numpy庫概述

numpy庫處理的最基礎數據類型是由同種元素構成的多維數組，簡稱為“數組”

數組的特點：

數組中所有元素的類型必須相同 數組中元素可以用整數索引 序號從0開始

ndarray類型的維度叫做軸，軸的個數叫做秩

numpy庫的解析

由于numpy庫中函數較多而且容易與常用命名混淆，建議采用如下方法引用numpy庫

import numpy as np

numpy庫中常用的創建數組函數

函數 描述 np.array([x,y,z],dtype=int) 從Python列表和元組中創建數組 np.arange(x,y,i) 創建一個由x到y，以i為步長的數組 np.linspace(x,y,n) 創建一個由x到y，等分成n個元素的數組 np.indices((m,n)) 創建一個m行n列的矩陣 np.random.rand(m,n) 創建一個m行n列的隨機數組 np.ones((m,n),dtype) 創建一個m行n列全1的數組，dtype是數據類型 np.empty((m,n),dtype) 創建一個m行n列全0的數組，dtype是數據類型

import numpy as npa1 = 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]]

在建立一個簡單的數組后，可以查看數組的屬性

屬性 描述 ndarray.ndim 數組軸的個數，也被稱為秩 ndarray.shape 數組在每個維度上大小的整數元組 ndarray.size 數組元素的總個數 ndarray.dtype 數組元素的數據類型，dtype類型可以用于創建數組 ndarray.itemsize 數組中每個元素的字節大小 ndarray.data 包含實際數組元素的緩沖區地址 ndarray.flat 數組元素的迭代器

import numpy as npa6 = 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>

數組在numpy中被當做對象，可以采用< a >.< b >()方式調用一些方法。

ndarray類的形態操作方法

方法 描述 ndarray.reshape(n,m) 不改變數組ndarray，返回一個維度為（n,m）的數組 ndarray.resize(new_shape) 與reshape（）作用相同，直接修改數組ndarray ndarray.swapaxes(ax1,ax2) 將數組n個維度中任意兩個維度進行調換 ndarray.flatten() 對數組進行降維，返回一個折疊后的一維數組 ndarray.ravel() 作用同np.flatten（），但返回的是一個視圖

ndarray類的索引和切片方法

方法 描述 x[i] 索引第i個元素 x[-i] 從后向前索引第i個元素 x[n:m] 默認步長為1，從前向后索引，不包含m x[-m:-n] 默認步長為1，從前向后索引，結束位置為n x[n: m :i] 指定i步長的由n到m的索引

除了ndarray類型方法外，numpy庫提供了一匹運算函數

函數 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庫的比較運算函數

函數 符號描述 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]) 根據條件判斷是輸出x還是y

numpy庫的其他運算函數

函數 描述 np.abs(x) 計算濟源元素的整形、浮點、或復數的絕對值 np.sqrt(x) 計算每個元素的平方根 np.squre(x) 計算每個元素的平方 np.sign(x) 計算每個元素的符號1（+），0，-1（-） np.ceil(x) 計算大于或等于每個元素的最小值 np.floor(x) 計算小于或等于每個元素的最大值 np.rint(x[,out]) 圓整，取每個元素為最近的整數，保留數據類型 np.exp(x[,out]) 計算每個元素的指數值 np.log(x),np.log10(x),np.log2(x) 計算自然對數（e），基于10，,2的對數，log（1+x）

到此這篇關于Python基礎之numpy庫的使用的文章就介紹到這了,更多相關Python numpy庫的使用內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！