numpy学习笔记 - numpy数组的常见用法

2018-08-26 17:32:59来源:博客园 阅读 ()

新老客户大回馈,云服务器低至5折

# -*- coding: utf-8 -*-
"""
主要记录代码,相关说明采用注释形势,供日常总结、查阅使用,不定时更新。
Created on Mon Aug 20 23:37:26 2018
 
@author: Dev
"""
 
import numpy as np
from datetime import datetime
import random
 
 
对a,b两个列表的相同位的元素进行运算求和:
# 纯Python
def pythonSum(n):
    # 对列表循环计算
    a = [x for x in range(n)]
    b = [x for x in range(n)]
    c = []
    for i in range(len(a)):
        a[i] = i ** 2
        b[i] = i ** 3
        c.append(a[i] +b[i])
    return c

 

# numpy
def numpySum(n):
    # 直接对数组操作
    a = np.arange(n) ** 2
    b = np.arange(n) ** 3
    c = a + b
    return c

 

# 效率比较
size = 1000
# pythonSum()
start = datetime.now()  # 起始时间
c = pythonSum(size)
delta = datetime.now() - start  # pythonSum()的运行时间
print("The last two elements: ", c[-2:])    # 打印最后两个元素,确认准确性
print("PythonSum elapsed time in microseconds: ", delta.microseconds)   # 以微秒为单位显示运行时间
# pythonSum结果

The last two elements: [995007996, 998001000]
PythonSum elapsed time in microseconds: 999

  

# numpySum()
start = datetime.now()
c = numpySum(size)
delta = datetime.now() - start
print("The last two elements: ", c[-2:])
print("NumpySum elapsed time in microseconds: ", delta.microseconds)
# numpySum结果

The last two elements: [995007996 998001000]
NumpySum elapsed time in microseconds: 0

可以看出使用numpy数组的速度超快~

 

numpy数组
a = np.arange(5)
print(a.dtype)
 
 
多维数组
m = np.array([np.arange(2), np.arange(2)])  # 创建一个二维数组
print(m)
 
# 创建元素为0的数组
zeros = np.zeros(10)
zeros_2 = np.zeros((3, 6))  # 元素为0的3*6数组
 
# 创建元素随机(empty)的数组
empty = np.empty((2, 3, 2))
 
# 访问数组元素
a = np.array(([1, 2], [3, 4]))
print(a[0, 0])
print(a[0, 1])
print(a[1, 0])
print(a[1, 1])
 
 
数组元素的数据类型
print(np.float64(42))   # float浮点型
print(np.float(True))
print(np.float(False))
print(np.int8(42.0))    # int整型
print(np.bool(42))  # Boolean布尔型
print(np.bool(0))
print(np.bool(42.0))
 
# 创建数组时定义元素的数据类型
print(np.arange(7, dtype=np.uint16))
print(np.arange(9, dtype=np.float64))
 
 
数据类型转换
# 类型转换时出现的TypeError异常
try:
    print(np.int(42.0 + 1.j))
except TypeError:
    print("TypeError: can't convert complex to int!")
 
arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype)    # 元素类型
float_arr = arr.astype(np.float64)
print(float_arr.dtype)
 
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
print(arr.dtype)
int_arr = arr.astype(np.int32)  # 将float64类型转换为int32类型
 
# 将字符串数组转换为字符型
numeric_string = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
print(numeric_string.astype(float)) # 再转换为float类型
 
 
字符编码
print(np.arange(7, dtype='f'))  # float32
print(np.arange(7, dtype='d'))  # float64
print(np.arange(7, dtype='D'))  # complex128
print(np.dtype(float))
print(np.dtype('f'))
print(np.dtype('d'))
print(np.dtype('F'))
print(np.dtype('D'))
print(np.dtype('f8'))
print(np.dtype('float64'))
 
# dtype类的属性
t = np.dtype('float64')
print(t.char)   # 字符编码
print(t.type)   # t的类型
print(t.str)
 
 
自定义数据类型
# [(字段1, 类型, 长度), (字段2, 类型, 长度), ...]
t = np.dtype([('name', np.str_, 40), ('numitems', np.int32), ('price', np.float32)])
print(t)
print(t.name)
itemz = np.array([('Meaning of life DVD', 42, 100), ('Butter', 13, 2.72)])  # 按照格式生成数组
 
 
数组与标量的计算
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr * arr)    # 对应位的元素相乘
print(arr - arr)   # 对应位的元素相减
print(1 / arr)     # 取倒数
print((arr ** 2) ** 0.5)    # 平方后开根号
 
 
一维数组的索引与切片(与列表切片用法相似)
a = np.arange(9)
print(a[3: 7])
print(a[:7:2])  # 从0到6,步长为2
s = slice(3, 7, 2)  # 先设定切片位置及步长,再调用
print(a[s])
print(a[::-1])  # 倒序排列1
s = slice(None, None, -1)   # 倒序排列2
print(a[s])
 
 
多维数组的切片与索引
b = np.arange(24).reshape(2, 3, 4)
print(b.shape)  # 数组b的维数
# 使用索引与切片选取指定元素
print(b[0,0,0])
print(b[:,0,0])
print(b[0])         # 第一维的所有元素
print(b[0, :, :])   # 第一维的所有元素
print(b[0, ...])    # 第一维的所有元素
print(b[0,1])       # 第一维第二行
print(b[0,1,::2])   # 以2为步长
print(b[...,1])     # 两个维的第一列
print(b[:,1])       # 两个维的第一行
print(b[0,:,1])     # 第一维第一列
print(b[0,:,-1])    # 第一维最后一列
print(b[0,::-1, -1])    # 第一维最后一列的倒序排列
print(b[0,::2,-1])  # 第一维的第0行和第2行的最后一个元素
print(b[::-1])      # 两个维倒序
s = slice(None, None, -1)   # 所有元素倒序排列
print(b[(s, s, s)])
 
 
布尔型索引(mask)
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
random.seed(200)    # 设置随机种子
data = np.random.random((7, 4))
 
print(names == 'Bob')   # 生成布尔型mask
print(data[names == 'Bob']) # 根据mask的值匹配data数组中的元素
print(data[names == 'Bob', 2:]) # 匹配值从第三列到最后一列的元素
print(data[names == 'Bob', 3])  # 匹配值第四列的元素
 
names != 'Bob'
data[~(names == 'Bob')]
 
mask = (names == 'Bob') | (names == 'will') # 或运算符
data[mask]
data[data < 0] = 0
data[names != 'Joe'] = 7
 
花式索引(索引乱序)
arr = np.empty((8, 4))
for i in range(8):
    arr[i] = i
 
arr[[4, 3, 0, 6]]   # 根据索引的顺序取值
arr[[-3, -5, -7]]
arr = np.arange(32).reshape((8, 4))
arr[[1, 5, 7, 2], [0, 3, 1, 2]]
arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]]
arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]
 
 
数组转置
arr = np.arange(15).reshape((3, 5))
arr.reshape((5,3))
print(arr.T)
 
 
改变数据维度
b = np.arange(24).reshape((2, 3, 4))
print(b)
print(b.ravel())    # 将多维数组将为一维
print(b.flatten())
b.shape = (6, 4)
print(b)
print(b.transpose())
b.resize((2, 12))
print(b)
 
注: flatten()与ravel()的区别
# 当修改ravel()返回的值时,会影响原数组;而flatten则不会
arr_a = np.arange(4).reshape(2, 2)
arr_a.ravel()[-1] = 5
print(arr_a)    # arr_a的最后一个元素已被修改
arr_a.flatten()[0] = 10
print(arr_a)    # 不会影响原数组的第一个元素
 
 
组合数组
a = np.arange(9).reshape(3, 3)
print(a)
b = 2 * a
print(b)
# 水平组合
print(np.hstack((a, b)))
print(np.concatenate((a, b), axis=1))
# 竖直组合
print(np.vstack((a, b)))
print(np.concatenate((a, b), axis=0))
# 深度组合deep
print(np.dstack((a, b)))
# column_stack & row_stack(与hstack & vstack效果类似)
oned = np.arange(2)
print(oned)
twice_oned = 2 * oned
print(twice_oned)
print(np.column_stack((oned, twice_oned)))
print(np.column_stack((a, b)) == np.hstack((a, b)))
print(np.row_stack((oned, twice_oned)))
print(np.row_stack((a, b)))
print(np.row_stack((a, b)) == np.vstack((a, b)))
 
 
数组的分割
a = np.arange(9).reshape(3, 3)
print(a)
# 从水平方向分成三列(跨列)
print(np.hsplit(a, 3))
print(np.split(a, 3, axis=1))
# 从竖直方向分成三行(跨行)
print(np.vsplit(a, 3))
print(np.split(a, 3, axis=0))
# 深度分割
c = np.arange(27).reshape(3, 3, 3)
print(c)
print(np.dsplit(c, 3))
 
 
数组的属性
b = np.arange(24).reshape(2, 12)
b.ndim    # 维度
b.size    # 元素个数
b.itemsize    # 单个元素的大小
b.nbytes    # 整个数组的大小(itemsize * size)
# 复数
b = np.array([1.+1.j, 3.+2.j])
b.real    # 实部
b.imag    # 虚部
 
 
数组的转换
b = np.arange(4).reshape(2, 2)
b.flat    # 将数组转换为一维数组
for i in range(len(b.flat)):    # 循环访问数组元素
    print(b.flat[i])
 
b = np.array([1.+1.j, 3.+2.j])
print(b)
print(b.tolist())    # 转换为list
print(b.tostring())    # 转换为字符
# 使用np.fromstring将字符串转换为指定格式
print(np.fromstring(b'\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\x08@\x00\x00\x00\x00\x00\x00\x00@', dtype=complex))
a_t = np.fromstring('20:42:53', sep=':', dtype=int)
print(a_t)
print(a_t.dtype)
 
# 复数转换为整型时会舍弃虚部
print(b.astype(int))
print(b.astype('complex'))
 

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基础学习6----字符串操作

下一篇:Falsk_day01