当前位置：首页 > 资讯 > 技术文档

python中numpy基础学习及进行数组和矢量计算

时间：2021-10-25 10:45 编辑：来源：阅读：
扫一扫，手机访问

摘要：python中numpy基础学习及进行数组和矢量计算

[b]前言[/b] 在python 中有时候我们用数组操作数据可以极大的提升数据的处理效率，类似于R的向量化操作，是的数据的操作趋于简单化，在python 中是使用numpy模块可以进行数组和矢量计算。 [b]下面来看下简单的例子[/b]

import numpy as np
 
data=np.array([2,5,6,8,3]) #构造一个简单的数组
 
print(data)

结果：

[2 5 6 8 3]

data1=np.array([[2,5,6,8,3],np.arange(5)]) #构建一个二维数组
 
print(data1)

结果：

[[2 5 6 8 3]
[0 1 2 3 4]]

我们也可以通过shape和dtype方法查看数组的维度和数据格式

print(data.shape)
print(data.dtype)
print(data1.shape)
print(data1.dtype)

结果：

(5,)
int32

(2, 5)
int32

可以看出data是一维数组，每组元素为5个，数据类型为32位int 类型 data1 为二维数组，每个组有5个元素，数据类型为32位int类型有一个较好的区分方法是看打印结果中，中括号的层数和位置，就可以看出数组的维度，一层中括号代表一个维度。 [b]其他的数组属性方法还有：[/b] [code]array.ndim[/code] 数组的维数，一维数组结果为1，二维数组打印结果为2 [code]array.size[/code] 数组的元素个数 [code]array.itemsiz[/code] 数组每个元素的字节大小 [b]接下来我们了解下数组中的数据类型：[/b] NumPy中的基本数据类型

名称	描述
bool	用一个字节存储的布尔类型（True或False）
inti	由所在平台决定其大小的整数（一般为int32或int64）
int8	一个字节大小，-128 至 127
int16	整数，-32768 至 32767
int32	整数，-2 31 至 2 32 -1
int64	整数，-2 63 至 2 63 - 1
uint8	无符号整数，0 至 255
uint16	无符号整数，0 至 65535
uint32	无符号整数，0 至 2 ** 32 - 1
uint64	无符号整数，0 至 2 ** 64 - 1
float16	半精度浮点数：16位，正负号1位，指数5位，精度10位
float32	单精度浮点数：32位，正负号1位，指数8位，精度23位
float64或float	双精度浮点数：64位，正负号1位，指数11位，精度52位
complex64	复数，分别用两个32位浮点数表示实部和虚部
complex128或complex	复数，分别用两个64位浮点数表示实部和虚部

[b]基础的数组运算[/b] 数组也可以进行我们常用的加减乘除运算

arr=np.array(np.arange(10))
arr1=np.array(np.arange(1,11))
print(arr*2)

结果：

[ 0 2 4 6 8 10 12 14 16 18]

print(arr+arr1)

结果：

[ 1 3 5 7 9 11 13 15 17 19]

[b]注意[/b]，相加两个数组长度要一样接下来我们看下数组索引

arr=np.arange(10)

用下标直接进行索引

print(arr[5])

结果为：

切片索引

print(arr[5:8])

结果为：

[5 6 7]

可以利用索引对数据进行更改操作

arr[5]=120
print(arr)

结果为：

[ 0 1 2 3 4 120 6 7 8 9]

可以看到下标为5的数已经变成120了。 [b]此外，数组还可以进行布尔操作[/b]

arr=np.arange(5)
name=np.array(['a','b','b','c','a'])
print(name=='a')

结果为：

[ True False False False True]

即满足条件的数据全部以True的结果输出。 [b]接下来我们可以利用name数组设置条件后的布尔值对arr数组进行相关操作[/b]

print(arr[name=='a'])

结果为：

[0 4]

即把arr中对应于name中a相对应位置的元素打印出来。 [b]多条件操作[/b]

result=(name='a')|(name='c')
print(result)
print(name[result])

结果为：

[ True False False True True]
['a' 'c' 'a']

[b]接下来，我们了解下ufunc方法[/b] 用于操作单个数组的函数有如下： [img]http://files.jb51.net/file_images/article/201702/2017212152738477.png?2017112152747[/img] 用于操作两个或多个数组的方法 [img]http://files.jb51.net/file_images/article/201702/2017212152803323.png?2017112152814[/img] 相关的函数方法使用 [code]np.meshgrid[/code] 用于生成多维矩阵

a,b=np.meshgrid(np.arange(1,5),np.arange(2,4))
print(a)
print(b)

结果为：

[[1 2 3 4]
[1 2 3 4]]
[[2 2 2 2]
[3 3 3 3]]

按照数据最少的数组形成数组 [code]np.where[/code] 是三元表达式 x if condition else y的矢量化版本

arr1=np.arange(5)
arr2=np.arange(20,25)
condition=np.array([1,0,1,0,0])
result=np.where(condition,arr1,arr2)
print(arr1)
print(arr2)
print(result)

结果为：

[0 1 2 3 4]
[20 21 22 23 24]
[ 0 21 2 23 24]

可以看出，result的结果中，条件为1的显示数组arr1的内容，条件为0的显示arr2的内容 [b]数学统计方法[/b] 在数组中我们也可以使用数学统计方法进行计数，例如sum mean std 等

arr=np.random.randint(1,20,10)
print(arr)
print(np.mean(arr))
print(np.sum(arr))
print(np.std(arr))

结果为：

[19 14 8 13 13 10 10 9 19 7]
12.2
122
4.01995024845

具体的方法内容如下图所示： [img]http://files.jb51.net/file_images/article/201702/2017212153308154.png?2017112153316[/img] [b]布尔型数组的相关统计方法[/b]

arr=np.arange(-20,10)
result=(arr>5).sum()
print(arr)
print(result)

结果为：

-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3
-2 -1 0 1 2 3 4 5 6 7 8 9]

4

可以对数据进行判断后进行个数求和 [b]其他的数组方法还有[/b] [img]http://files.jb51.net/file_images/article/201702/2017212153401240.png?201711215348[/img] [b]数据的读取和存储[/b] [img]http://files.jb51.net/file_images/article/201702/2017212153446844.png?2017112153454[/img] [b]线性函数的常用方法[/b]

arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])
print(arr)
print(np.dot(arr,2))

结果为

[[ 4 6 5 1 6]
[14 16 11 10 18]]
[[ 8 12 10 2 12]
[28 32 22 20 36]]

[b]dot方法可以进行矩阵相乘操作[/b] 其他方法如下图 [img]http://files.jb51.net/file_images/article/201702/2017212153537276.png?2017112153544[/img] 最后我们了解下numpy中的随机数生成方法上面的很多例子中我们已经用到了随机数生成，

arr=np.random.random(10)
print(arr)

结果为

[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
0.42150977 0.27728599 0.50888291 0.62288808]

其他形式的随机数生成方法 [img]http://files.jb51.net/file_images/article/201702/2017212153623802.png?2017112153631[/img] [b]总结[/b] 好了，以上就是这篇文章的全部内容了，了解了以上numpy的操作方法，基本的数据操作问题应该不是很大了。希望本文的内容对大家的学习或者工作能带来一定的帮助。

全部评论(0)

上一篇：python中numpy包使用教程之数组和相关操作详解
下一篇：numpy中索引和切片详解

资讯排行榜
更多>>