numpy.jpg
NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Numeric 包中来创建 NumPy 包。 这个开源项目有很多贡献者。
创建数组
创建数组
import numpy as np
a = [1,2,3]
c = np.array(a)
print(type(c))
print(c)
输出：
<class 'numpy.ndarray'>
[1 2 3]
查看数组属性
d = c ** 2 #数组简单运算
print(d)
#查看数组属性
print("#------------查看数组属性 start-------------")
#数组的元素个数
print(d.size)
#数组形状
print(d.shape)
#数组维度
print(d.ndim)
#数组元素类型
print(d.dtype)
print("#------------查看数组属性 over-------------")
输出：
[1 4 9]
#------------查看数组属性 start-------------
3
(3,)
1
int64
#------------查看数组属性 over-------------
快速创建N维数组的API函数
print("#------------快速创建N维数组的API函数 start-------------")
#创建10行10列的数值为浮点1的矩阵
array_one = np.ones([10,10])
print(array_one)
#创建10行10列的数值为浮点0的矩阵
array_zero = np.zeros([10,10])
print(array_zero)
print("#------------快速创建N维数组的API函数 over-------------")
输出：
#------------快速创建N维数组的API函数 start-------------
[[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]]
[[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
#------------快速创建N维数组的API函数 over-------------
创建随机数组
#创建随机数组 np.random()
print("#------------创建随机数组 np.random start-------------")
#创建指定形状(示例为3行3列)的数组(范围在0至1之间)
random1 = np.random.rand(3,3)
print(random1)
#创建指定范围内的一个数
random2 = np.random.uniform(0, 100)
print(random2)
#创建指定范围内的一个整数
random3 = np.random.randint(0,100)
print(random3)
print("#------------创建随机数组 np.random over-------------")
输出：
#------------创建随机数组 np.random start-------------
[[0.70723527 0.10566504 0.82235329]
[0.53545584 0.22931082 0.94068336]
[0.23127994 0.22075775 0.7030714 ]]
52.353871817364364
68
#------------创建随机数组 np.random over-------------
数组截取切片
# 正态生成4行5列的二维数组
arr = np.random.normal(1.75, 0.1, (4, 5))
print(arr)
# 截取第1至2行的第2至3列(从第0行算起)
after_arr = arr[1:3, 2:4]
print(after_arr)
输出：
[[1.76750606 1.71649227 1.84464095 1.70291211 1.7441871 ]
[1.62458201 1.77607995 1.71657477 1.90541973 1.75009754]
[1.80145647 1.72278501 1.70777811 1.7670036 1.79965012]
[1.61328037 1.78474699 1.75857318 1.75795606 1.76087271]]
[[1.71657477 1.90541973]
[1.70777811 1.7670036 ]]
改变数组形状(要求前后元素个数匹配)
#改变数组形状(要求前后元素个数匹配)
print("reshape函数的使用")
print("1行20列")
one_20 = np.ones([20])
print(one_20)
one_4_5 = one_20.reshape(4,5)
print("4行5列")
print(one_4_5)
输出：
reshape函数的使用
1行20列
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
4行5列
[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
Numpy计算
条件运算
#条件运算
stu_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
stu_result = stu_score > 80
print(stu_result)
输出：
[[False True]
[ True True]
[ True False]
[ True True]
[False True]]
三目运算
#符合条件的元素被重新赋值为第二个参数，否则被赋值为第三个参数
stu_result = np.where(stu_score<80,0,90)
print(stu_result)
输出：
[[90 90]
[90 90]
[90 0]
[90 90]
[ 0 90]]
统计运算--求最值
# 求每一列的最大值(0表示列),最小值函数名为 amin()
print("每一列的最大值为:")
result = np.amax(stu_score, axis=0)
print(result)
print("每一行的最大值为:")
result = np.amax(stu_score, axis=1)
print(result)
输出：
每一列的最大值为:
[86 88]
每一行的最大值为:
[88 82 84 86 81]
统计运算--求平均值
#求平均数
# 求每一行的平均值(0表示列)
print("每一列的平均值:")
result = np.mean(stu_score, axis=0)
print(result)
# 求每一行的平均值(1表示行)
print("每一行的平均值:")
result = np.mean(stu_score, axis=1)
print(result)
输出：
每一列的平均值:
[81.4 81.6]
每一行的平均值:
[84. 81.5 79.5 84.5 78. ]
统计运算--求标准差
#求方差
# 求每一行的标准差(0表示列)
print("每一列的标准差:")
result = np.std(stu_score, axis=0)
print(result)
# 求每一行的标准差(1表示行)
print("每一行的标准差:")
result = np.std(stu_score, axis=1)
print(result)
输出：
每一列的标准差:
[3.77359245 4.1761226 ]
每一行的标准差:
[4. 0.5 4.5 1.5 3. ]
数组与数字之间的运算
#数组运算
import numpy as np
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
#数组与数字的运算
print("加分前:")
print(stus_score)
# 为所有平时成绩都加5分
stus_score[:, 0] = stus_score[:, 0]+5
print("加分后:")
print(stus_score)
#数组间也支持加减乘除运算,但基本用不到(略)
输出：
加分前:
[[80 88]
[82 81]
[84 75]
[86 83]
[75 81]]
加分后:
[[85 88]
[87 81]
[89 75]
[91 83]
[80 81]]
矩阵运算
(M行, N列) * (N行, Z列) = (M行, Z列)
import numpy as np
stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 平时成绩占40% 期末成绩占60%, 计算结果
q = np.array([[0.4],[0.6]])
result = np.dot(stus_score,q)
print(result)
输出：
[[84.8]
[81.4]
[78.6]
[84.2]
[78.6]]
垂直拼接和水平拼接
#矩阵拼接（垂直拼接）
print("v1为:")
v1 = [[0, 1, 2, 3, 4, 5],
[6, 7, 8, 9, 10, 11]]
print(v1)
print("v2为:")
v2 = [[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]]
print(v2)
# 垂直拼接
result = np.vstack((v1,v2))
print(result)
#水平拼接
result = np.hstack((v1,v2))
print(result)
输出：
v1为:
[[0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11]]
v2为:
[[12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23]]
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]]
[[ 0 1 2 3 4 5 12 13 14 15 16 17]
[ 6 7 8 9 10 11 18 19 20 21 22 23]]
