Numpy的簡單用法小結
阿新 • • 發佈:2020-01-09
Numpy的簡單用法,下面就一起來了解一下
import numpy as np
一、建立ndarray物件
列表轉換成ndarray:
>>> a = [1,2,3,4,5] >>> np.array(a) array([1,5])
取隨機浮點數
>>> np.random.rand(3,4) array([[ 0.16215336,0.49847764,0.36217369,0.6678112 ],[ 0.66729648,0.86538771,0.32621889,0.07709784],[ 0.05460976,0.3446629,0.35589223,0.3716221 ]])
取隨機整數
>>> np.random.randint(1,5,size=(3,4)) array([[2,1,2],[3,4],[4,3]])
取零
>>> np.zeros((3,4)) array([[ 0.,0.,0.],[ 0.,0.]])
取一
>>> np.ones((3,4)) array([[ 1.,1.,1.],[ 1.,1.]])
取空(最好別用,瞭解一下,版本不同返回值不一樣)
>>> np.empty((3,1.]])
取整數零或一
>>> np.ones((3,4),int) array([[1,1],[1,1]]) >>> np.zeros((3,4),int) array([[0,0],[0,0]])
仿range命令建立ndarray:
>>> np.arange(2,10,2) # 開始,結束,步長 array([2,6,8])
二、ndarray屬性的檢視和操作:
看ndarray屬性:
>>> a = [[1,5],[6,7,8,9,0]] >>> b = np.array(a) >>> b.ndim #維度個數(看幾維) 2 >>> b.shape #維度大小(看具體長寬) (5,2) >>>b.dtype dtype('int32')
ndarray建立時指定屬性:
>>> np.array([1,dtype=np.float64) array([ 1.,2.,3.,4.,5.]) >>> np.zeros((2,5),dtype=np.int32) array([[0,0]])
屬性強轉:
>>> a = np.array([1,dtype=np.float64) >>> a array([ 1.,5.]) >>> a.astype(np.int32) array([1,5])
三、簡單操作:
批量運算:
>>> a = np.array([1,dtype=np.int32) >>> a array([1,5]) >>> a + a array([ 2,10]) >>> a * a array([ 1,16,25]) >>> a - 2 array([-1,3]) >>> a / 2 array([ 0.5,1.5,2.5]) #等等
改變維度:
>>> a = np.array([[1,0]],dtype=np.int32) >>> a array([[1,0]]) >>> a.reshape((5,2)) array([[1,[5,6],[7,8],[9,0]])
矩陣轉換(和改變維度有本質區別,仔細):
>>> a = np.array([[1,0]]) >>> a.transpose() array([[1,[2,7],9],0]])
打亂(只能打亂一維):
>>> a = np.array([[1,0]]) >>> np.random.shuffle(a) >>> a array([[9,4]])
四、切片和索引:
一維陣列(和普通列表一樣):
>>> a = np.array(range(10)) >>> a array([0,9]) >>> a[3] 3 >>> a[2:9:2] array([2,8])
多維陣列(也差不了多少):
>>> a = np.array([[1,[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1,[ 6,15]]) >>> a[:,1:4] array([[ 2,[ 7,[12,14]])
條件索引:
>>> a = np.array([[1,15]]) >>> a > 5 array([[False,False,False],[ True,True,True]],dtype=bool) >>> a[a>5] array([ 6,11,15]) >>> a%3 == 0 Out[128]: array([[False,True],[False,dtype=bool) >>> a[a%3 == 0] array([ 3,15])
五、函式(numpy核心知識點)
計算函式(都不想舉例了,太簡單。。):
np.ceil(): 向上最接近的整數,引數是 number 或 array np.floor(): 向下最接近的整數,引數是 number 或 array np.rint(): 四捨五入,引數是 number 或 array np.isnan(): 判斷元素是否為 NaN(Not a Number),引數是 number 或 array np.multiply(): 元素相乘,引數是 number 或 array np.divide(): 元素相除,引數是 number 或 array np.abs():元素的絕對值,引數是 number 或 array np.where(condition,x,y): 三元運算子,x if condition else y >>> a = np.random.randn(3,4) >>> a array([[ 0.37091654,0.53809133,-0.99434523,-1.21496837],[ 0.00701986,1.65776152,0.41319601,0.41356973],[-0.32922342,1.07773886,-0.27273258,0.29474435]]) >>> np.ceil(a) array([[ 1.,-0.,-1.],[-0.,1.]]) >>> np.where(a>0,0) array([[10,[10,10],[ 0,10]])
統計函式
np.mean():所有元素的平均值 np.sum():所有元素的和,引數是 number 或 array np.max():所有元素的最大值 np.min():所有元素的最小值,引數是 number 或 array np.std():所有元素的標準差 np.var():所有元素的方差,引數是 number 或 array np.argmax():最大值的下標索引值, np.argmin():最小值的下標索引值,引數是 number 或 array np.cumsum():返回一個一維陣列,每個元素都是之前所有元素的累加和 np.cumprod():返回一個一維陣列,每個元素都是之前所有元素的累乘積,引數是 number 或 array >>> a = np.arange(12).reshape(3,4).transpose() >>> a array([[ 0,[ 1,[ 2,[ 3,11]]) >>> np.mean(a) 5.5 >>> np.sum(a) 66 >>> np.argmax(a) 11 >>> np.std(a) 3.4520525295346629 >>> np.cumsum(a) array([ 0,18,27,29,35,45,48,55,66],dtype=int32)
判斷函式:
np.any(): 至少有一個元素滿足指定條件,返回True np.all(): 所有的元素滿足指定條件,返回True >>> a = np.random.randn(2,3) >>> a array([[-0.65750548,2.24801371,-0.26593284],[ 0.31447911,-1.0215645,-0.4984958 ]]) >>> np.any(a>0) True >>> np.all(a>0) False
去除重複:
np.unique(): 去重 >>> a = np.array([[1,3],4]]) >>> a array([[1,4]]) >>> np.unique(a) array([1,4])
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。