数据可视化学习笔记之Numpy2
Numpy的数组对象：ndarray
文章目录
- Numpy的数组对象：ndarray
- 数组的索引与切片
- ndarray数组的运算
- 数组与标量之间的运算
- NumPy一元函数
- NumPy二元函数
数组的索引与切片
索引：获取数组中特定位置元素的过程。
切片：获取数组元素子集的过程
- 一维数组的索引和切片：与Python的列表类似。
In [2]: a = np.array([2,3,6,4,8])
In [3]: a[2]
Out[3]: 6
In [4]: a[1:4:2]
Out[4]: array([3, 4])
起始编号: 终止编号(不含): 步长，3元素冒号分割
- 多维数组的索引：
注意是从0开始
In [5]: a = np.arange(12).reshape((2,3,2))
In [6]: a
Out[6]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],
[[ 6, 7],
[ 8, 9],
[10, 11]]])
In [7]: a[1,0,1]
Out[7]: 7
In [8]: a[-1,-2,-1]
Out[8]: 9
In [9]: a[1,2,1]
Out[9]: 11
- 多维数组的切片：
:空冒号为选取整个维度
In [11]: a = np.arange(24).reshape((2,3,4))
In [12]: a
Out[12]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
In [13]: a[:,1,3]
Out[13]: array([ 7, 19])
In [14]: a[:,0:2,1:3]
Out[14]:
array([[[ 1, 2],
[ 5, 6]],
[[13, 14],
[17, 18]]])
每个维度可以使用步长跳跃切片:
In [15]: a[:,:,::2]
Out[15]:
array([[[ 0, 2],
[ 4, 6],
[ 8, 10]],
[[12, 14],
[16, 18],
[20, 22]]])
ndarray数组的运算
数组与标量之间的运算
数组与标量之间的运算作用于数组的每一个元素
In [16]: a = np.arange(12).reshape((2,3,2))
In [17]: a
Out[17]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],
[[ 6, 7],
[ 8, 9],
[10, 11]]])
In [18]: a.mean()
Out[18]: 5.5
In [19]: a/a.mean()
Out[19]:
array([[[0. , 0.18181818],
[0.36363636, 0.54545455],
[0.72727273, 0.90909091]],
[[1.09090909, 1.27272727],
[1.45454545, 1.63636364],
[1.81818182, 2. ]]])
NumPy一元函数
| 函数 | 说明 |
|---|---|
| np.abs(x) np.fabs(x) | 计算数组各元素的绝对值 |
| np.sqrt(x) | 计算数组各元素的平方根 |
| np.square(x) | 计算数组各元素的平方 |
| np.log(x) | np.log10(x) |
| np.log2(x) | 计算数组各元素的自然对数、10底对数和2底对数 |
| np.ceil(x) np.floor(x) | 计算数组各元素的ceiling值或floor值 |
| np.rint(x) | 计算数组各元素的四舍五入值 |
| np.modf(x) | 将数组各元素的小数和整数部分以两个独立数组形式返回 |
| np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) | 计算数组各元素的普通型和双曲型三角函数 |
| np.exp(x) | 计算数组各元素的指数值 |
| np.sign(x) | 计算数组各元素的符号值，1(+), 0, ‐1(‐) |
In [21]: a = np.arange(12).reshape((2,2,3))
In [23]: np.square(a)
Out[23]:
array([[[ 0, 1, 4],
[ 9, 16, 25]],
[[ 36, 49, 64],
[ 81, 100, 121]]], dtype=int32)
In [29]: a = np.sqrt(a)
In [30]: a
Out[30]:
array([[[0. , 1. , 1.41421356],
[1.73205081, 2. , 2.23606798]],
[[2.44948974, 2.64575131, 2.82842712],
[3. , 3.16227766, 3.31662479]]])
In [31]: np.modf(a)
Out[31]:
(array([[[0. , 0. , 0.41421356],
[0.73205081, 0. , 0.23606798]],
[[0.44948974, 0.64575131, 0.82842712],
[0. , 0.16227766, 0.31662479]]]),
array([[[0., 1., 1.],
[1., 2., 2.]],
[[2., 2., 2.],
[3., 3., 3.]]]))
NumPy二元函数
| 函数 | 说明 |
|---|---|
| + ‐ * / ** | 两个数组各元素进行对应运算 |
| np.maximum(x,y) np.fmax() np.minimum(x,y) np.fmin() | 元素级的最大值/最小值计算 |
| np.mod(x,y) | 元素级的模运算 |
| np.copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
| > < >= <= == != | 算术比较，产生布尔型数组 |
In [32]: a =np.arange(12).reshape((2,3,2))
In [33]: b = np.sqrt(a)
In [34]: a
Out[34]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],
[[ 6, 7],
[ 8, 9],
[10, 11]]])
In [35]: b
Out[35]:
array([[[0. , 1. ],
[1.41421356, 1.73205081],
[2. , 2.23606798]],
[[2.44948974, 2.64575131],
[2.82842712, 3. ],
[3.16227766, 3.31662479]]]
In [36]: np.maximum(a,b)
Out[36]:
array([[[ 0., 1.],
[ 2., 3.],
[ 4., 5.]],
[[ 6., 7.],
[ 8., 9.],
[10., 11.]]])
In [37]: a > b
Out[37]:
array([[[False, False],
[ True, True],
[ True, True]],
[[ True, True],
[ True, True],
[ True, True]]]