栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

python中的Numpy包

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

python中的Numpy包

Numpy是Numerical Python的英文缩写,是最常用的Python包之一,主要特点如下:

1、Numpy以N维(N=1或2是比较常见的)数组对象(ndarray)形式组织数据集,其中要求数据集中各变量的类型相同。Numpy的1维数组对应向量,2维数组对应矩阵。数据访问简单灵活,仅需通过指定位置编号(也称索引,从0开始编写)访问相应行列位置上的元素。

2、Numpy拥有丰富的数学运算和统计函数,能够方便地进行基本统计分析和各种矩阵运算等。

一、Numpy数组的创建和访问

import numpy as np
# 创建一个Numpy的1维数组,数组中的数据元素来自python的列表(list)
# np.array可将列表转换为Numpy的N维数组
data = np.array([1,2,3,4,5,6,7,8,9])
# 显示数组内容
print("Numpy的1维数组:n{0}".format(data))
# 显示数组元素的数据类型
# .dtype是numpy数组的属性之一,存储了数组元素的数据类型
# int32是python的数据类型之一,表示包含符号位的32位整型数,还有int64(64位整型数)、float32(标准32位单精度浮点数)、float64等
print("数据类型:%s" %data.dtype)
print("1维数组中各元素扩大十倍:n{0}".format(data*10))
print("访问第2个元素:{0}".format(data[1]))

data = np.array([[1,3,5,7,9],[2,4,6,8,10]])
print("Numpy的2维数组:n{0}".format(data))
print("访问2维数组中第1行第2列元素:{0}".format(data[0,1]))
print("访问2维数组中第1行第2至4列元素:{0}".format(data[0,1:4]))
print("访问2维数组中第1行所有元素:{0}".format(data[0,:]))

 二、Python列表的补充说明

data = [[1,2,3,4,5],['A','B','C','D','E']]
print('data是python的列表:n{0}'.format(data))
# 通过np.array将列表转成数组时,因数组要求数据类型一致,所以这里自动将数值型转换为字符型
array1 = np.array(data)
# .shape是numpy数组的属性之一,存储数组的行数和列数
print('array1是numpy的N维数组:n %s n array1的形状: %s' %(array1,array1.shape))

三、Numpy数组的计算

array2 = np.arange(10)
print("array2:n{0}".format(array2))
print("array2的基本描述统计量:n 均值:%f,标准差:%f,总和:%f,最大值:%f" %(array2.mean(),array2.std(),array2.sum(),array2.max()))
print("array2的累计和:{0}".format(array2.cumsum()))
print("array2开平方:n{0}".format(np.sqrt(array2)))

 

# 指定随机数种子
# 指定种子的目的是确保每次运行代码时生成的随机数可以再现,否则,每次运行代码生成的随机数会不相同
np.random.seed(123)
# np.random.randn(10)生成包含10个元素且服从标准正态分布的一维数组
array3 = np.random.randn(10)
print("array3:n{0}".format(array3))
# 利用sort()对数组元素排序,排序结果并不覆盖原数组内容
print("array3排序结果:n{0}".format(np.sort(array3)))
# rint()函数对数组元素做四舍五入
print("array3四舍五入到最近整数:n{0}".format(np.rint(array3)))
# sign()函数求数组元素的正负符号,1表示正号,-1表示负号
print("array3各元素的正负号:{0}".format(np.sign(array3)))
# where()函数依次对数组元素进行逻辑判读
# where()需指定判断条件,满足条件的返回第一个值,否则返回第二个值
# 如果省略第2和第3个参数,将给出满足条件的元素索引号
print("array3各元素非负数的显示‘正’,负数显示‘负’:n{0}".format(np.where(array3>0,'正','负')))
print("array3各元素非负数的显示‘正’,负数显示‘负’:n{0}".format(np.where(array3>0)))
# 将两个数组相同位置上的元素相加
print("array2+array3的结果:n{0}".format(array2+array3))

 

 四、随机数的补充说明和矩阵初步

np.random.seed(123)
# 利用numpy的random.normal()函数生成2行5列的2维数组,数组元素服从均值为5,标准差为1的正态分布
# 利用floor函数得到距各元素数组最近的最大整数
X = np.floor(np.random.normal(5,1,(2,5)))
print(np.random.normal(5,1,(2,5)))
# 利用eye(5)函数生成一个5行5列单位矩阵
Y = np.eye(5)
print('X:n{0}'.format(X))
print('Y:n{0}'.format(Y))
# 利用dot()函数计算矩阵X和矩阵Y(单位矩阵)的乘积,将得到2行5列的矩阵
print('X和Y的点积:n{0}'.format(np.dot(X,Y)))

 五、矩阵运算

# 导入numpy的linalg模块下有关矩阵运算的函数
from numpy.linalg import inv,svd,eig,det
# 生成5行5列的2维数组X(可视为一个矩阵),数组元素服从标准正态分布
X = np.random.randn(5,5)
print(X)
# X.T是X的转置,与X相乘的结果保存在mat
mat = X.T.dot(X)
print(mat)
print('矩阵mat的逆:n{0}'.format(inv(mat)))
print('矩阵mat的行列式值:n{0}'.format(det(mat)))
print('矩阵mat的特征值和特征向量:n{0}'.format(eig(mat)))
print('矩阵mat做奇异值分解:n{0}'.format(svd(mat)))

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/917766.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号