目录

 一、numpy属性

1.ndarray（就是array）是一个多维数组对象

2.array可以由非同质对象构成

二、numpy数组的创建

1.从列表创建

2.从元组创建

3.从列表和元组创建

4.创建顺序列表

5.创建全1、全0、全n矩阵

6.根据a的形状创建全n数组

7.创建对角线矩阵

8.合并数组

9.等距填充数组

10.拷贝数组

三、数组的维度变换

1.返回一个n形状的数组，原数组不变

2.返回一个n形状的数组，修改原数组

3.调换数组n个维度中的两个维度

4.对数组降维，返回折叠后的一维数组，原数组不变

5.数组转化为列表

四、数组的操作

1.一维数组的索引和切片

2.多维数组的索引和切片

五、数组的运算

1.基本运算

2.四舍五入

3.小数和整数分别返回为两个数组

4.各元素三角函数、指数

5.各元素符号

6.最值计算

7.模运算

8.数组符号赋值

---

一、numpy属性

import numpy as np

def npsum():
    a = np.array([0, 1, 2])
    b = np.array([9, 8, 2])
    c = a**2 + b**9
    return c
print(npsum())

输出：

[387420489 134217729       516]

1.ndarray（就是array）是一个多维数组对象

由实际数据和描述数据的元数据组成，要求元素类型相同，数组下标从0开始

np.array（）生成数组

轴（axis）保存数据的维度

import numpy as np
a = np.array([[0, 1, 2],[7, 8, 9]])
print(a)
>>>
[[0 1 2]
 [7 8 9]]

秩（rank）轴的数量

a.ndim
>>>2

array对象的矩阵描述

a.shape
>>>(2, 3)

array元素个数

a.size
>>>6

array元素类型

a.dtype
>>>dtype('int32')

array元素大小，以字节为单位

a.itemsize
>>>4

2.array可以由非同质对象构成

但是非同质对象无法发挥numpy优势，尽量避免

x.shape
>>>
(2,)

x.dtype
>>>
dtype('O')

x
>>>
array([list([0, 1]), list([9])], dtype=object)

x.itemsize
>>>
8

x.size
>>>
2

二、numpy数组的创建

1.从列表创建

a = np.array([0,1])
>>>
array([0, 1])

2.从元组创建

b = np.array((0,1))
>>>
array([0, 1])

3.从列表和元组创建

c = np.array([[0,1],(3,4)])
>>>
array([[0, 1],
       [3, 4]])

4.创建顺序列表

np.arange(5)
>>>
array([0, 1, 2, 3, 4])

5.创建全1、全0、全n矩阵

np.ones((2,5))
>>>
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])

np.zeros((2,5))
>>>
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

np.full((2,5),7)
>>>
array([[7, 7, 7, 7, 7],
       [7, 7, 7, 7, 7]])

6.根据a的形状创建全n数组

a = np.array([0,1])
np.full_like(a,9)
>>>
array([9, 9])

7.创建对角线矩阵

np.eye(8)
>>>
array([[1., 0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0., 0., 0.],
       [0., 0., 0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 0., 0., 1.]])

8.合并数组

add = np.concatenate((b1,b2))
>>>
array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

9.等距填充数组

b1 = np.linspace(1,10,4)
>>>
array([ 1.,  4.,  7., 10.])

b2 = np.linspace(1,10,4,endpoint=False)
>>>
array([1.  , 3.25, 5.5 , 7.75])

10.拷贝数组

b1 = np.linspace(1,10,4)
b3 = b1.astype(np.float64)
b1
>>>
array([ 1.,  4.,  7., 10.])
b3
>>>
array([ 1.,  4.,  7., 10.])

三、数组的维度变换

1.返回一个n形状的数组，原数组不变

a = np.ones((2,3,4), dtype=np.int32)
>>>
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

a.reshape((3,8))
>>>
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

a
>>>
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

2.返回一个n形状的数组，修改原数组

a.resize((3,8))
>>>
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

3.调换数组n个维度中的两个维度

a.swapaxes(ax1,ax2)

4.对数组降维，返回折叠后的一维数组，原数组不变

a.flatten()
>>>
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1])

5.数组转化为列表

a = np.ones((2,3,4), dtype=np.int32)
a.tolist()
>>>
[[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]

四、数组的操作

1.一维数组的索引和切片

数组的索引-获取特定位置元素

数组的切片-获取数组元素子集

a = np.array([9,8,7,6,5])
a[2]
>>>
7

a[1:4:2]
>>>
array([8, 6])

2.多维数组的索引和切片

a = np.arange(24).reshape((2,3,4))
>>>
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

a[0,0,0]
>>>0
a[0,0,1]
>>>1
a[1,2,3]
>>>23
a[-1,-2,-3]
>>>17

a[:,1,-3]
>>>array([ 5, 17])
a[:,1:3,:]
>>>
array([[[ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])
a[:,:,::2]
>>>
array([[[ 0,  2],
        [ 4,  6],
        [ 8, 10]],

       [[12, 14],
        [16, 18],
        [20, 22]]])

五、数组的运算

1.基本运算

a.mean()
>>>11.5
a.max()
>>>23
b = a / a.mean()
>>>
array([[[0.        , 0.08695652, 0.17391304, 0.26086957],
        [0.34782609, 0.43478261, 0.52173913, 0.60869565],
        [0.69565217, 0.7826087 , 0.86956522, 0.95652174]],

       [[1.04347826, 1.13043478, 1.2173913 , 1.30434783],
        [1.39130435, 1.47826087, 1.56521739, 1.65217391],
        [1.73913043, 1.82608696, 1.91304348, 2.        ]]])


np.abs(a)
>>>
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

np.sqrt(a)
>>>
array([[[0.        , 1.        , 1.41421356, 1.73205081],
        [2.        , 2.23606798, 2.44948974, 2.64575131],
        [2.82842712, 3.        , 3.16227766, 3.31662479]],

       [[3.46410162, 3.60555128, 3.74165739, 3.87298335],
        [4.        , 4.12310563, 4.24264069, 4.35889894],
        [4.47213595, 4.58257569, 4.69041576, 4.79583152]]])

np.square(a)
>>>
array([[[  0,   1,   4,   9],
        [ 16,  25,  36,  49],
        [ 64,  81, 100, 121]],

       [[144, 169, 196, 225],
        [256, 289, 324, 361],
        [400, 441, 484, 529]]])

np.log(a)
>>>
array([[[      -inf, 0.        , 0.69314718, 1.09861229],
        [1.38629436, 1.60943791, 1.79175947, 1.94591015],
        [2.07944154, 2.19722458, 2.30258509, 2.39789527]],

       [[2.48490665, 2.56494936, 2.63905733, 2.7080502 ],
        [2.77258872, 2.83321334, 2.89037176, 2.94443898],
        [2.99573227, 3.04452244, 3.09104245, 3.13549422]]])

np.log2(a)
>>>
array([[[      -inf, 0.        , 1.        , 1.5849625 ],
        [2.        , 2.32192809, 2.5849625 , 2.80735492],
        [3.        , 3.169925  , 3.32192809, 3.45943162]],

       [[3.5849625 , 3.70043972, 3.80735492, 3.9068906 ],
        [4.        , 4.08746284, 4.169925  , 4.24792751],
        [4.32192809, 4.39231742, 4.45943162, 4.52356196]]])

np.log10(a)
>>>
array([[[      -inf, 0.        , 0.30103   , 0.47712125],
        [0.60205999, 0.69897   , 0.77815125, 0.84509804],
        [0.90308999, 0.95424251, 1.        , 1.04139269]],

       [[1.07918125, 1.11394335, 1.14612804, 1.17609126],
        [1.20411998, 1.23044892, 1.25527251, 1.2787536 ],
        [1.30103   , 1.32221929, 1.34242268, 1.36172784]]])

np.floor(a)
>>>
array([[[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]],

       [[12., 13., 14., 15.],
        [16., 17., 18., 19.],
        [20., 21., 22., 23.]]])

2.四舍五入

b1 = np.linspace(1,11,4)
>>>
array([ 1.        ,  4.33333333,  7.66666667, 11.        ])

np.rint(b1)
>>>
array([ 1.,  4.,  8., 11.])

3.小数和整数分别返回为两个数组

np.modf(b1)
>>>
(array([0.        , 0.33333333, 0.66666667, 0.        ]), array([ 1.,  4.,  7., 11.]))

4.各元素三角函数、指数

np.cos(b1)
>>>
array([ 0.54030231, -0.37004332,  0.1862215 ,  0.0044257 ])

np.exp(b1)
>>>
array([2.71828183e+00, 7.61978566e+01, 2.13594973e+03, 5.98741417e+04])

5.各元素符号

np.sign(b1)
>>>
array([1., 1., 1., 1.])

6.最值计算

import numpy as np
b1 = np.linspace(1,11,4)
b2 = np.sqrt(b1)
np.maximum(b1,b2)
>>>
array([ 1.        ,  4.33333333,  7.66666667, 11.        ])

b1>b2
>>>
array([False,  True,  True,  True])

b1 != b2
>>>
array([False,  True,  True,  True])

7.模运算

np.mod(b1,b2)
>>>
array([0.        , 0.17000133, 2.12891742, 1.05012563])

8.数组符号赋值

np.copysign(b1,b2)
>>>
array([ 1.        ,  4.33333333,  7.66666667, 11.        ])