首页 > 编程语言> 文章详细

numpy学习教程-莫烦python的教程

2022-02-09 14:34:37 阅读：178 来源： 互联网

标签：维度教程 python 矩阵 np print array numpy

numpy

本套教程是基于莫烦python的教学视频记录的学习笔记，每一部分都是一个可运行的python代码块，可以直接拷贝运行，并且知识点都有清晰地注释

0、作用

使用numpy&pandas使得数据分析中计算非常快，比python自带的字典和列表快很多，因为这俩模块使用C语言编写的。应用到了矩阵的运算，使用C语言实现，更快。

1、安装

直接在终端使用命令

pip install numpy

安装完成即可

2、numpy基本属性

基本属性包括：将列表转换为numpy的array，查看array的维度、形状、总元素个数

import numpy as np #一般习惯重命名为np
# 将列表转换为numpy的矩阵
array = np.array([[1,2,3],[2,3,4]])
print(array)
# 维度
print('number of dimation: ',array.ndim)
# 形状
print('shape:',array.shape)
# 总共多少个元素在矩阵中
print('size:',array.size)

3、创建

创建的方法有：

直接传入列表
通过zeros()方法生成全为0的矩阵
通过ones()方法生成全为1的矩阵
通过empty()方法生成全为0的矩阵
通过arange()方法生成有序array
使用reshape指定形状，注意，元素个数可以变成指定的形状否则报错
linspace分段
使用random模块，生成随机的。随机数位于0到1之间

import numpy as np
# 1,直接传入列表，使用的type指定数据类型，比如float32，几位数字需要根据精度需求来确定
# 位数越大，精度越高但同时占用空间越大
a = np.array([[2,3,4],[3,4,5]],dtype=np.float32)
# 打印出来，和列表的差别就是，没有逗号
print(a)
print(a.dtype)

# 2,直接生成全部为0的矩阵,需要在参数中传入形状（用一个括号包着)
# 如果不指定数据类型，zeros默认为float64
b = np.zeros((3,4))
print(b)
# 同理，生成全为1的，使用ones方法即可
b = np.ones((4,5),dtype=np.int16)
print(b)

# 3,empty,相当于生成全为0的
c = np.empty((3,4))
print(c)

# 4，生成有序，和python中的arange相同，指定区间（左闭右开），指定步长
# 步长为2,10到20之间
c = np.arange(10,21,2)
print(c)

# 5，使用reshape指定形状，注意，元素个数可以变成指定的形状否则报错
c = np.arange(12).reshape((3,4))
print(c)

# 6，linspace分段，在闭区间1到10中生成5个点，平均分成4段
a = np.linspace(0,10,5)
print(a)

# 7、使用random模块，生成随机的。随机数位于0到1之间
a = np.random.random((2,4))
print(a)

4、运算

加法、减法、指数运算、三角函数运算、布尔值运算。都是对每个元素都进行运算
矩阵乘法
- 逐个元素相乘
- 使用dot方法矩阵相乘（线性代数的知识）
求和，求最大值最小值，都是返回一个指定的元素
求指定维度的和、最大最小值，需要根据axis指定维度

import numpy as np
a = np.array([10,20,30,40])
b = np.arange(4)
print(a,b)
# 1、减法
print(a-b)
# 2、加法
print(a+b)
# 3、指数
print(a**2)
# 4、三角函数运算
# print(np.sin(a),np.cos(a),np.tan(a))
# 5、布尔值
print(b)
print(b<3)
print(b==3)

############矩阵###########
a = np.array([[10,20],[30,45]])
b = np.arange(4).reshape((2,2))
print(a)
print(b)
# 乘法，逐个相乘
print(a*b)
# 乘法，矩阵相乘，使用np.dot或者a.dot(b)
print(np.dot(a,b))
print(a.dot(b))

# 随机生成一个矩阵
a = np.random.random((2,4))
print(a)
# 求和，或者写成a.sum()
print(np.sum(a))
# 最大值
print(np.max(a))
# 最小值
print(np.min(a))
# 求指定维度的和，最大最小值
# axis为1，就是将维度为1的元素累加，该维度消失，只剩下维度为0的行
print(np.sum(a,axis=1))
print(np.max(a,axis=1))
print(np.min(a,axis=0))
# 另一种写法
print(a.min(axis=0))
# 总结，axis的值为求和的维度，运算之后该维度消失

5、运算2

求最小最大值索引
求平均值，指定维度求平均值
求中位数
累加，第n个元素为原矩阵前n个元素的和
累差，原矩阵相邻元素之间的差值，列数减一
找出非0的元素，返回的值是多个表示非零元素的维度数组，数组拼接即可得到非零元素的索引值
排序，按照最小的维度排序，对于矩阵就是对行内的列元素排序
转置矩阵

import numpy as np
A = np.arange(2,14).reshape((3,4))
print(A)
# 最小值索引，两种写法都可
print(np.argmin(A))
print(A.argmin())
# 最大值索引
print(A.argmax())
# 求平均值
print(A.mean())
# 也可以指定维度
print(np.mean(A,axis=0))
print(np.average(A))
# 不能这样使用average
# print(A.average())

# 求中位数,也是只能np.median
print(np.median(A))
# 累加,第n个元素为原矩阵前n个元素的和
print(np.cumsum(A))
# 累差，原矩阵相邻元素之间的差值，列数减一了，因为n个元素有n-1个差值
print(np.diff(A))
# 找出非零元素，返回维度的数组
print(np.nonzero(A))

# 排序，最小的那个维度的数进行排序。如果是矩阵，就是行内的每列元素进行排序
B = np.arange(14,2,-1).reshape((3,4))
print(B)
# 不会改变原矩阵的值
print(np.sort(B))

# 矩阵的转置，行变成列，列变成行
print(np.transpose(B))
print(B.T)
print((B.T).dot(B))

# clip，所有大于9的数都变成9，小于5的数都变成5,5到9之间的数不变
print(B)
print(np.clip(B,5,9))

6、索引

对于多维的索引，索引号都放在一个中括号中，用逗号分割开
切片
for迭代，默认迭代矩阵的行

import numpy as np

A = np.arange(3,15).reshape((3,4))
print(A)
print(A[2])
print(A[2][1])
# 多维索引都放在一个中括号中，用逗号分割
print(A[2,1])

# 切片
# 第一维度所有元素，就是原矩阵
print(A[:])
# 第一维度不限定，第二维度索引为1
print(A[:,1])
# 切片限定第二维度（列）
print(A[1,1:3])
print("********************")

# for迭代，默认迭代矩阵的行。就是第一维度
for row in A:
    print(row)
# 迭代矩阵的列，可以通过迭代转置矩阵的列
for col in A.T:
    print(col)
# 迭代每一个元素,flat之后是一个一维的列表
for item in A.flat:
    print(item,end=',')

7、array合并

使用vstack实现多个array上下合并
使用hstack实现多个array水平合并
把一个横向的数列变成纵向的数列
使用concatenate多个array的合并指定合并的维度

import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])

# 上下合并
C = np.vstack((A,B))
print(C)
print(A.shape,C.shape)

# 左右合并（水平合并） horizontal stack
D = np.hstack((A,B))
print(D)
print(A.shape,D.shape)

print("*********************")
# 如何把一个横向的数列变成纵向的数列
A = A[:,np.newaxis]
B = B[:,np.newaxis]
print(A.shape,B.shape)
# 左右合并，hstack和vstack都可以进行多个array的合并
D = np.hstack((A,B,B))
print(D)

# 多个array的合并指定合并的维度，和上面两个不同的就是可以指定合并的维度
# 比如，在第一维度合并，即合并行
C = np.concatenate((A,B,B,A),axis=0)
print(C)
# 合并列
print(np.concatenate((A,B,B,A),axis=1))

8、分割

使用split均等分割
使用array_split不均等分割
使用vsplit和hsplit进行均等分割

import numpy as np

A = np.arange(12).reshape((3,4))
print(A)
# 均等分割，使用split均等分割
print(np.split(A,2,axis=1))
print(np.split(A,3,axis=0))

# 不均等分割，使用array_split
# 这里将四列分为三部分，第一部分为2列，2,3部分为1列
print(np.array_split(A,3,axis=1))
# 使用vsplit和hsplit进行分割
print(np.vsplit(A,3))
print(np.hsplit(A,2))

9、copy和deep copy

通过 = 赋值的变量都指向同一个数据
使用copy方法使复制后两个变量不相关联

import numpy as np
a = np.arange(4)
print(a)
b = a
c = a
d = b
# 目前为止，abcd都是一样
# 这里更改a的值，观察其他变量的改变
a[0]=11
print(a,b,c,d)
print(b is a,c is a,d is a)
# 可以看到，改变了a，bcd都会改变，哪怕是通过b赋值的d
# 同理，改变了bcd任何一个元素，a的值也会改变
# 所以，通过=赋值的变量都是指向同一个数据，是浅拷贝

# 如果想让赋值后的两个变量不相关联，使用copy()方法
e = a.copy()
print(e is a)
a[1]=22
print(a,e)

标签：维度,教程,python,矩阵,np,print,array,numpy
来源： https://www.cnblogs.com/gdxdekx/p/15874809.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9