Python之Numpy的基础及进阶函数(图文)

2018-06-18 01:59:37来源:未知 阅读 ()

新老客户大回馈,云服务器低至5折

  一样,咱的计算机还是得先拥有Python,并且安装了Numpy库。有疑问的话可以看这里呦~~~~

 

下面开讲:

  NumPy的主要对象是齐次多维数组。它是一个元素表(通常是数字),并且都是相同类型,由正整数的元组索引。

  其他暂且略过,咱主要说一些可以听懂的并且有实际效用的。

 

  首先,我们得创建有一个ndarry对象,简单地介绍其中三种方法吧:

      • a=np.array([1,2,3])

       

      • data=[[1,2,3],[4,5,6]]
        a=np.array(data)

        

      • a=np.arange(15).reshape(3,5)

       

在这里我们就用第三个作为例子接着往下讲哈(我就不用再创建了哈哈)

  ndarray对象的重要的属性如下:

    • ndarray.ndim:

      输出ndarray的维度(轴数,也有人叫它等级,在Python世界中,维度的数量被称为等级),这里的轴也叫坐标轴。

      

        这两种写法都是可以的,亲试如图,下面的其他函数也是一样的。

 

      例如,array([1,2,1])是一个等级为1的数组,因为它具有一个坐标轴,该轴的长度为3。

      在上面的示例中,该数组的排名为2(它是2维的)。第一维(轴)的长度为3,第二维的长度为5。

 

    • ndarray.shape:

      输出数组的尺寸,即(n,m)。

      

    • ndarray.size:

      数组元素的总数,即 n * m。

      

    • ndarray.dtype:

      数组中元素的数据类型,可进行转换。(这个一般默认float64 和 int32,你们可以自己多试试)

      

    • ndarray.itemsize:

      数组中每个元素的字节大小。(例子中则为 int 32/8 = 4,相当于ndarray.dtype.itemsize

      

    • ndarray.data:

      该缓冲区包含数组的实际元素。(这个我们一般不用,我们都是用索引的QAQ)

      

 

  还有好多,我就不一一截图了,懒。。。。。。

  • np.zeros(10)    #长度为10的0数组
  • np.zeros((3,6))    #创建3行6列的0数组(注意有两个括号)
  • np.ones(5)
  • np.ones((3,4))
  • np.arange(10)
  • np.eye(3)    # 3*3单位矩阵
  • np.identity(3)    # 3*3单位矩阵
  • np.zeros_like(a)    #创建与a相同行、列的全0矩阵
  • np.ones_like(a)    #创建与a相同行、列的全1矩阵

 

  索引和切片类

  • a1=a[0:1]    ##这个切片的大有学问了,写的话大概得另起一篇了,有空再说
  • a[0:1]=1    ##a变化后,a1的值也随之变化
  • a1[0:1]=2    #a1变化后,a的值也随之变化
  • a1=a[0:1].copy()    #完全拷贝,值变化不影响a (和上面对比一下你就清楚了)

 

  计算类

  • a*a    #每个元素平方(这个强!!!挺好用的。)
  • a*5    #每个元素乘以5
  • a.mean()    #数据均值
  • a.sum()    #数组和
  • a.sum(axis=0)    #按列求和
  • a.sum(axis=1)    #按行求和
  • a.sort()    #对a进行排序(这个也是好东西啊~~~)
  • a.sort(1)    #0按行排序,1按列排序
  • np.sort(a,0)    #a按行排序(本身不发生变化!!!!!!)
  • x.dot(y)    ##矩阵x与y相乘

 

  • np.in1d(a,[2,3,6])    #value中的每一个值是否在[2,3,6]中(如果是,该值返回true,否则返回false.)
  • np.in1d([2,3,6],a)
  • np.in1d(x,y)
  • np.intersect1d(x,y)    #返回x和y中的交集,并返回有序结构
  • np.union1d(x,y)    #计算x,y的并集,并返回有序结构
  • np.setdiff1d(x,y)    #集合的差,即在x中且不在y中
  • samples=np.random.normal(size=(4,4))    #产生4维正态分布矩阵
  • from numpy.linalg import *    #计算与矩阵相关,行列式,矩阵的逆等
  • np.linalg.det(samples)    #矩阵行列式
  • np.linalg.inv(samples)    #矩阵求逆
  • np.diag(samples)    #返回矩阵对角线元素
  • np.linalg.eig(samples)    #返回矩阵特征值和特征向量

 

  • import timeit    #导入计算时间的模块
  • np.save('some_a',a)    #保存文件
  • np.load("some_a.py")    #读取磁盘保存数据
  • a=np.loadtxt("code_public.txt",delimiter=',')    #读取文本数据
  • arr=np.loadtxt("d:\code\arr.txt",delimiter=',')    #读取d盘数据

 

行吧,时间也差不多了,我都写累了,相信你也看累了,是时候去 stzb 看看了。

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

上一篇:python计算机基础

下一篇:python模块与包