numpy庫入門python
維度：一組數據的組織形式程序員
一維數據：由對等關係的有序或無序數列構成，採用線性方式組織 (列表，集合) （數組）數組
列表和數組 都是一組數據的有序結構 不一樣點 列表：數據類型能夠不一樣 數組：數據類型相同dom
二維數據：由多個一維數據構成，是一維數據的組合形式 (表格)(列表) 多維數據：由一維或二維數據在新維度上擴展造成(多維列表) 高維數據僅利用最基本的二元關係展現數據間的複雜結構 (字典)函數
Numpy Numpy 是一個開源的python科學計算基礎庫 一個強大的N維數組對象 ndarray 廣播功能函數 整合C/C++/Fortran代碼的工具 線性代數、傅里葉變換、隨機數生成等功能 Numpy是SciPy、Pandas等數據處理或科學計算庫的基礎工具
Numpy的引用 import numpy as np 引入模塊的別名 ps: 儘管別名能夠省略或更改，建議使用上述約定的別名性能
例子 計算A^2+B^3，其中A和B是一維數組優化
import numpy as npspa
def npSum(): a = np.array([0,1,2,3,4]) b = np.array([9,8,7,6,5]) c = a2 + b3 return c設計
print(npSum )
N維數組對象：ndarray 數組對象能夠去掉元素間運算所需的循環，使一維向量更像單個數據 設置專門的數組對象,通過優化，能夠提高這類應用的運算速度
N維數組對象：Ndarray
ndarray是一個多維數組對象，由兩部分構成：
實際的數據
描述這些數據的元數據(數據維度、數據類型等)
ndarray 數組通常要求全部元素的類型相同(同質) 數組下標從0開始
ndarray 實例 np.array()能夠生成一個ndarray數組 np.array()輸出形式爲[],元素由空格分割 軸：保存數組的維度 秩：軸的數量
ndarray對象的屬性
.ndim 秩，即軸對象的數量或維度的數量
.shape ndarray對象的尺度,對於矩陣,n行m列
.size ndarray對象元素的個數，至關於.shape 中 n*m的值
.dtype ndarray對象中每一個元素的類型
ndarray 的元素類型
對比python 對比：python語法僅支持整數、浮點數和複數3種類型
科學計算設計數據較多,對於存儲和性能都有較高要求
對元素類型精細定義，有助於Numpy合理使用存儲空間並優化性能。
有助於程序員對程序規模有合理評估
ndarray數組的建立方法
1.從Python中的列表、元祖等類型建立ndarray數組 x = np.array(list/tuple) x = np.array(list/tuple,dtype = np.float32) 當np.array()不指定dtype時,NumPy將根據數據狀況關聯一個dtype類型。
2.使用Numpy中函數建立ndarray數組,如:arange、ones、zeros等。 np.arange(n):相似range()函數,返回一個ndarray類型,元素從0-n-1 np.ones(shape):根據shape生成一個全是1的數組,shape是元祖類型。 np.zeros(shape):根據shape生成一個全是0的數組,shape是元祖類型。 np.full(shape,val):根據shape生成一個數組,每一個元素的值都是val。 np.eye(n):建立一個正方的n*n單位矩陣,對角線爲1,其他爲0。 np.empty(shape):隨機建立一個數組,根據內存狀態。
np.ones_like(a):根據數組a的形狀生成一個全1數組
np.zeros_like(a):根據數組a的形狀生成一個全0數組
np.full_like(a,val):根據數組a的形狀生成一個數組,每一個元素都是val
np.linspace():根據起止數據等間距地填充數據,造成數組。
np.concatenate():將兩個或多個數組合併成一個新的數組
ndarray數組的維度變換 .reshape(shape):不改變數組元素，返回一個shape形狀的數組，原數組不變 .resize(shape):與.reshape()功能一致，但修改原數組 .swapaxes(ax1,ax2):將數組n個維度中兩個維度進行調換 .flatten():對數組進行降維，返回摺疊後的一維數組，原數組不變 ndarray數組的類型變換 .astype(new_type)方法必定會建立新的數組(原始數據的一個拷貝),即便兩個類型一致。 .tolist()數組向列表的轉換 3.從字節流(raw bytes) 中建立ndarray 數組。
4.從文件中讀取特定格式,建立ndarray 數組
數組的索引與切片 一維數組： a = np.array([9,8,7,6,5]) a[2] #7 索引 a[1:4:2] #array([8,6]) 起始編號：終止編號(不包含)：步長
多維數組：
a = np.arange(24).reshape((2,3,4))
array([[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],a
[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])
#索引
a[1,2,3] #23
a[0,1,2] #6
a[-1,-2,-3] #17
#數組的索引都是從0開始,每一個維度用,分割
#切片
a[:,1,-3]
#array([5,17])
全部維度下的索引1的內容的-3
a[:,1:3,:] #array([[[4,5,6,7], [8,9,10,11]],
[[16,17,18,19],
[20,21,22,23]]])
#全部維度下的全部1-3 即4-11 和16-17
a[:,:,::2]
#array([[[0,2],
[4,6],
[8,10]],
[[12,14],
[16,18],
[20,22]]])
全部維度下的全部值的全部元素 步長爲2
ps: 選取一個維度用' : ' 每一個維度切片方法與一維數組相同 每一個維度可使用步長跳躍切片
ndarray數組的運算
數組與標量之間的運算做用於數組的每個元素
a.mean()平均值
NumPy一元函數
對ndarray中的數據執行元素級運算的函數
np.abs(x) np.fabs(x) 計算數組各元素的絕對值
np.sqrt(x) 計算數組各元素的平方根
np.square(x) 計算數組各元素的平方
np.log(x) np.log10(x) 計算數組各元素的天然對數
np.log2(x) 10底對數和2底對數
np.ceil(x) np.floor(x) 計算數組各元素的ceiling的值或floor值
ps:
ceiling:不超過元素的整數值
floor:小於這個元素的最大整數值
np.rint(x) 計算數組各元素的四捨五入值 np.modf(x) 計算數組各元素的小數和整數部分以兩個獨立數組形式返回 np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) 計算數組各元素的普通型和雙曲型三角函數 np.tan(x) np.tanh(x) np.exp(x) 計算數組各元素的指數值 np.sign(x) 計算數組各元素的符號值，1(+),0,-1(-)
矩陣拼接
#這裏介紹一下矩陣拼接
In [1]: import numpy as np
In [2]: a = np.floor(10*np.random.random((2,2)))
In [3]: b = np.floor(10*np.random.random((2,2)))
In [4]: a
Out[4]:
array([[5., 1.],
[5., 9.]])
In [5]: b
Out[5]:
array([[9., 1.],
[2., 7.]])
In [6]: np.hstack((a,b))#調用 ndarray中的hstack方法進行行拼接
Out[6]:
array([[5., 1., 9., 1.],
[5., 9., 2., 7.]])
In [7]: np.vstack((a,b))#調用 ndarray中的hstack方法進行列拼接
Out[7]:
array([[5., 1.],
[5., 9.],
[9., 1.],
[2., 7.]])
#這裏介紹矩陣的拆分
In [9]: import numpy as np
In [10]: a = np.floor(10*np.random.random((2,12)))
In [11]: a
Out[11]:
array([[6., 6., 8., 7., 2., 9., 6., 2., 6., 7., 7., 5.],
[7., 5., 1., 0., 4., 0., 2., 0., 9., 8., 1., 0.]])
In [12]: np.hsplit(a,3)#平均拆分爲3個數組
Out[12]:
[array([[6., 6., 8., 7.],
[7., 5., 1., 0.]]), array([[2., 9., 6., 2.],
[4., 0., 2., 0.]]), array([[6., 7., 7., 5.],
[9., 8., 1., 0.]])]
In [13]: np.hsplit(a,(3,4))#從3，4開始拆分 分紅三個數組 這裏3，4自成一個數組
Out[13]:
[array([[6., 6., 8.],
[7., 5., 1.]]), array([[7.],
[0.]]), array([[2., 9., 6., 2., 6., 7., 7., 5.],
[4., 0., 2., 0., 9., 8., 1., 0.]])]
In [14]: a = np.floor(10*np.random.random((2,12)))
#縱向拆分
In [16]: a = np.floor(10*np.random.random((12,2)))
In [17]: a
Out[17]:
array([[1., 1.],
[3., 4.],
[5., 5.],
[7., 4.],
[3., 8.],
[7., 5.],
[4., 7.],
[2., 4.],
[6., 7.],
[6., 6.],
[6., 3.],
[6., 1.]])
In [18]: np.vsplit(a,3)
Out[18]:
[array([[1., 1.],
[3., 4.],
[5., 5.],
[7., 4.]]), array([[3., 8.],
[7., 5.],
[4., 7.],
[2., 4.]]), array([[6., 7.],
[6., 6.],
[6., 3.],
[6., 1.]])]
In [19]: np.vsplit(a,(3,4))
Out[19]:
[array([[1., 1.],
[3., 4.],
[5., 5.]]), array([[7., 4.]]), array([[3., 8.],
[7., 5.],
[4., 7.],
[2., 4.],
[6., 7.],
[6., 6.],
[6., 3.],
[6., 1.]])]