当前位置：首页 > news >正文

Python --NumPy库基础方法（1）

news 来源：原创 2024/9/20 4:51:16

NumPy

Numpy(Numerical Python) 是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。其提供最核心类型为多维数组类型（ndarray），支持大量的维度数组与矩阵运算，Numpy支持向量处理ndarray对象，提高程序运算速度。

安装

安装 NumPy 最简单的方法就是使用 pip 工具，语法格式如下：

pip install numpy
pip install jupyter notebook

在pycharm打开jupyter notebook：

打开pycharm中的命令端，输入jupyter notebook，等待一会会自动跳转，若是不跳转，点击最下面的链接：

在这里插入图片描述

跳转页面后，创建新的程序，我们使用jupyter学习Numpy。

Numpy运行方法：Shift键 + Enter键。如：

在这里插入图片描述

写好代码后直接按下两键。更多具体的jupyter notebook界面操作方法，自行查找详细操作。

array创建数组

numpy模块的array函数可以生成多维数组。语法格式如下：

numpy.array(object, dtype = None, copy =True, order = None, subok = False, ndmin = 0)

object ：数组或嵌套的数列。 dtype ：数组元素的数据类型，可选。 copy：对象是否需要复制，可选

order ：创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）

subok ：默认返回一个与基类类型一致的数组。 ndmin ：指定生成数组的最小维度

创建一维

import numpy as np	#导包b=np.array([1,2,3,4,5,6])
print(b,b.shape)	#shape显示数组的维度
----------- 	#红线下为输出结果
[1 2 3 4 5 6] (6,)

创建二维

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a)
print("a数组的维度：",a.shape)
--------------------------
[[1 2 3][4 5 6][7 8 9]]
a数组的维度： (3, 3)

ndmin参数的使用

#ndmin参数：
a = np.array([1,2,3,4,5,6],ndmin = 3)	#指定生成数组的最小维度为3
print(a)
------------------
[[[1 2 3 4 5 6]]]

dtype参数的使用

#dtype参数:改变数组元素的数据类型
#将数组内的元素强制变成浮点型
a = np.array([1,2,3,4,5,6],dtype = np.float64)
print(a)
-----------------
[1. 2. 3. 4. 5. 6.]

arange创建数组

使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：

numpy.arange(start, stop, step, dtype)

start ：起始值，默认为0。 stop：终止值（不包含）。 step ：步长，默认为1

dtype ：返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

#arange函数创建数值范围  
#格式：numpy.arange(start,stop,step,dtype)  取值：左闭右开#arange生成 0 到 5 的数组
x = np.arange(0,5,dtype=int)
print(x)
#-------------------------
#arange设置了起始值、终止值及步长
y = np.arange(10,20,2,dtype = np.float64)
print(y)
#--------------------
#创建二维数组
z = np.array([np.arange(1,4),np.arange(4,7),np.arange(7,10)])
print(z)

输出结果：

[0 1 2 3 4]
-------------------
[10. 12. 14. 16. 18.]
------------------------
[[1 2 3][4 5 6][7 8 9]]

随机数创建

numpy中的random模块包含了很多方法可以用来产生随机数。

随机数

#返回[0.0，1.0)范围的随机数
#格式：numpy.random.random(size=None) ---> size:表示数据长度维度x=np.random.random(size=4)
print(x)
----------------
[0.39089737 0.27449493 0.67038824 0.18743961]

y = np.random.random(size=(3,4))
print(y)
-----------------
[[0.46791494 0.55568935 0.89622367 0.47164053][0.01337248 0.02821914 0.4660383  0.74495001][0.96514074 0.0456898  0.11795308 0.99197463]]

随机整数

#返回整数
#格式:numpy.random.randint(low,high,size)x = np.random.randint(5,size=10)  #---> size:表示数据长度维度
print(x)
y = np.random.randint(5,10,size=(3,4))
print(y)
$----------------------------------------$
[0 3 3 4 4 0 0 0 3 0]
---------------------
[[6 7 9 6][6 9 8 6][6 5 9 6]]

正太分布

#正太分布  具有标准正太分布(期望0 方差1)
#格式：numpy.random.randn(d0,d1,d2,…,dn)
x = np.random.randn()
print(x)
------------------------
0.6666711910611633y = np.random.randn(2,4)
print(y)
---------------------
[[-0.11042552  0.03771884  0.70705774  0.49759948][-1.83386129  0.7898438  -0.76104361 -0.4511798 ]]z = np.random.randn(2,3,4)
print(z)
---------------------
[[[ 1.43434958  0.73995544  0.14880011  0.7429944 ][-0.51394552  0.84819023 -0.56734252  0.27952588][ 0.11325095 -1.35043481  0.18511292  0.67372189]][[ 1.74016415  0.890556    0.55970424  0.42848806][ 1.3033731   0.52913202 -0.07831286 -1.33728252][-0.36403971  0.9837446   0.87700483 -0.19645756]]]

#指定期望和方差的正太分布  ---->格式：np.random.normal(loc,scale,size)
print(np.random.normal(loc = 3,scale = 4,size = (2,2,3)))
------------------
[[[-0.38508127  8.72575577  4.77984012][ 5.28413947 11.29557292  5.42547076]][[ 2.86169592 -3.9155134   1.19362943][ 4.2279321  -2.54565136 -1.06140229]]]

ndarray对象

在这里插入图片描述

Numpy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

x1 = np.random.randint(10,size = 6)
x2 = np.random.randint(10,size = (3,4))
x3 = np.random.randn(3,4,5)
print("ndim:",x1.ndim,x2.ndim,x3.ndim)   #ndim表示查看维度 
结果：ndim: 1 2 3print("shape:",x1.shape,x2.shape,x3.shape)   #查看尺度，对于矩阵，n行n列
结果：shape: (6,) (3, 4) (3, 4, 5)print("dtype:",x1.dtype,x2.dtype,x3.dtype)     #查看类型
结果：dtype: int32 int32 float64print("size:",x1.size,x2.size,x3.size)     #元素的个数，相当于shape中n*m
结果：size: 6 12 60print("itemsize:",x1.itemsize,x2.itemsize,x3.itemsize)   #ndarray对象中每个元素的大小，以字节为单位
结果：itemsize: 4 4 8

zeros创建

创建指定大小的数组，数组元素以 0 来填充，格式如下：

numpy.zeros(shape, dtype = float, order ='C')

#zeros创建
#格式:numpy.zeros(shape,dtype = float,order = 'c')x = np.zeros(5)   #创建的全0矩阵，默认是浮点型的
print(x)
结果：[0. 0. 0. 0. 0.]#设置类型为整数
y = np.zeros((5,),dtype = int)
print(y)
结果：[0 0 0 0 0]#创建二维全0数组
z = np.zeros((2,2))
print(z)
结果：[[0. 0.][0. 0.]]

zeros_like

根据传入的数组形状创建全为0的数组。

#zeros_like:根据传入的数组形状创建全为0的数组
a = np.array([np.arange(1,5),np.arange(4,8)])
z = np.zeros_like(a)
print(z)
--------------
array([[0, 0, 0, 0],[0, 0, 0, 0]])

ones创建

创建指定形状的数组，数组元素以 1 来填充，格式如下：

numpy.ones(shape, dtype = None, order = 'C')

#ones创建   创建指定形状的数组，数组元素以1来填充
#格式:numpy.ones(shape,dtype = None,order = "c")x = np.ones(5)
print(x)
结果：array([1., 1., 1., 1., 1.])y = np.ones((2,3),dtype = int)
print(y)
结果：array([[1, 1, 1],[1, 1, 1]])

ones_like

z = np.ones_like([np.arange(4,8),np.arange(2,6)])
print(z)
-------------------------
array([[1, 1, 1, 1],[1, 1, 1, 1]])

empty创建

创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组，里面的元素的值是之前内存的值,格式如下：

numpy.empty(shape, dtype = float, order ='C')

#empty创建   创建一个指定形状、数据类型的数组，里面的元素值是之前内存里的，会变的
#格式：numpy.empty(shape,dtype = float,order = "c")x = np.empty([3,2],dtype = int)
print(x)
--------------------
array([[      3442,     946688],[ 184156160, 1936288828],[1836016500,   30817904]])

empty_like

y = np.empty_like([np.arange(1,5),np.arange(4,8)])
print(y)
-------------------------
array([[1136351920,        567,          0,          0],[         0,          0,          0,          0]])

empty创建数组的使用

#empty创建数组的使用x = np.arange(5)
y = np.empty(10,dtype = int)
np.add(2,x,out=y[:5])  #将x的值追加2，赋给y的前五个值   未被接收，可以直接打印出结果
-----------------------------
array([2, 3, 4, 5, 6])

full()创建

创建全为某个指定值的数组,格式如下：

full(shape,fill_value)

# full的创建  创建全为某个指定值的数组
#格式：full(shape,fill_value)a = np.full((2,2),3)   #创建一个2*2的矩阵，里面全为3
print(a)
----------------
array([[3, 3],[3, 3]])

full_like

#full_like
b = np.full_like(([np.arange(1,5),np.arange(4,8)]),4)
print(b)
------------------------
array([[4, 4, 4, 4],[4, 4, 4, 4]])

创建单位矩阵

单位矩阵从左上角到右下角的对角线上的元素均为1,除此以外全都为0。任何矩阵与单位矩阵相乘都等于本身，而且单位矩阵因此独特性在高等数学中也有广泛应用。创建单位矩阵的两种方法：eye 和identity方法

eye方法

n1 = np.eye(3,dtype = int)
print(n1)
-----------------------------
array([[1, 0, 0],[0, 1, 0],[0, 0, 1]])

identity方法

n2 = np.identity(3,dtype = int)
print(n2)
-------------------
array([[1, 0, 0],[0, 1, 0],[0, 0, 1]])

linspace创建

linspace函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：

np.linspace(start, stop, num=50,endpoint=True, retstep=False, dtype=None)

start：序列的起始值。

stop：序列的终止值，如果endpoint为true，该值包含于数列中。

num：要生成的等步长的样本数量，默认为50。

endpoint：该值为 ture 时，数列中中包含stop值，反之不包含，默认是True。

retstep：如果为 True 时，生成的数组中会显示间距，反之不显示。

dtype：ndarray 的数据类型

#linspace创建---->等差数列
#格式：np.linspace(start,stop,num = 50,endpoint=True,retstep=Flase,dtype=None)
#endpoint=True时----->[start,end],  否则[start,end)x = np.linspace(1,10,5)   #表示1-10的范围内，等差出5个数字
print(x)
结果：array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ])y = np.linspace(1,10,5,endpoint=False)   #endpoint=False,最后一位取不到10，不能以10结尾
print(y)
结果：array([1. , 2.8, 4.6, 6.4, 8.2])#retstep显示等差间隔：
z = np.linspace(10,20,5,retstep=True)
print(z)
结果：(array([10. , 12.5, 15. , 17.5, 20. ]), 2.5)

logspace创建

logspace 函数用于创建一个于等比数列。格式如下：

np.logspace(start, stop, num=50,endpoint=True, base=10.0, dtype=None)

start：序列的起始值为：base ** start

stop：序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中

num：要生成的等步长的样本数量，默认为50

endpoint：该值为 ture 时，数列中中包含stop值，反之不包含，默认是True。

base：对数 log 的底数。

dtype：ndarray 的数据类型

#logspace创建----->等比数列
#格式：np.logspace(start,stop,num = 50,endpoint=True,base=10.0,dtype=None)x = np.logspace(0,9,10,base = 2)   #底数为2
print(x)
结果：array([  1.,   2.,   4.,   8.,  16.,  32.,  64., 128., 256., 512.])y = np.logspace(0,3,num = 4)   #默认底数为10
print(y)
结果：array([   1.,   10.,  100., 1000.])