numpy

阅读数: 10000次

numpy

1.numpy生成数组：

生成一维数组有几种方法：

1：t=np.array([x1,x2,x3,….. ])在里面填入你的数据即可

2：t=np.array(range(x))可以生成一个从0到x-1的数组

3：t3=np.arange(10)#可设置初始位置和步长

代码演示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#time 2022/1/7
import numpy as np
import random
#使用numpy生成数组
# t1=np.array([1,2,3,5])
t1=np.array([6,8,10,14,18])
 
print("t1[1]的值",t1[1])
print("原数组为",t1)
 
t2=np.array(range(10))#生成一个从0到10的数组
print("新生成的数组t2",t2)
 
t3=np.arange(10)#可设置初始位置和步长
print("新生成的数组t3",t3)
print(t3)

创建多维数组的方法：

1
2
import numpy as np
b = np.array([np.arange(6),np.arange(6)])

这里，我们使用两个arange方法，创建了两个1x6的一维数组，然后使用numpy的array方法，将两个一维数组组合成一个2x6的二维数组。从而达到了创建多维数组的目的。

numpy创建的数组可以直接复制，具体代码示例如下：

1
2
3
import numpy as np
x = [y for y in range(6)]
b=np.array([x]*4)

这样就生成了一个4*6的多维数组

运行结果代码：

1
2
3
4
t1[1]的值 8
原数组为 [ 6  8 10 14 18]
新生成的数组t2 [0 1 2 3 4 5 6 7 8 9]
新生成的数组t3 [0 1 2 3 4 5 6 7 8 9]

2.numpy中的转置：

转置是一种变换，对于numpy中的数组来说，就是在对角线方向交换数据，其目的是为了更方便的处理数据。

三种转置方法，用到了三个函数：t.transpose() t.swapaxes(1,0) 和t.T，个人认为t.T比较简便

代码演示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import numpy as np
t=np.array([[2,1,4,6],
            [3,2,1,7],
            [4,2,7,8]])
#第一种
#对矩阵t进行转置
print("第一种转置后的矩阵")
print(t.transpose())
#第二种
print("第二种转置后的矩阵")
print(t.swapaxes(1,0))
#第三种
print("第三种转置后的矩阵")
print(t.T)

运行结果代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
第一种转置后的矩阵
[[2 3 4]
 [1 2 2]
 [4 1 7]
 [6 7 8]]
第二种转置后的矩阵
[[2 3 4]
 [1 2 2]
 [4 1 7]
 [6 7 8]]
第三种转置后的矩阵
[[2 3 4]
 [1 2 2]
 [4 1 7]
 [6 7 8]]

3.numpy中的索引和切片:

我们可以对numpy数组中的元素取行，取列，取多行，取多列

代码演示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import numpy as np
a=np.array([[0,1,2,3],
            [4,5,6,7],
            [8,9,10,11]])
#原矩阵元素
print("原有矩阵",a)
#取矩阵中的一行元素
print("取矩阵中一行元素",a[1])
#取矩阵中的一一列元素
print("取矩阵中一列元素",a[:,1])
#取矩阵中的多行元素
print("取矩阵中的多行元素",a[0:1])#最后一行是不包括1的
#取多列元素
print("取矩阵中的多列元素",a[0:,0:3])

一维Numpy数组的切片操作与Python列表的切片一样。下面首先来定义数字0 1 2直到8的数组，然后通过指定下标3到7来选择数组的部分元素，这实际上就是提取数组中值为3到6的元素。

1
2
3
4
In: import numpy as np
In: a = np.arange(9)
In: a[3:7]
Out: array([3,4,5,6])

同时用下标选择元素，下标范围从0到7，并且下标每次递增2，如下所示：

1
2
In: a[:7:2]
Out:array([0,2,4,6])

也可以像Python数组一样，用负值下标来反转数组：

1
2
In: a[::-1]
Out: array([8,7,6,5,4,3,2,1,0])

对于二维数组的索引，类似与Python数组的列表：

1
2
3
In: a=np.array([[1,2,3],[4,3,2]])
In: a[1][0] 
Out:array([4])In:a[1,:2]    #获取第1维的前2个元素Out:array([4, 3])

4.numpy中的数值修改:

通过操作使列和行的值变成零以及修改某个数的值

代码演示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import numpy as np
a=np.array([[0,1,2,3],
            [4,5,6,7],
            [8,9,10,11]])
b=np.array([[4,1,2,3],
            [4,9,6,7],
            [3,9,2,11]])
 
#修改行列的值,使列变成了零
a[:,1:3]=0
print(a)
#修改行的值,使行变成了零
b[1:3:]=0
print(a)
#通过赋值可以修改某个数的值
c=np.arange(24).reshape((4,6))
c[c==4]=11
print(a)

运行结果代码：

1
2
3
4
5
6
7
8
9
10
[[ 0  0  0  3]
 [ 4  0  0  7]
 [ 8  0  0 11]]
[[4 1 2 3]
 [0 0 0 0]
 [0 0 0 0]]
[[ 0  1  2  3 11  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]

5.numpy中的布尔索引：

t为一个数组，通过t<x,可以使小于x的数变成True输出，大于x则为False，那么t>x使相反的。

代码演示：

1
2
3
4
5
6
7
8
9
10
11
12
13
import numpy as np
#生成一个数组，通过reshape函数让其成为几列几行
t=np.arange(24).reshape((4,6))
print("小于10为True大于10为False")
print(t<10)
#矩阵中小于10的数都替换成为零
t[t<10]=0
print("矩阵中小于10的数都替换成为零")
print(t)
#矩阵中大于10的数都替换成为10
t[t>10]=10
print("矩阵中大于10的数都替换成为10")
print(t)

运行结果代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
小于10为True大于10为False
[[ True  True  True  True  True  True]
 [ True  True  True  True False False]
 [False False False False False False]
 [False False False False False False]]
矩阵中小于10的数都替换成为零
[[ 0  0  0  0  0  0]
 [ 0  0  0  0 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]
矩阵中大于10的数都替换成为10
[[ 0  0  0  0  0  0]
 [ 0  0  0  0 10 10]
 [10 10 10 10 10 10]
 [10 10 10 10 10 10]]

6.numpy中三元运算符：

通过np.where()函数可以调整值

代码演示：

1
2
3
4
5
6
#Gyh
#2022/1/12
import numpy as np
#生成一个数组，通过reshape函数让其成为几列几行
t=np.arange(24).reshape((4,6))
print(np.where(t<10,0,10))#使小于10的为0，大于10的为10

7.numpy中clip裁剪：

代码演示：

1
2
3
4
5
6
7
#numpy中clip裁剪
import numpy as np
t=np.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]])
print(t.clip(10,18))#小于10的修改为10，大于18的修改为18

8.numpy中的基本运算：

1
2
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[4,5,6],[1,2,3]])
向量与向量之间
1.加法
1
2
3
4
5
t1=np.add(a,b)
#或者
t2=a+b
print(t1)
print(t2）
2.减法
1
2
3
4
5
t1=np.subtract(a,b)
#或者
t2=a-b
print(t1)
print(t2)
3.乘法（X乘）
1
2
3
4
5
t1=np.multiply(a,b)
#或者
t2=a * b
print(t1)
print(t2)
4.乘法（点乘）
1
2
3
4
5
6
a = np.array([[1,2,3],[4,5,6]])
b = np.array([4,5,6])
t1=np.dot(a,b) 
print(t1)
#输出结果
out:array([32,77])
5.除法
1
2
3
4
5
6
7
a = np.array([[1,2,3],[4,5,6]])
b = np.array([[4,5,6],[1,2,3]])
t1=np.divide(a,b)#或
t2=a/b
#输出结果
Out:array([[ 0.25,  0.4 ,  0.5 ],
       [ 4.  ,  2.5 ,  2.  ]])
向量与标量之间
1
a=np.array([[1,2,3],[4,5,6]])
1.加法
1
2
In:  a +1
Out:array([[2, 3, 4],[5, 6, 7]])
2.减法
1
2
In:  a -1
Out:array([[0, 1, 2],[3, 4, 5]])
3.乘法
1
2
In: a*2
Out:array([[ 2,  4,  6],[ 8, 10, 12]])
4.除法
1
2
In: a/2
Out:array([[ 0.5,  1. ,  1.5],[ 2. ,  2.5,  3. ]])
5.求余
1
2
In:a%2
Out:array([[1, 0, 1],[0, 1, 0]])
6.矩阵转置
1
2
In:a.T
Out:array([[1, 4],[2, 5],[3, 6]])
7.矩阵的逆

矩阵可逆的充要条件是矩阵满秩。

1
2
3
import numpy as npimport numpy.linalg as lga = np.array([[1,2,3],[4,5,6],[7,8,9]])
In:lg.inv(a)
Out:array([[  3.15251974e+15,  -6.30503948e+15,   3.15251974e+15],[ -6.30503948e+15,   1.26100790e+16,  -6.30503948e+15],[  3.15251974e+15,  -6.30503948e+15,   3.15251974e+15]])

9.numpy中的常用统计函数：

求和：t.sum(axis=None)

均值：t.mean(a,axis=None)

受离群点的影响较大 中值：np.median(t,axis=None)

最大值：t.max(axis=None)

最小值：t.min(axis=None)

极值：np.ptp(t,axis=None) 即最大值和最小值只差

标准差：t.std(axis=None)

10.数组的折叠

从深度看，数组既可以横向叠放，也可以竖向叠放。因此，我们我们对数组进行堆叠，Numpy数组对堆叠包含以下几个函数： 首先，创建两个数组。

1
2
3
4
5
6
In: a = np.arange(9).reshape(3,3)
In: a
Out: array([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])
In: b = a*2
In: b
Out: array([[ 0,  2,  4],       [ 6,  8, 10],       [12, 14, 16]])
hstack()

水平叠加。

1
2
In: np.hstack((a,b))  # 注意 这里是两层括号
Out: array([[ 0,  1,  2,  0,  2,  4],       [ 3,  4,  5,  6,  8, 10],       [ 6,  7,  8, 12, 14, 16]])
vstack()

垂直叠加。

1
2
In: np.vstack((a,b))
Out:array([[ 0,  1,  2],       [ 3,  4,  5],       [ 6,  7,  8],       [ 0,  2,  4],       [ 6,  8, 10],       [12, 14, 16]])
dstack()

深度叠加。

1
2
In: np.dstack((a,b))
Out: array([[[ 0,  0],        [ 1,  2],        [ 2,  4]],       [[ 3,  6],        [ 4,  8],        [ 5, 10]],       [[ 6, 12],        [ 7, 14],        [ 8, 16]]])

11.数组的拆分

使用Numpy，我们可以方便的对数组进行拆分，比如使用hsplit()、vsplit()、dsplit()、split()函数等。

拆分数组

准备数组。

1
2
3
4
import numpy as np
In: a= np.arange(9).reshape(3,3)
In: a
Out: array([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])
hsplit()

横向拆分。

1
2
In: np.hsplit(a,3)
    Out:[array([[0],[3], [6]]),     .  array([[1], [4],[7]]),        array([[2],[5], [8]])]
vsplit()

纵向拆分。

1
2
In: np.vsplit(a,3)
Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
dsplit()

深度拆分。 深度拆分要求数组的秩大于等于3。

1
2
3
c= np.arange(27).reshape(3,3,3)
In: np.dsplit(c,3)
Out:[array([[[ 0],         [ 3],         [ 6]],        [[ 9],         [12],         [15]],        [[18],         [21],         [24]]]), array([[[ 1],         [ 4],         [ 7]],        [[10],         [13],         [16]],        [[19],         [22],         [25]]]), array([[[ 2],         [ 5],         [ 8]],        [[11],         [14],         [17]],        [[20],         [23],         [26]]])]
赏

谢谢你请我吃糖果

支付宝
微信

扫一扫，分享到微信

微信分享二维码

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

生活不止眼前的苟且,还有诗和远方的田野. WeChat：gyh2219608739 就读学校：河南理工