Python之NumPy() numpy使用解释

NumPy数值计算基础
NumPy是Python的一种开源的数值计算扩展库。它包含很多功能，如创建n维数组（矩阵）、对数组进行函数运算、数值积分等。NumPy的诞生弥补了这些缺陷，它提供了两种基本的对象：
ndarray：储存单一数据类型的多维数组。
ufunc：一种能够对数组进行处理的函数。

import numpy as np
datal =[1,3,5,7]        #列表
w1 = np.array(data1)
print('w1:',w1)
data2 =(2,4,6,8）        #元组
w2 = np.array(data2)
print('w2:',w2)
data3 =[[1,2,3,4],[5,6,7,8]]    #嵌套列表
w3 = np.array(data3)
print('w3:',w3)

专门创建数组的函数
linspace函数：创建等差一维数组，接收元素数量作为参数。
格式：np.linspace(start, stop, num, endpoint,
retstep=False, dtype=None)
 

import numpy as np
datal = np.linspace(e,1,5)
print(data1)

专门创建数组的函数
zeros函数：创建指定长度或形状的全0数组。
格式:np.zeros(shape, dtype=float, order='C')
 

import numpy as np
datal = np.zeros(4)
print(data1)
data2 = np.zeros([3,3])
print(data2)

专门创建数组的函数
ones函数：创建指定长度或形状的全1数组。
格式：np.ones(shape, dtype=None, order='C')

import numpy as np
datal = np.ones(5)
print(data1)
data2 = np.ones([2,3])
print(data2)

专门创建数组的函数
diag函数：创建一个对角矩阵。
格式：np.diag(v, k=0)

import numpy as np
datal = np.diag([1,2,3,4])
print(data1)

(2)ndarray对象属性和数据转换  
    ndarray对象属性及其说明:

import numpy as np        #查看数组的属性
data = np.array([[1,2,3],[4,5,6]])
print('秩为:',data.ndim)
print('形状为:',data.shape)
print('元素个数为:',data.size)
data.shape = 3,2          #设置数组的shape属性
print(data)

arr1 = np.arange(6)
print(arr1.dtype)
arr2 = arr1.astype(np.float64)
print(arr2.dtype)

reshape方法：

对于定义好的数组，可以通过reshape方法改变其数据维度。

格式：

                np.reshape(a, newshape, order='C'")

import numpy as np
datal = np.arange(8)
print(datal)

数组的索引和切片

(1）一维数组的索引和切片

import numpy as np
data = np.arange(10)
print(data)
print(data[2])
print(data[-1])
print(data[1:4])

数组的运算
(1)数组和标量间的运算
扩展库numpy中的数组支持与标量的加、减、乘、除、幂运
算，计算结果为一个新数组，其中每个元素为标量与原数组中每个
元素进行计算的结果。

import numpy as np
x = np.array((1, 2, 3, 4, 5))    #创建数组对象
print (x)
y = x * 2                        #数组与数值相乘，返回新数组
print (y)
y= x + 2                         #数组与数值相加
print (y)
y = x ** 3                       #幂运算
print (y)
print(y)

数组的运算
(2)ufunc函数
ufunc函数全称为通用函数，是一种能够对数组中的所有元素进行操作的函数。
常用的ufunc函数运算
四则运算:
对数组中的每个元素分别进行四则运算。
比较运算：
比较运算返回的结果是一个布尔数组，每个元素为数组对应元素的比较结果。
逻辑运算：
np.any函数表示逻辑“or”，np.all函数表示逻辑“and”，运算结果为布尔值。

import numpy as np
x = np.array([1,2,3])
y= np.array([4,5,6])
print('数组相加结果:',x+y)
print(‘数组相减结果:',x-y)
print('数组相乘结果:',x*y)
print('数组幂运算结果:',x**y)

数组也支持使用包含True/False的等长数组作为下标来访问其中的元素，返回True对应位置上元素组成的数组。

import numpy as np
x = np.random.rand(10)      #包含10个随机数的数组
print(x)
print(x>0.5)                #比较数组中每个元素值是否大于8.5
print(x[x>0.5])             #获取数组中大于0.5的元素

ufunc函数的广播机制

广播（broadcasting）是指不同形状的数组之间执行算
术运算的方式。需要遵循4个原则：
•让所有输入数组都向其中shape最长的数组看齐，shape中不足的部分都通过在左边加1补齐。
如果两个数组的形状在任何一个维度上都不匹配，那么数组的形状会沿着维度为1的维度进行扩展，以匹配另一个数组的形状。输出数组的shape是输入数组shape的各个轴上的最大值。如果两个数组的形状在任何一个维度上都不匹配，并且没有任何一个维度等于1，则引发异常。

Numpy中的数据统计与分析
(1)排序
sort函数：sort函数对数据直接进行排序，调用改变原始数组，无返回值。
格式:numpy.sort(a, axis, kind, order)
 

import numpy as np
data = np.array([7,9,5,2,9,4,3,1,4,3])
print('原数组:',data)
data.sort()
print('排序后:',data)

argsort函数：根据一个或多个键值对数据集进行排序，返
回的是数组值从小到大的索引值。
 

data = np.array([7,9,5,2,9,4,3,1,4,3])
print('原数组:', data)
print('排序后:', data.argsort()）#返回值为数组排序后的下标排列

Numpy中的数据统计与分析
(2)重复数据与去重
unique函数：去除数组重复的元素，并按元素由小到大返回一个新的无元素重复的元组或者列表。
 

import numpy as np
data = np.array([3,5,2,3,2])
print('原数组:',data)
print('去重后的数组:',np.unique(data))

tile函数：将一个数组重复一定次数形成一个新的数组。语
法格式如下:np.tile(A, reps)
 

import numpy as np
data = np.arange(5)
print('原数组:',data)
wy = np.tile(data,3)
print('重复数据处理:n',wy)

import numpy as np

data = np.arange(15).reshape(3,5)
print('创建的数组:n',data)
print('数组的和:',np.sum(data))
print('数组纵轴的和:',np.sum(data,axis = 0))
print('数组横轴的和:",np.sum(data,axis = 1)）
print('数组的均值:',np.mean(data))
print('数组横轴的均值:',np.mean(data,axis = 1))
print('数组的标准差:',np.std(data))
print('数组横轴的标准差:',np.std(data,axis = 1))

NumPy数值计算基础

NumPy是Python的一种开源的数值计算扩展库。它包含很多功能，如
创建n维数组（矩阵）、对数组进行函数运算、数值积分等。NumPy的诞生
弥补了这些缺陷，它提供了两种基本的对象：
ndarray：储存单一数据类型的多维数组。
ufunc：一种能够对数组进行处理的函数。

import numpy as np
datal =[1,3,5,7]             #列表
w1 = np.array(data1)
print('w1:',w1)
data2 =(2,4,6,8）            #元组
w2 = np.array(data2)
print('w2:',w2)
data3 =[[1,2,3,4],[5,6,7,8]] #嵌套列表
w3 = np.array(data3)
print('w3:',w3)