Numpy入门2

标题中的英文首字母大写比较规范,但在python实际使用中均为小写。 2018年7月26日笔记

0.学习内容

前面6个学习内容要点链接:https://www.jianshu.com/p/75d275b58d52 Python科学计算库:Numpy需要掌握的知识: 7.Numpy中的对象;8.什么是ndarray;9.获取对象的维度和类型;10.创建ndarray对象; 11.Numpy数据类型;12.自定义数据类;13.ndarray索引访问;14.ndarray切片访问; 15.改变ndarray的维度;16.展平ndarray;17.ndarray的组合; 18.ndarray的切割;19.ndarray对象的属性。

7.Numpy中的对象

Numpy中提供了以下对象,用来解决标准Python的不足: 1.ndarray(N-dimensional array object)N维数组对象,存储单一数据类型的N维数组。 2.ufunc(universal function object)通用函数对象,对数组进行处理的函数。

8.什么是ndarray

Numpy中的ndarray是一个多维数组而且灵活的大数据容器,它由两部分组成: 1.实际的数据 2.描述这些数据的元数据 大部分的数组操作仅仅修改元数据部分,而不改变低层的实际数据。 另外,ndarray中所有元素的数据类型必须是一致的。

9.获取对象的维度和类型

import numpy as np
def info(matrix):
    print("维度:",matrix.shape,"类型",matrix.dtype)
matrix1 = np.array([1,2,3,4,5])
info(matrix1)
matrix2 = np.arange(10).reshape(2,5)
info(matrix2)

image_1cja7pe517p711o81p68gbhajlm.png-49.2kB

10.创建ndarray对象

np.zeros方法,需要1个参数,参数数据类型为元祖,返回值数据类型为ndarray,其中元素数据类型默认为float64; np.ones方法,需要1个参数,参数数据类型为元祖,返回值数据类型为ndarray,其中元素数据类型默认为float64; np.full方法,需要2个参数,第1个参数数据类型为元祖,第2个参数数据类型为数字类型,可以为int或者float, np.full方法返回值数据类型为ndarray,其中元素数据类型等同于np.full方法的第2个参数的数据类型; np.eye方法,需要1个参数,参数数据类型为int型,返回值数据类型为ndarray,其中元素数据类型默认为float64。

import numpy as np
a = np.zeros((2, 2)) 
b = np.ones((2,2))
c = np.full((2,2),6)
d = np.eye(2)
print(a,a.dtype)
print(b,b.dtype)
print(c,c.dtype)
print(d,d.dtype)

image_1cjaakni49na1dlb1af8e4hb089.png-23.7kB

11.Numpy数据类型

常用: bool,布尔类型,值为True或者False int32,整数,范围为-231--231 - 1,即-2147483648--2147483647 int64,整数,范围为-263--263 - 1 uint32,无符号整数,范围为0--2^32-1,即0--4294967295 uint64,无符号整数,范围为0--2^64-1 float32,单精度浮点型,其中1位表示正负号,8位表示指数,23位表示尾数 float64,双精度浮点型,其中1位表示正负号,11位表示指数,52位表示尾数 Numpy可以用字符编码来表示数据类型,这是为了兼容Numpy的前身Numeric 整数:i 无符号整数:u 单精度浮点型:f 双精度浮点型:d 布尔型:b 字符串:s void:v

import numpy as np
matrix1 = np.arange(10,dtype='f')
matrix2 = np.arange(10,dtype='d')
print(matrix1.dtype)
print(matrix2.dtype)

image_1cjah0vqm1tdi10omrcmp5k3kp9.png-14.8kB

12.自定义数据类

利用dtype创建一个存储商店库存信息的数据类 用一个长度为40的字符串来记录商品名称,用一个32位的整数来记录商品的库存数量,最后用一个32位的单精度浮点型来记录商品价格。

import numpy as np
commodity_field_list = [('name',np.str,40),('numitems',np.int32),('price',np.float32)]
commodity = np.dtype(commodity_field_list)
item_list = [('DVD',42,3.14),('Butter',13,2.72)]
item_ndarray = np.array(item_list,dtype=commodity)
print(item_ndarray)
for row in item_ndarray:
    for value in row:
        print(value,end='\t')
    print()

image_1cjahs3gd1hce1plp7748k0mgim.png-33.2kB

13.ndarray索引访问

下面代码的最后一行matrix[2,2]和matrix2效果相同

import numpy as np
matrix = np.arange(25).reshape(5,5)
print(matrix.shape)
print(matrix[0])
print(matrix[1])
print(matrix[2,2],matrix[2][6])

image_1cjaj3chdki11bjomanp4l14k313.png-16.9kB

14.ndarray切片访问

注意print(matrix[...,::-1])中的...写法。

import numpy as np
matrix = np.arange(24).reshape(2,3,4)
print("打印第1层的结果:")
print(matrix[1,...])
print("打印列翻转后的结果:")
print(matrix[...,::-1])
print("打印所有层第2行的结果:")
print(matrix[:,2])

image_1cjak07cgvad4ef5ql18j512oo9.png-41.6kB

15.改变ndarray的维度

改变ndarray维度有3种方法:1.调用ndarray对象的reshape方法; 2.改变ndarray对象的shape属性的值;3.调用ndarray对象的resize方法。 第2、3种方法会直接修改操作的数组,如下面代码所示: matrix.resize(4,6)和matrix = matrix.reshape(4,6)效果相同

import numpy as np
print("reshape后没有进行赋值:")
matrix = np.arange(24).reshape(2,3,4) 
matrix.reshape(4,6)
print(matrix)
print("reshape后进行赋值:")
matrix = np.arange(24).reshape(2,3,4)
matrix = matrix.reshape(4,6)
print(matrix)
print("改变matrix对象的shape属性")
matrix = np.arange(24).reshape(2,3,4)
matrix.shape = (4,6)
print(matrix)
print("resize后没有进行赋值")
matrix = np.arange(24).reshape(2,3,4)
matrix.resize(4,6)
print(matrix)

image_1cjakgdg27g216pd9sj1fmrto2m.png-29.5kB

16.展平ndarray

使用ndarray对象的ravel方法

image_1cjal35c6dov1nap14lm1d7e1se79.png-7.5kB

使用ndarray对象的flatten方法,效果与ravel功能相同。不过,flatten函数会请求分配内存来保存结果。 修改ndarray对象的ravel方法得到的对象,会同时导致原对象修改,即他们其实指向相同的内存地址。

image_1cjalf4os1dmo12ou115i1gqd1k9gm.png-11.3kB

17.ndarray的组合

英语单词学习:水平的,horizontal;垂直的,vertical; 行,row;列,column;堆,堆积,stack。 水平组合的3种方式:

image_1cjalvej71vht1ceo1jou18fr4gr13.png-10.9kB

垂直组合的3种方式: np.concatenate方法axis参数默认为0

image_1cjam8rmmp1119sh1iln1k2661g9.png-11.9kB

18.ndarray的切割

np.split(m,3,axis=1)和np.hsplit(m,3)作用相同

import numpy as np
m = np.arange(9).reshape(3,3)
print(np.split(m,3))
m_split = np.split(m,3,axis=1)
for i in m_split:
    print(i)

image_1cjams4s41t9ass1qq81kas1tp4m.png-10.7kB

19.ndarray对象的属性

1.ndim:数组的维数, 2.size:数组元素的总个数 3.itemsize:数组中元素在内存中占的字节数 4.nbytes:整个数组所占的内存空间 5.T:返回转置后的矩阵 6.flat:返回一个numpy.flatier对象,成为“扁平迭代器”,可以像遍历一维数组一样遍历任意的多维数组。

练习

1.创建一个一维数组,将其倒置,输出结果。

import numpy as np
m = np.arange(8)
print(m)
print(m[::-1])

image_1cjao9gjse2e6r7mg34ka69u13.png-4.2kB

2.创建一个行值是0到4的5*5矩阵

import numpy as np
m = np.arange(25).reshape(5,5)
m[1:] = m[0]
print(m)

image_1cjaodgiqote10221c8fg6ut1s1g.png-5.5kB

3.创建一个10*10的矩阵,要求边框是1,里面是0。 下面代码利用了numpy的广播broadcast特性,这两种写法效果相同: m[1:-1,1:-1] = np.zeros((8,8)) m[1:-1,1:-1] = 0

import numpy as np
m = np.ones((10,10))
m[1:-1,1:-1] = 0
print(m)

image_1cjaoj8qlvrn1il4fab10p9hbj2d.png-7.5kB

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

来自专栏数据结构与算法

06:整数奇偶排序

06:整数奇偶排序 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB描述 给定10个整数的序列,要求对其重新排序。排序要求: 1...

40560
来自专栏web前端教室

js数组去重的思路与缓动公式

前端开发的面试中,至少有一类题是必出的,那就是去重。什么叫去重呢?就是把一组字符串中重复出现的,都删除掉。 这种题重要的是解决的思路要正确,思路正确的话其实也很...

23580
来自专栏五分钟学算法

每天一算:Evaluate Reverse Polish Notation

我们会在每天早上8点30分准时推送一条LeetCode上的算法题目,并给出该题目的动画解析以及参考答案,每篇文章阅读时长为五分钟左右。

7610
来自专栏算法channel

Numpy|需要信手拈来的功能

这是一篇Numpy中经常使用的API的不完全总结,欢迎补充和指导。 01 类型转化 凡是使用Numpy的小伙伴,无不遇到类型转化这个问题,并且经常需要通过调试...

33630
来自专栏数据结构与算法

1191 数轴染色

1191 数轴染色 时间限制: 1 s 空间限制: 128000 KB 题目等级 : 黄金 Gold 题目描述 Description 在一条数轴...

37590
来自专栏技术沉淀

Python: 函数式编程

17440
来自专栏java工会

java冒泡排序和快速排序

37330
来自专栏机器学习和数学

[编程经验]Python中的Lambda,Map, Reduce小结

今天要和大家分享的是Python匿名函数(anonymous functions),也叫lambda函数。匿名函数的意思就是说这个函数没有显式的函数名,因为一般...

33750
来自专栏Coco的专栏

Javascript正则构造函数与正则表达字面量&&常用正则表达式

18840
来自专栏nnngu

算法02 七大排序之:直接选择排序和堆排序

上一篇总结了交换排序的冒泡排序和快速排序。这一篇要总结的是选择排序,选择排序分为直接选择排序和堆排序,主要从以下几点进行总结。 1、直接选择排序及算法实现 2、...

36570

扫码关注云+社区

领取腾讯云代金券