第二十一天-NumPy

什么是NumPy

NumPy使用

1.数组的创建

2.类型转换

3.赠删改查

4.数组运算

5.矩阵运算

什么是NumPy

1.NumPy操作的是多维数组，什么是纬度？

NumPy使用

安装

pip install numpy

import numpy as np

2.官网：

中文官网：numpy.org.cn

1.数组的创建

1.创建一个一维数组：array

复制代码

import numpy as np

#创建一个一维数组
d1=np.array([1,2,3,4,5])
print(d1)
#查看size
print(d1.size)
#查看type
print(type(d1))
#查看数据维度
print(d1.ndim)

out:

1 2 3 4 5

2.创建一个二维数组:arnge

复制代码

#创建一个二维数组
d2=np.arange(15)
print(d2)
#增加行，列维度
d2=d2.reshape(3,5)
print(d2)

out:

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

\[ 0 1 2 3 4

5 6 7 8 9

10 11 12 13 14\]

3.创建全为0或1的数组

复制代码

# 创建全为0的数组
d3 = np.zeros(15)
d3 = d3.reshape(3, 5)
print(d3)

d4 = np.ones(15)
d4 = d4.reshape(3, 5)
print(d4)

out

\[0. 0. 0. 0. 0.

0. 0. 0. 0. 0.

0. 0. 0. 0. 0.\]

\[1. 1. 1. 1. 1.

1. 1. 1. 1. 1.

1. 1. 1. 1. 1.\]

4.empty,创建新数组，只分配内存空间，不填充任何值

复制代码

d5 = np.empty(([1,2,3]))
print(d5)

2.类型转换

numpy会自动根据传入类型设置数据类型

数组转np数组

数组转为np数组

data = [[1, 2, 3, 4], [5, 6, 7, 8]]
print(type(data))
d1 = np.array(data)
print(d1)
print(type(d1))

out:

\[1 2 3 4

5 6 7 8\]

2.dtype识别数据类型

复制代码

d4 = np.ones(15)
d4 = d4.reshape(3, 5)
print(d4.dtype)

out:float64

3.创建时指定数据类型

复制代码

d4 = np.arange(15,dtype=np.float64)
d4 = d4.reshape(3, 5)
print(d4)

print(d4.dtype)

4.对ndarray进行数据类型转换，astype

复制代码

data4.astype(np.float64)

3.赠删改查

1.索引

复制代码
#一维数组索引获取数据
d1=np.arange(15)
print(d1)
print("获取第一个：",d1[0])
print("获取最后一个：",d1[-1])

#二维数组
d2=np.arange(15).reshape(3,5)
print(d2)
print("获取第一行第一列，方法1：",d2[0,0])
print("获取第一行第一列，方法2：",d2[0][0])
print("获取倒数第一行第一列，方法1：",d2[-1,-1])
print("获取倒数第一行第一列，方法2：",d2[-1][-1])

#三维数组
d2=np.arange(30).reshape(3,5,2)
print(d2)
print("获取第一行第一列第一个，方法1：",d2[0,0,0])
print("获取第一行第一列第一个，方法2：",d2[0][0][0])
print("获取倒数第一行第一列第一个，方法1：",d2[-1,-1,-1])
print("获取倒数第一行第一列第一个，方法2：",d2[-1][-1][-1])
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
获取第一个： 0

获取最后一个： 14

\[ 0 1 2 3 4
5 6 7 8 9
10 11 12 13 14\]
获取第一行第一列，方法1： 0

获取第一行第一列，方法2： 0

获取倒数第一行第一列，方法1： 14

获取倒数第一行第一列，方法2： 14

\[\[ 0 1
2 3
4 5
6 7
8 9\]
\[10 11
12 13
14 15
16 17
18 19\]
\[20 21
22 23
24 25
26 27
28 29\]\]
获取第一行第一列第一个，方法1： 0

获取第一行第一列第一个，方法2： 0

获取倒数第一行第一列第一个，方法1： 29

获取倒数第一行第一列第一个，方法2： 29

2.索引

复制代码

#一维数组切片
d1=np.arange(15)
print("===",d1[0:3]) #截取包含起始下标到不包含结尾的数据
print("===",d1[:-1]) #截取全部


#二维数组切片
d2=np.arange(15).reshape(3,5)
print("===",d2[0:1,:]) #行参数，列参数
print("===",d2[:,3:4]) #获取全部行，中3列的数据

#三维数组
d3=np.arange(30).reshape(3,5,2)
print("===",d3)
print("===",d3[0:1,2:,:]) #行参数，列参数，三维参数

#根据索引获取数据
#一维数组
print("===",d1[np.array([0,2,4])])

print("===",d2[np.array([0,2]),np.array([1,2])])

=== [0 1 2]

=== [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13]

=== [[0 1 2 3 4]]

=== [[ 3]

8

13\]

=== [[[ 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 25

26 27

28 29\]\]

=== [[[4 5]

6 7

8 9\]\]

=== [0 2 4]

=== [ 1 12]

4.数组运算

算数运算

复制代码
import numpy as np

#算数运算
a= np.random.random(10000)*10
b= np.random.random(10000)*10
#加法
print("加法：",np.add(a,b))
print("减法：",np.subtract(a,b))
print("除法：",np.divide(a,b))
print("乘法：",np.multiply(a,b))
加法： [13.06866571 6.26206256 7.44861655 ... 12.38302847 13.97542329

11.69602862]

减法： [-1.04377832 4.84747125 2.0907946 ... -5.08931599 -0.78999914

7.99437207]

除法： [0.85207689 7.85352893 1.78046438 ... 0.41744326 0.89299336 5.31934836]

乘法： [42.42513755 3.92886251 12.77761661 ... 31.85956422 48.67208937

18.22177516]

2.数学函数

如：sin，更多函数请看官方文档

复制代码
#数学三角函数
ang=np.array([0,30,45,60,90,120,135,150,180])
rad=np.sin(ang*np.pi/180)
print(rad)
0.00000000e+00 5.00000000e-01 7.07106781e-01 8.66025404e-01 1.00000000e+00 8.66025404e-01 7.07106781e-01 5.00000000e-01 1.22464680e-16

3.统计函数

复制代码
# 统计函数
d2 = np.array([1, 2, 3, 4, 5])
print("平均值mean：", np.mean(d2))
print("平均值average：", np.average(d2))
print("平均值，加权：", np.average(d2, weights=np.array([2, 2, 1, 1, 1])))
print("中位数median：", np.median(d2))
# 中位数，如未偶数，则取中间2个值进行除以2
print("中位数median,偶数：", np.median([1, 2, 3, 4, 5, 6]))
#方差 求每个数的离散值
print("方差，,var：", np.var(d2))
print("标准差,std：", np.std(d2))
平均值mean： 3.0

平均值average： 3.0

平均值，加权： 2.5714285714285716

中位数median： 3.0

中位数median,偶数： 3.5

方差，求每个数的离散值,var： 2.0

标准差,std： 1.4142135623730951

4.聚合运算

sum与np.sum性能对比，np.sum函数比内置统计函数快了10倍

复制代码
#聚合运算
a = np.array([1, 2, 3, 4, 5])
print("内置统计函数sum：",sum(a))
print("numpay统计函数:sum：",np.sum(a))
print("累计乘prod：",np.prod(a))
print("最大值max：",np.max(a))
print("最小值min：",np.min(a))
内置统计函数sum： 15

numpay统计函数:sum： 15

累计乘prod： 120

最大值max： 5

最小值min： 1

5.筛选排序：

复制代码
# 筛选、排序
a = np.array([1, 2, 3, 4, 5, 6])
# 筛选函数，注意返回的是下标
print("筛选：", np.where(a > 3))
print("排序，升序：", np.sort(a))
筛选： (array([3, 4, 5], dtype=int64),)

排序： [1 2 3 4 5 6]

5.矩阵运算

1.什么是矩阵，

按照长方阵列（m行*n列）排列的数值集合
dot使用

复制代码
a = np.arange(15).reshape(3, 5)
b = np.arange(15, 30).reshape(3, 5)
print("a:",a)
print("b:",b)
# 转置
a = a.T
print("a转置后",a)
print(np.dot(a, b))
a: [[ 0 1 2 3 4]

5 6 7 8 9
10 11 12 13 14\]
b: [[15 16 17 18 19]

20 21 22 23 24
25 26 27 28 29\]
a转置后 [[ 0 5 10]

1 6 11
2 7 12
3 8 13
4 9 14\]
\[350 365 380 395 410
410 428 446 464 482
470 491 512 533 554
530 554 578 602 626
590 617 644 671 698\]

第二十一天-NumPy

什么是NumPy

NumPy使用

1.数组的创建

2.类型转换

数组转为np数组

3.赠删改查

4.数组运算

5.矩阵运算