python扩展库1—numpy
2018-06-18 00:59:16来源：未知 阅读 ()
1 数组对象
创建数组
import numpy as np a = np.arange(10) b = np.arange(2,10,1) #[2,10)步长为1 c = np.linspace(0,10,20) #[0,10]共20个 d = np.array([range(5)]) #用list/tuple创建数组
快速生成x*y的全零数组
a = np.zeros((3,4))
a = np.random.rand(5)
一维数组转化为二维数组
a = np.arange(20)
a = a.reshape(4,5)ps：使用reshape(-1,5)得到一样的结果，会根据列自动适应行
构造更高维的
a = a.reshape(2,2,5)
二维数组转化为一维数组
a = np.array([[1,2,3],[4,5,6]])
a = np.ravel(a)查看数组属性
a.ndim查看维度，a.shape查看各维度大小，a.size查看元素个数，a.dtype查看元素类型
数组切割vsplit（）和hsplit（）
vsplit()来进行分行，而hsplit分列，np.vsplit(arr,indices)
a = np.arange(18).reshape(-1,3) print a print np.vsplit(a,3) print np.hsplit(a,3)
输出为
array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11], [12, 13, 14], [15, 16, 17]]) [array([[0, 1, 2], [3, 4, 5]]), array([[ 6, 7, 8], [ 9, 10, 11]]), array([[12, 13, 14], [15, 16, 17]])] [array([[ 0], [ 3], [ 6], [ 9], [12], [15]]), array([[ 1], [ 4], [ 7], [10], [13], [16]]), array([[ 2], [ 5], [ 8], [11], [14], [17]])]
按指定位置切分
将第二个参数改为list，来指定切分的位置
print np.vsplit(1,4) #以第1和第4行进行切分
数组操作
1) ‘+’,’-’,’*’,’/’ 加减乘除
2)开根号、指数操作
a = np.array([1,2]) print np.array(a) print np.sqrt(a) print np.exp(a) print np.square(a) print np.power(a,5) print a**5 #和np.power(a,5)效果一样
3）最大最小值
a.min() a.max() a.sum() a.min(axis=0) #minimun element in each column a.min(axis=1) #minimun element in each row a.max(axis=0) a.max(axis=1)
4)数组均值、中位数
np.mean(a)
np.median(a)数组取值
1）可以直接使用下标取值，直接赋值为浅拷贝（b=a，为b指向了a的内存地址），要真正拷贝，使用copy
a = np.array([[1,2],[3,4]]) b = a c = a.copy() print a[0][0], b[0][0], c[0][0] #1 1 1 b[0][0] = 5 print a[0][0], b[0][0], c[0][0] # 5 5 1
2)利用’:’可以访问某一维的全部数据
a = np.arange(20).reshape(4, 5) print a[:,[1,3]] #取出a的每一行的第2到4个元素
数组拼接
a = np.array([1,2,3]) b = np.array([4,5,6]) c = np.hstack([a,b]) #[1, 2, 3, 4, 5, 6] d = np.vstack([a,b]) #[[1, 2, 3], # [4, 5, 6]]
二 矩阵对象
创建矩阵
矩阵是二维的，而数组的可以是任意正整数维
a = np.arange(5) a = np.mat(a) #[[0, 1, 2, 3, 4]] b = np.mat('1 2;3 4') #[[1, 2], #[3, 4]]
矩阵乘法
矩阵的’*’操作符进行的是矩阵乘法，乘号左侧的矩阵列和乘号右侧的矩阵行要相等，而在数组中’*’操作符进行的是每一元素的对应相乘，乘号两侧的数组每一维大小需要一致
矩阵转置
a = np.array([[1, 2, 3], [4, 5, 6]]) print np.transpose(a) #数组用transpose print np.matrix(a).T #矩阵用T
矩阵求逆
a = np.mat('1.0 2.0;3.0 4.0') b = nlg.inv(a) print a*b #[[1.0000000e+00 0.0000000e+00] #[8.8817842e-16 1.0000000e+00]]
特征值与特征向量
eig_value, eig_vector = nlg.eig(a)
3 其他
缺失值处理
用nan作为缺失值，用isnan判定
a = np.random.rand(2,2) a[0, 1] = np.nan print np.isnan(a) #[[False True] # [False False]]
标签：
版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有
- python3基础之“术语表（2）” 2019-08-13
- python3 之 字符串编码小结（Unicode、utf-8、gbk、gb2312等 2019-08-13
- Python3安装impala 2019-08-13
- 小白如何入门 Python 爬虫？ 2019-08-13
- python_字符串方法 2019-08-13
IDC资讯： 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营： 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程： Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术： Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧： 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作： FrontPages Dreamweaver Javascript css photoshop fireworks Flash
