numpy库概述

numpy库处理的最基础数据类型是由同种元素构成的多维数组，简称为“数组”

数组的特点：

• 数组中所有元素的类型必须相同
• 数组中元素可以用整数索引
• 序号从0开始

ndarray类型的维度叫做轴，轴的个数叫做秩

numpy库的解析

由于numpy库中函数较多而且容易与常用命名混淆，建议采用如下方法引用numpy库

import numpy as np

numpy库中常用的创建数组函数

函数 描述 np.array([x,y,z],dtype=int) 从Python列表和元组中创建数组 np.arange(x,y,i) 创建一个由x到y，以i为步长的数组 np.linspace(x,y,n) 创建一个由x到y，等分成n个元素的数组 np.indices((m,n)) 创建一个m行n列的矩阵 np.random.rand(m,n) 创建一个m行n列的随机数组 np.ones((m,n),dtype) 创建一个m行n列全1的数组，dtype是数据类型 np.empty((m,n),dtype) 创建一个m行n列全0的数组，dtype是数据类型

import numpy as np
a1 = np.array([1,2,3,4,5,6])
a2 = np.arange(1,10,3)
a3 = np.linspace(1,10,3)
a4 = np.indices((3,4))
a5 = np.random.rand(3,4)
a6 = np.ones((3,4),int)
a7 = np.empty((3,4),int)
print(a1)
print("===========================================================")
print(a2)
print("===========================================================")
print(a3)
print("===========================================================")
print(a4)
print("===========================================================")
print(a5)
print("===========================================================")
print(a6)
print("===========================================================")
print(a7)
=================================================================================
[1 2 3 4 5 6]
===========================================================
[1 4 7]
===========================================================
[ 1.   5.5 10. ]
===========================================================
[[[0 0 0 0]
  [1 1 1 1]
  [2 2 2 2]]

 [[0 1 2 3]
  [0 1 2 3]
  [0 1 2 3]]]
===========================================================
[[0.00948155 0.7145306  0.50490391 0.69827703]
 [0.18164292 0.78440752 0.75091258 0.31184394]
 [0.17199081 0.3789     0.69886588 0.0476422 ]]
===========================================================
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
===========================================================
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]

在建立一个简单的数组后，可以查看数组的属性

属性 描述 ndarray.ndim 数组轴的个数，也被称为秩 ndarray.shape 数组在每个维度上大小的整数元组 ndarray.size 数组元素的总个数 ndarray.dtype 数组元素的数据类型，dtype类型可以用于创建数组 ndarray.itemsize 数组中每个元素的字节大小 ndarray.data 包含实际数组元素的缓冲区地址 ndarray.flat 数组元素的迭代器

import numpy as np
a6 = np.ones((3,4),int)
print(a6)
print("=========================================")
print(a6.ndim)
print("=========================================")
print(a6.shape)
print("=========================================")
print(a6.size)
print("=========================================")
print(a6.dtype)
print("=========================================")
print(a6.itemsize)
print("=========================================")
print(a6.data)
print("=========================================")
print(a6.flat)
=================================================================================
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
=========================================
2
=========================================
(3, 4)
=========================================
12
=========================================
int32
=========================================
4
=========================================
<memory at 0x0000020D79545908>
=========================================
<numpy.flatiter object at 0x0000020D103B1180>

数组在numpy中被当做对象，可以采用< a >.< b >()方式调用一些方法。

ndarray类的形态操作方法

方法 描述 ndarray.reshape(n,m) 不改变数组ndarray，返回一个维度为（n,m）的数组 ndarray.resize(new_shape) 与reshape（）作用相同，直接修改数组ndarray ndarray.swapaxes(ax1,ax2) 将数组n个维度中任意两个维度进行调换 ndarray.flatten() 对数组进行降维，返回一个折叠后的一维数组 ndarray.ravel() 作用同np.flatten（），但返回的是一个视图

ndarray类的索引和切片方法

方法 描述 x[i] 索引第i个元素 x[-i] 从后向前索引第i个元素 x[n:m] 默认步长为1，从前向后索引，不包含m x[-m:-n] 默认步长为1，从前向后索引，结束位置为n x[n: m :i] 指定i步长的由n到m的索引

除了ndarray类型方法外，numpy库提供了一匹运算函数

函数 描述 np.add(x1,x2[,y]) y = x1 + x2 np.subtract(x1,x2[,y]) y = x1 -x2 np.multiply(x1,x2[,y]) y = x1 * x2 np.divide(x1,x2[,y]) y = x1 /x2 np floor_divide(x1,x2[,y]) y = x1 // x2 np.negative(x[,y]) y = -x np.power(x1,x2[,y]) y = x1 ** x2 np.remainder(x1,x2[,y]) y = x1 % x2

numpy库的比较运算函数

函数 符号描述 np.equal(x1,x2[,y]) y = x1 == x2 np.not_equal(x1,x2[,y]) y = x1 != x2 np.less(x1,x2,[,y]) y = x1 < x2 np.less_equal(x1,x2,[,y]) y = x1 < = x2 np.greater(x1,x2,[,y]) y = x1 > x2 np.greater_equal(x1,x2,[,y]) y >= x1 >= x2 np.where(condition[x,y]) 根据条件判断是输出x还是y

numpy库的其他运算函数

函数 描述 np.abs(x) 计算济源元素的整形、浮点、或复数的绝对值 np.sqrt(x) 计算每个元素的平方根 np.squre(x) 计算每个元素的平方 np.sign(x) 计算每个元素的符号1（+），0，-1（-） np.ceil(x) 计算大于或等于每个元素的最小值 np.floor(x) 计算小于或等于每个元素的最大值 np.rint(x[,out]) 圆整，取每个元素为最近的整数，保留数据类型 np.exp(x[,out]) 计算每个元素的指数值 np.log(x),np.log10(x),np.log2(x) 计算自然对数（e），基于10，,2的对数，log（1+x）

到此这篇关于Python基础之numpy库的使用的文章就介绍到这了,更多相关Python numpy库的使用内容请搜索hwidc以前的文章或继续浏览下面的相关文章希望大家以后多多支持hwidc！