

>>> a.dot(cT[0])

78

>>> a.dot(cT[1])

96

>>> a.dot(cT[2])

114

(6)数组元素访问

>>> b = np.array(([1,2,3],[4,5,6],[7,8,9]))

>>> b

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

>>> b[0] #第0行

array([1, 2, 3])

>>> b[0][0] #第0行第0列的元素值

1

数组元素还支持多元素同时访问,例如

>>> x = np.arange(0, 100, 10, dtype=np.floating) #创建等差数组

>>> x

array([0., 10., 20., 30., 40., 50., 60., 70., 80., 90.])

>>> index = np.random.randint(0, len(x), 5) #生成5个随机整数作为下标

>>> index

array([5, 4, 1, 2, 9])

>>> x[index] #同时访问多个元素的值

array([50., 40., 10., 20., 90.])

>>> x[index] = [1, 2, 3, 4, 5] #同时修改多个下标指定的元素值

>>> x

array([0., 3., 4., 30., 2., 1., 60., 70., 80., 5.])

>>> x[[1,2,3]] #同时访问多个元素的值

array([3., 4., 30.])

(7)对数组进行函数运算

>>> x = np.arange(0, 100, 10, dtype=np.floating)

>>> np.sin(x) #一维数组中所有元素求正弦值

array([ 0. , -0.54402111, 0.91294525, -0.98803162, 0.74511316,

-0.26237485, -0.30481062, 0.77389068, -0.99388865, 0.89399666])

>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))

>>> np.cos(b) #二维数组中所有元素求余弦值

array([[ 0.54030231, -0.41614684, -0.9899925 ],

[-0.65364362, 0.28366219, 0.96017029],

[ 0.75390225, -0.14550003, -0.91113026]])

>>> np.round(_) #四舍五入

array([[ 1., -0., -1.],

[-1., 0., 1.],

[ 1., -0., -1.]])

>>> x = np.random.rand(10) #包含10个随机数的数组

>>> x = x*10

>>> x

array([6.03635335, 3.90542305, 0.05402166, 0.97778005, 8.86122047,

8.68849771, 8.43456386, 6.10805351, 1.01185534, 5.52150462])

>>> np.floor(x) #所有元素向下取整

array([6., 3., 0., 0., 8., 8., 8., 6., 1., 5.])

>>> np.ceil(x) #所有元素向上取整

array([7., 4., 1., 1., 9., 9., 9., 7., 2., 6.])

(8)对矩阵不同维度上的元素进行计算

>>> x = np.arange(0,10).reshape(2,5) #创建二维数组

>>> x

array([[0, 1, 2, 3, 4],

[5, 6, 7, 8, 9]])

>>> np.sum(x) #二维数组所有元素求和

45

>>> np.sum(x, axis=0) #二维数组纵向求和

array([ 5, 7, 9, 11, 13])

>>> np.sum(x, axis=1) #二维数组横向求和

array([10, 35])

>>> np.mean(x, axis=0) #二维数组纵向计算算术平均值

array([ 2.5, 3.5, 4.5, 5.5, 6.5])

>>> weight = [0.3, 0.7] #权重

>>> np.average(x, axis=0, weights=weight) #二维数组纵向计算加权平均值

array([ 3.5, 4.5, 5.5, 6.5, 7.5])

>>> np.max(x) #所有元素最大值

9

>>> np.max(x, axis=0) #每列元素的最大值

array([5, 6, 7, 8, 9])

>>> x = np.random.randint(0, 10, size=(3,3)) #创建二维数组

>>> x

array([[4, 9, 1],

[7, 4, 9],

[8, 9, 1]])

>>> np.std(x) #所有元素标准差

3.1544599036840864

>>> np.std(x, axis=1) #每行元素的标准差

array([3.29983165, 2.05480467, 3.55902608])

>>> np.var(x, axis=0) #每列元素的标准差

array([2.88888889, 5.55555556, 14.22222222])

>>> np.sort(x, axis=0) #纵向排序

array([[4, 4, 1],

[7, 9, 1],

[8, 9, 9]])

>>> np.sort(x, axis=1) #横向排序

array([[1, 4, 9],

[4, 7, 9],

[1, 8, 9]])

(9)改变数组大小

>>> a = np.arange(1, 11, 1)

>>> a

array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

>>> a.shape = 2, 5 #改为2行5列

>>> a

array([[ 1, 2, 3, 4, 5],

[ 6, 7, 8, 9, 10]])

>>> a.shape = 5, -1 #-1表示自动计算

>>> a

array([[ 1, 2],

[ 3, 4],

[ 5, 6],

[ 7, 8],

[ 9, 10]])

>>> b = a.reshape(2,5) #reshape()方法返回新数组

>>> b

array([[ 1, 2, 3, 4, 5],

[ 6, 7, 8, 9, 10]])

(10)切片操作

>>> a = np.arange(10)

>>> a

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> a[::-1] #反向切片

array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

>>> a[::2] #隔一个取一个元素

array([0, 2, 4, 6, 8])

>>> a[:5] #前5个元素

array([0, 1, 2, 3, 4])

>>> c = np.arange(25) #创建数组

>>> c.shape = 5,5 #修改数组大小

>>> c

array([[ 0, 1, 2, 3, 4],

[ 5, 6, 7, 8, 9],

[10, 11, 12, 13, 14],

[15, 16, 17, 18, 19],

[20, 21, 22, 23, 24]])

>>> c[0, 2:5] #第0行中下标[2,5)之间的元素值

array([2, 3, 4])

>>> c[1] #第0行所有元素

array([5, 6, 7, 8, 9])

>>> c[2:5, 2:5] #行下标和列下标都介于[2,5)之间的元素值

array([[12, 13, 14],

[17, 18, 19],

[22, 23, 24]])

(11)布尔运算

>>> x = np.random.rand(10) #包含10个随机数的数组

>>> x

array([ 0.56707504, 0.07527513, 0.0149213 , 0.49157657, 0.75404095,

0.40330683, 0.90158037, 0.36465894, 0.37620859, 0.62250594])

>>> x > 0.5 #比较数组中每个元素值是否大于0.5

array([ True, False, False, False, True, False, True, False, False, True], dtype=bool)

>>> x[x>0.5] #获取数组中大于0.5的元素

array([ 0.56707504, 0.75404095, 0.90158037, 0.62250594])

>>> a = np.array([1, 2, 3])

>>> b = np.array([3, 2, 1])

>>> a > b #两个数组中对应位置上的元素比较

array([False, False, True], dtype=bool)

>>> a[a>b]

array([3])

>>> a == b

array([False, True, False], dtype=bool)

>>> a[a==b]

array([2])

(12)广播

>>> a = np.arange(0,60,10).reshape(-1,1) #列向量

>>> b = np.arange(0,6) #行向量

>>> a

array([[ 0],

[10],

[20],

[30],

[40],

[50]])

>>> b

array([0, 1, 2, 3, 4, 5])

>>> a + b #广播

array([[ 0, 1, 2, 3, 4, 5],

[10, 11, 12, 13, 14, 15],

[20, 21, 22, 23, 24, 25],

[30, 31, 32, 33, 34, 35],

[40, 41, 42, 43, 44, 45],

[50, 51, 52, 53, 54, 55]])

>>> a * b

array([[ 0, 0, 0, 0, 0, 0],

[ 0, 10, 20, 30, 40, 50],

[ 0, 20, 40, 60, 80, 100],

[ 0, 30, 60, 90, 120, 150],

[ 0, 40, 80, 120, 160, 200],

[ 0, 50, 100, 150, 200, 250]])

(13)分段函数

>>> x = np.random.randint(0, 10, size=(1,10))

>>> x

array([[0, 4, 3, 3, 8, 4, 7, 3, 1, 7]])

>>> np.where(x<5, 0, 1) #小于5的元素值对应0,其他对应1

array([[0, 0, 0, 0, 1, 0, 1, 0, 0, 1]])

#小于4的元素乘以2,大于7的元素乘以3,其他元素变为0

>>> np.piecewise(x,[x<4, x>7],[lambda x:x*2,lambda x:x*3])

array([[ 0, 0, 6, 6, 24, 0, 0, 6, 2, 0]])

(14)计算唯一值以及出现次数

>>> x = np.random.randint(0,10,7)

>>> x

array([8, 7, 7, 5, 3, 8, 0])

>>> np.bincount(x) #元素出现次数,0出现1次

array([1, 0, 0, 1, 0, 1, 0, 2, 2], dtype=int64) #1、2没出现,3出现1次,以此类推

>>> np.sum(_) #所有元素出现次数之和等于数组长度

7

>>> len(x)

7

>>> np.unique(x) #返回唯一元素值

array([0, 3, 5, 7, 8])

>>> x = np.random.randint(0,10,2)

>>> x

array([2, 1])

>>> np.bincount(x) #结果数组的长度取决于原始数组中最大元素值

array([0, 1, 1], dtype=int64)

>>> x = np.random.randint(0, 10, 10)

>>> x

array([3, 6, 4, 5, 2, 9, 7, 0, 9, 0])

>>> y = np.random.rand(10) #随机小数,模拟权重

>>> y = np.round_(y, 1) #保留一位小数

>>> y

array([ 0.6, 0.8, 0.8, 0. , 0.6, 0.1, 0. , 0.2, 0.8, 0.7])

>>> np.sum(x*y)/np.sum(np.bincount(x)) #加权总和/出现总次数或元素个数

2.9199999999999999

(15)矩阵运算

>>> a_list = [3, 5, 7]

>>> a_mat = np.matrix(a_list) #创建矩阵

>>> a_mat

matrix([[3, 5, 7]])

>>> a_mat.T #矩阵转置

matrix([[3],

[5],

[7]])

>>> a_mat.shape #矩阵形状

(1, 3)

>>> a_mat.size

3

>>> b_mat = np.matrix((1, 2, 3))

>>> b_mat

matrix([[1, 2, 3]])

>>> a_mat * b_mat.T #矩阵相乘

matrix([[34]])

>>> a_mat.mean() #元素平均值

5.0

>>> a_mat.sum() #所有元素之和

15

>>> a_mat.max()

7

>>> c_mat = np.matrix([[1, 5, 3], [2, 9, 6]]) #创建二维矩阵

>>> c_mat

matrix([[1, 5, 3],

[2, 9, 6]])

>>> c_mat.argsort(axis=0) #纵向排序后的元素序号

matrix([[0, 0, 0],

[1, 1, 1]], dtype=int64)

>>> c_mat.argsort(axis=1) #横向排序后的元素序号

matrix([[0, 2, 1],

[0, 2, 1]], dtype=int64)

>>> d_mat = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

>>> d_mat.diagonal() #矩阵对角线元素

matrix([[1, 5, 9]])

>>> d_mat.flatten() #矩阵平铺

matrix([[1, 2, 3, 4, 5, 6, 7, 8, 9]])

本文内容节选自《Python可以这样学》(董付国著,清华大学出版社,2017.1出版)

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-01-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python小屋 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档