NumPy常用方法总结 光环大数据Python培训班

NumPy是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

numpy中的数据类型，ndarray类型，和标准库中的array.array并不一样。

ndarray的创建

>>> import numpy as np>>> a = np.array([2,3,4])>>> aarray([2, 3, 4])>>> a.dtypedtype('int64')>>> b = np.array([1.2, 3.5, 5.1])>>> b.dtypedtype('float64')

二维的数组

>>> b = np.array([(1.5,2,3), (4,5,6)])>>> barray([[ 1.5,  2. ,  3. ],       [ 4. ,  5. ,  6. ]])

创建时指定类型

>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )>>> carray([[ 1.+0.j,  2.+0.j],       [ 3.+0.j,  4.+0.j]])

创建一些特殊的矩阵

>>> np.zeros( (3,4) )array([[ 0.,  0.,  0.,  0.],       [ 0.,  0.,  0.,  0.],       [ 0.,  0.,  0.,  0.]])>>> np.ones( (2,3,4), dtype=np.int16 )                # dtype can also be specifiedarray([[[ 1, 1, 1, 1],        [ 1, 1, 1, 1],        [ 1, 1, 1, 1]],       [[ 1, 1, 1, 1],        [ 1, 1, 1, 1],        [ 1, 1, 1, 1]]], dtype=int16)>>> np.empty( (2,3) )                                 # uninitialized, output may varyarray([[  3.73603959e-262,   6.02658058e-154,   6.55490914e-260],       [  5.30498948e-313,   3.14673309e-307,   1.00000000e+000]])

创建一些有特定规律的矩阵

>>> np.arange( 10, 30, 5 )array([10, 15, 20, 25])>>> np.arange( 0, 2, 0.3 )                 # it accepts float argumentsarray([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])>>> from numpy import pi>>> np.linspace( 0, 2, 9 )                 # 9 numbers from 0 to 2array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])>>> x = np.linspace( 0, 2*pi, 100 )        # useful to evaluate function at lots of points>>> f = np.sin(x)

一些基本的运算

加减乘除三角函数逻辑运算

>>> a = np.array( [20,30,40,50] )>>> b = np.arange( 4 )>>> barray([0, 1, 2, 3])>>> c = a-b>>> carray([20, 29, 38, 47])>>> b**2array([0, 1, 4, 9])>>> 10*np.sin(a)array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])>>> a<35array([ True, True, False, False], dtype=bool)

矩阵运算

matlab中有.* ,./等等

但是在numpy中，如果使用+，-，×，/优先执行的是各个点之间的加减乘除法

如果两个矩阵（方阵）可既以元素之间对于运算，又能执行矩阵运算会优先执行元素之间的运算

>>> import numpy as np>>> A = np.arange(10,20)>>> B = np.arange(20,30)>>> A + Barray([30, 32, 34, 36, 38, 40, 42, 44, 46, 48])>>> A * Barray([200, 231, 264, 299, 336, 375, 416, 459, 504, 551])>>> A / Barray([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])>>> B / Aarray([2, 1, 1, 1, 1, 1, 1, 1, 1, 1])

如果需要执行矩阵运算，一般就是矩阵的乘法运算

>>> A = np.array([1,1,1,1])>>> B = np.array([2,2,2,2])>>> A.reshape(2,2)array([[1, 1],       [1, 1]])>>> B.reshape(2,2)array([[2, 2],       [2, 2]])>>> A * Barray([2, 2, 2, 2])>>> np.dot(A,B)8>>> A.dot(B)8

一些常用的全局函数

>>> B = np.arange(3)>>> Barray([0, 1, 2])>>> np.exp(B)array([ 1.        ,  2.71828183,  7.3890561 ])>>> np.sqrt(B)array([ 0.        ,  1.        ,  1.41421356])>>> C = np.array([2., -1., 4.])>>> np.add(B, C)array([ 2.,  0.,  6.])

矩阵的索引分片遍历

>>> a = np.arange(10)**3>>> aarray([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])>>> a[2]8>>> a[2:5]array([ 8, 27, 64])>>> a[:6:2] = -1000    # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000>>> aarray([-1000,     1, -1000,    27, -1000,   125,   216,   343,   512,   729])>>> a[ : :-1]                                 # reversed aarray([  729,   512,   343,   216,   125, -1000,    27, -1000,     1, -1000])>>> for i in a:...     print(i**(1/3.))...nan1.0nan3.0nan5.06.07.08.09.0

矩阵的遍历

>>> import numpy as np>>> b = np.arange(16).reshape(4, 4)>>> for row in b:...  print(row)... [0 1 2 3][4 5 6 7][ 8  9 10 11][12 13 14 15]>>> for node in b.flat:...  print(node)... 0123456789101112131415

矩阵的特殊运算

改变矩阵形状--reshape

>>> a = np.floor(10 * np.random.random((3,4)))>>> aarray([[ 6.,  5.,  1.,  5.],       [ 5.,  5.,  8.,  9.],       [ 5.,  5.,  9.,  7.]])>>> a.ravel()array([ 6.,  5.,  1.,  5.,  5.,  5.,  8.,  9.,  5.,  5.,  9.,  7.])>>> aarray([[ 6.,  5.,  1.,  5.],       [ 5.,  5.,  8.,  9.],       [ 5.,  5.,  9.,  7.]])

resize和reshape的区别

resize会改变原来的矩阵，reshape并不会

>>> aarray([[ 6.,  5.,  1.,  5.],       [ 5.,  5.,  8.,  9.],       [ 5.,  5.,  9.,  7.]])>>> a.reshape(2,-1)array([[ 6.,  5.,  1.,  5.,  5.,  5.],       [ 8.,  9.,  5.,  5.,  9.,  7.]])>>> aarray([[ 6.,  5.,  1.,  5.],       [ 5.,  5.,  8.,  9.],       [ 5.,  5.,  9.,  7.]])>>> a.resize(2,6)>>> aarray([[ 6.,  5.,  1.,  5.,  5.,  5.],       [ 8.,  9.,  5.,  5.,  9.,  7.]])

矩阵的合并

>>> a = np.floor(10*np.random.random((2,2)))>>> aarray([[ 8.,  8.],       [ 0.,  0.]])>>> b = np.floor(10*np.random.random((2,2)))>>> barray([[ 1.,  8.],       [ 0.,  4.]])>>> np.vstack((a,b))array([[ 8.,  8.],       [ 0.,  0.],       [ 1.,  8.],       [ 0.,  4.]])>>> np.hstack((a,b))array([[ 8.,  8.,  1.,  8.],       [ 0.,  0.,  0.,  4.]])

       Python培训、Python培训班、Python培训机构，就选光环大数据！