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。