1. 简介
NumPy(Numerical Python) 是 Python 言语的一个扩大顺序库，支持年夜量的维度数组与矩阵运算，别的也针对数组运算提供年夜量的数学函数库。最次要的数据构造是ndarray数组。
NumPy 通常与 SciPy（Scientific Python）以及 Matplotlib（画图库）一同应用， 这类组合宽泛用于代替 MatLab。
SciPy 是一个开源的 Python 算法库以及数学对象包。SciPy 蕴含的模块有最优化、线性代数、积分、插值、非凡函数、疾速傅里叶变换、旌旗灯号解决以及图象解决、常微分方程求解以及其余迷信与工程中罕用的较量争论。
Matplotlib 是 Python 编程言语及其数值数学扩大包 NumPy 的可视化操作界面。
2. 创立
创立一维数组
（1）间接创立：np.array([1, 2, 3, 4, 5, 6])
（2）从python的list中建设：np.array(list([1, 2, 3, 4, 5, 6]))
创立常量值的一维数据
（1）创立以0为常量值：np.zeros(n,dytpe=float/int)
（2）创立以1为常量值：np.ones(n)
（3）创立一个空数组：np.empty(4)
创立一个元素递增的数组
（1）从0开端增进的递增数组：np.arange(8)
（2）给定区间，自界说步长：np.arange(0,1,0.2)
（3）给定区间，自界说个数：np.linspace(-1,1,50)
创立多维数组：创立单维数组，再增加进多维数组
# 数组的构造肯定是np.array([]) 无论数组两头寄存的是几何“层”数据 # 二维数组相称于寄存的是“两层”数组罢了 arr1=np.array(list([1, 2, 3, 4, 5])) arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组 arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组 arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错 arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错
相干保举：《python视频教程》
创立常量值的(n*m)维数据
（1）创立以0为常量值：np.zeros((n*m),dytpe=float/int)
（2）创立以1为常量值：np.ones((n*m))
（3）创立一个空数组：np.empty((n*m))
创立随机数字的数组
天生随机数种子：
（1）np.random.seed()
（2）np.random.RandomState()
天生随机数：
天生有散布法则的随机数组
（1）二项散布：np.random.binomial(n, p, size)
（2）正态散布：np.random.normal(loc, scale, size)
将csv文件转化成数组或阵列
应用 np.genfromtxt( ‘csv文件名’，delimiter = ‘文件中的宰割符’ )函数将文件转化成数组
csv_array = np.genfromtxt('sample.csv', delimiter=',')
print(csv_array)3. 数组的变形
天生数组／矩阵转置的函数，即行列数字替换，应用.T
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
print(a.T)
-------------------
# 后果以下
[[32 12 2]
[15 10 16]
[ 6 5 13]
[ 9 23 40]
[14 1 37]]扭转数组的形态：
（1）arr.resize(n,m) ：arr.resize(n,m)函数是原地修正数组，要求：元素的个数必需分歧
a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]
（2）arr.reshape(n,m)：假如某一个维度的参数为-1，则示意元素总个数会将就另外一个维度来较量争论
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
将一维升至二维：np.newaxis
np.newaxis其实是间接添加维度的意义，咱们普通没有会给数组添加太多维度，这里以一维添加到二维为例：
（1）添加行维度：arr[np.newaxis, :]
（2）添加列维度：arr[: , np.newaxis]
a=np.arange(8) a # array([0, 1, 2, 3, 4, 5, 6, 7]) a.shape # (8,) a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]]) a.shape # (8,) a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]]) a.shape # (8,)
降维：arr.ravel()
arr.ravel()函数正在降维时：默许是行序优学生成新数组（就是一行行读）；假如传入参数“F”则是列序降维天生新数组
a=np.array([[1,2],[3,4]])
a.ravel()
a.ravel('F')
----------------------------
# 后果 array([1, 2, 3, 4])
# 后果 array([1, 3, 2, 4])4. 较量争论
对数组进行较量争论操作
（1）对元素进行加减较量争论
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])
a+b
a-b
----------------------------
# a+b以及a-b后果辨别是：
array([[ 1, 3, 7, 6],
[ 8, 6, 6, 13]])
array([[-1, -1, -3, 0],
[ 0, 4, 6, 1]])（2）乘法：平方／矩阵中元素相乘
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]])
a**2
a*b
-----------------------
# a矩阵平方／a*b矩阵中元素相乘后果辨别：
array([[ 0, 1, 4, 9],
[16, 25, 36, 49]])
array([[ 0, 2, 10, 9],
[16, 5, 0, 42]])（3）矩阵*矩阵：
# 要求a矩阵的行要等于b矩阵的列数；且a矩阵的列等于b矩阵的行数
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]])
c1 = np.dot(a,b)
c2 = a.dot(b)
----------------------
# ab矩阵相乘的后果：c1=c2
array([[ 31, 36],
[ 99, 100]])（4）逻辑较量争论
【注】列表是无奈作为一个全体对此中的各个元素进行逻辑判别的！
# 后果前往：一个数组，此中每一个元素依据逻辑判别的布尔类型的后果
a > 3
-----------------------------
# 后果以下：
array([[False, False, False, False],
[ True, True, True, True]])5. 取值
猎取一维数组中的某个元素：操作以及list列表的index同样
a = np.array([5, 2, 7, 0, 11]) a[0] # 后果为 5 a[:4] # 后果为 从头开端到索引为4完结 a[2:] # 后果为 从索引为2的开端到末端 a[::2] # 后果为 从头开端到末端，每一2个取一个值
猎取多维数组的某个元素，某行或列值
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
a[2,1] # 后果是一个元素 16
a[2][1] # 后果是一个元素 16
a[1] # 第2行 array([12, 10, 5, 23, 1])
a[：，2] # 掏出全副行，第2列 [15,10,16]
a[1:3, :] # 掏出[1，3)行，全副列
a[1,1:] # array([10, 5, 23, 1])猎取餍足逻辑运算的
# 需求留意的是，咱们数据进行逻辑较量争论操作失去的依然是一个数组
# 假如咱们想要的是一个过滤后的数组，就需求将"逻辑判别"传入数组中
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
a[a > 3]
a[(a > 3) | (a < 2)]
------------------------------
# 后果辨别是：
array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37])
array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])遍历：后果是按行输入
a = np.array([[32, 15, 6, 9, 14],
[12, 10, 5, 23, 1],
[2, 16, 13, 40, 37]])
for x in a:
print(x)
--------------------
[32 15 6 9 14]
[12 10 5 23 1]
[ 2 16 13 40 37]6. 复制／宰割／兼并
复制：arr.cope()
宰割：
（1）平分：np.split(arr, n, axis=0/1)（即行数或列数能够整除了n时才能够）
（2）没有平分：np.array_split(arr, n) 默许按行分n份
a = np.array([[32, 15, 6, 9, 14, 21],
[12, 10, 5, 23, 1, 10],
[2, 16, 13, 40, 37, 8]])
# 能够看到a矩阵是(3*6)，以是应用np.split()只能测验考试行分红3份；或许列分红2/3/6份
np.split(a,3,axis=0)
np.split(a,3,axis=1)
np.array_split(a,2)
np.array_split(a,4,axis=1)
-------------------------------------------
[array([[32, 15, 6, 9, 14, 21]]),
array([[12, 10, 5, 23, 1, 10]]),
array([[ 2, 16, 13, 40, 37, 8]])]
[array([[32, 15],
[12, 10],
[ 2, 16]]), array([[ 6, 9],
[ 5, 23],
[13, 40]]), array([[14, 21],
[ 1, 10],
[37, 8]])]
[array([[32, 15, 6, 9, 14, 21],
[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])]
[array([[32, 15],
[12, 10],
[ 2, 16]]), array([[ 6, 9],
[ 5, 23],
[13, 40]]), array([[14],
[ 1],
[37]]), array([[21],
[10],
[ 8]])]
兼并：np.concatenate((arr1,arr2,arr3), axis=0/1) 默许接正在数据上面
a=np.random.rand(2,3)
b=np.random.randint(1,size=(2,3))
np.concatenate((a,b,a)) # 接正在上面
np.concatenate((a,b,a),axis=1) # 接正在前面
------------------------
array([[0.95912866, 0.81396527, 0.809493 ],
[0.4539276 , 0.24173315, 0.63931439],
[0. , 0. , 0. ],
[0. , 0. , 0. ],
[0.95912866, 0.81396527, 0.809493 ],
[0.4539276 , 0.24173315, 0.63931439]])
array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. ,
0. , 0.95912866, 0.81396527, 0.809493 ],
[0.4539276 , 0.24173315, 0.63931439, 0. , 0. ,
0. , 0.4539276 , 0.24173315, 0.63931439]])以上就是Python Numpy库对数组的操作详解的具体内容，更多请存眷资源魔其它相干文章！
标签： 数组 Python python教程 python编程 python使用问题 Numpy库
相关文章
抱歉，评论功能暂时关闭!