python学习笔记之numpy库的使用——超详细
文章目录
- NumPy介绍
- 一.如何创建
- 1.导入Numpy库，并命名为np：
- 2.查看版本
- 3.通过列表创建一维数组：
- 4.通过列表创建二维数组：
- 5.创建全为0的二维数组
- 6.创建全为1的三维数组
- 7.创建一维等差数组
- 8. 创建二维等差数组：
- 9. 创建单位矩阵（二维数组）：
- 10. 创建二维随机数组：
- 11.创建二维随机整数数组（数值小于 5）：
- 二.数组运算
- 12.一维数组加法运算：
- 13.一维数组减法运算：
- 14. 一维数组乘法运算：
- 15.一维数组除法运算:
- 16.二维数组的运算,相应位置上进行+-*/
- 17 矩阵乘法运算（注意与上题的区别）：
- 18.如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算：
- 19.转置矩阵：
- 20. 矩阵求逆：
- 广播
- 三.索引的使用
- 四.元素数据类型
- python基础知识：
- python数据结构之列表(list)——超详细
- python数据结构之元组(tuple)——超详细
- python数据结构之字典(dict)——超详细
- python数据结构之集合(set)——超详细
- NumPy进阶教程——超详细
NumPy介绍
NumPy 是 Python 语言的一个第三方库，其支持大量高维度数组与矩阵运算。此外，NumPy 也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一。
一.如何创建
1.导入Numpy库，并命名为np：
import numpy as np
2.查看版本
np.__version__
'1.15.1'
创建数组
NumPy 的主要对象是多维数组 Ndarray。在 NumPy 中维度 Dimensions 叫做轴 Axes，轴的个数叫做秩 Rank。注意，numpy.array 和 Python 标准库 array.array 并不相同，前者更为强大，这也就是我们学习 NumPy 的重要原因之一。
3.通过列表创建一维数组：
np.array([1, 2, 3])
array([1, 2, 3])
上方数组是一个秩为 1 的数组，因为它只有一个轴，而轴的长度为 3。
4.通过列表创建二维数组：
np.array([(1, 2, 3), (4, 5, 6)])
array([[1, 2, 3], [4, 5, 6]])
5.创建全为0的二维数组
np.zeros((3, 4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
6.创建全为1的三维数组
np.ones((2, 3, 4))
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
full函数，创建任意大小的数组并填充任意数字
np.full((3, 4), 2)
array([[2, 2, 2, 2],
[2, 2, 2, 2],
[2, 2, 2, 2]])
7.创建一维等差数组
np.arange(5)
array([0, 1, 2, 3, 4])
8. 创建二维等差数组：
np.arange(6).reshape(2, 3)
array([[0, 1, 2],
[3, 4, 5]])
9. 创建单位矩阵（二维数组）：
np.eye(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
10. 创建二维随机数组：
np.random.rand(2, 3)
array([[0.38257919, 0.63590106, 0.64884528],
[0.09064574, 0.32850939, 0.94661844]])
11.创建二维随机整数数组（数值小于 5）：
np.random.randint(5, size = (2, 3))
array([[2, 3, 4],
[3, 2, 4]])
二.数组运算
a = np.array([10, 20, 30, 40, 50])
b = np.arange(1, 6)
a, b
(array([10, 20, 30, 40, 50]), array([1, 2, 3, 4, 5]))
sum
a = np.array([[1, 2],
[3, 4]])
np.sum(a)
10
np.sum(a, axis=0) # axis=0 表示对每一列求和
array([4, 6])
np.sum(a, axis=1) # axis=0 表示对每一行求和
array([3, 7])
mean
np.mean(a) # 求取平均值
2.5
tile
a
array([[1, 2],
[3, 4]])
np.tile(a, (1, 2)) # 将数组a变成一行俩列
array([[1, 2, 1, 2],
[3, 4, 3, 4]])
np.tile(a, (2, 1))
array([[1, 2],
[3, 4],
[1, 2],
[3, 4]])
argsort
a = np.array([[3, 6, 4, 11],
[5, 10, 1, 3]])
a.argsort() # 将元素按照行从小到大排序，返回对应位置元素的下标
array([[0, 2, 1, 3],
[2, 3, 0, 1]], dtype=int64)
# 按照列排序
a.argsort(axis=0)
array([[0, 0, 1, 1],
[1, 1, 0, 0]], dtype=int64)
12.一维数组加法运算：
a + b
array([11, 22, 33, 44, 55])
13.一维数组减法运算：
a - b
array([ 9, 18, 27, 36, 45])
14. 一维数组乘法运算：
a * b
array([ 10, 40, 90, 160, 250])
15.一维数组除法运算:
a / b
array([10., 10., 10., 10., 10.])
16.二维数组的运算,相应位置上进行±*/
A = np.array([[1, 2],
[3, 4]])
B = np.array([[5, 6],
[7, 8]])
A * B
array([[ 5, 12],
[21, 32]])
17 矩阵乘法运算（注意与上题的区别）：
np.dot(A, B)
array([[19, 22],
[43, 50]])
18.如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算：
np.mat(A) * np.mat(B)
matrix([[19, 22],
[43, 50]])
19.转置矩阵：
A.T
array([[1, 3],
[2, 4]])
20. 矩阵求逆：
np.linalg.inv(A)
array([[-2. , 1. ],
[ 1.5, -0.5]])
广播
a = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
b = np.array([1, 2, 3])
# 在a的每一行都加上b
a + np.tile(b, (3, 1))
array([[ 2, 4, 6],
[ 5, 7, 9],
[ 8, 10, 12]])
# 可直接简写为a+ b, numpy自动实现广播功能，当参与运算的操作数的维度不一样时
a + b
array([[ 2, 4, 6],
[ 5, 7, 9],
[ 8, 10, 12]])
三.索引的使用
a = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
3.1 取出某个确定的值
# 表示第二行，第三列的数， 逗号前表示一维，逗号后表示二维，以此类推
a[1, 2]
7
3.2 取出某个范围的值
# 冒号表示所取的范围，跟列表的索引用法一样，
# 逗号用来区分每个维度，下面的代码表示[取倒数第二行到最后一行, 第二列到第三列
a[-2:, 1:3]
array([[ 6, 7],
[10, 11]])
3.3 给某个范围的数进行运算
# 给a数组的第二列上的每个数加上10
a[np.arange(3), 1] += 10
a
array([[ 1, 12, 3, 4],
[ 5, 16, 7, 8],
[ 9, 20, 11, 12]])
np.arange(10) # 从0开始生成10个数
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(3, 7) # 还可以生成特定范围的数
array([3, 4, 5, 6])
# 还可以这样写, 相当于，一个行对应一个列
a[[0, 1, 2], [1, 1, 1]] += 10
a
array([[ 1, 22, 3, 4],
[ 5, 26, 7, 8],
[ 9, 30, 11, 12]])
3.4 获取数组中大于或小于某个确定值的数值
result_index = a > 10
result_index
array([[False, False, False, False],
[False, False, False, False],
[False, False, True, True]])
a[result_index]
array([11, 12])
# 这样写即可
a[a > 10]
array([11, 12])
四.元素数据类型
4.1 使用dtype函数查看数组的数据类型
a = np.array([1, 2, 3])
a.dtype
dtype('int32')
a = np.array([1.1, 2.2])
a.dtype
dtype('float64')
a = np.array([1, 1.2])
a.dtype
dtype('float64')
a = np.array([1.1, 2.2], dtype = np.int64) # 将数据类型转换为整数，直接去掉小数部分
a
array([1, 2], dtype=int64)
a.dtype
dtype('int64')
4.2使用astype转换数据类型
a = np.array(['1.2', '1.3', '1.4'], dtype = np.string_)
a
array([b'1.2', b'1.3', b'1.4'], dtype='|S3')
a.astype(np.float)
array([1.2, 1.3, 1.4])