一.Numpy库
1.什么是numpy?
numpy是python进行科学计算的一个基础软件包，他是一个python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，包括数学，逻辑，形状操作，排序，选择，输入输出，离散傅里叶变化，基本线性代数，基本统计运算和随机模拟等。
2.Numpy数组和原生Python array数组之间的区别
1.Numpy数组在创建时具有固定的大小，与python的原生数组对象可以动态增长不同，更改其大小将会创建一个新的数组并删除原来的数组。
2.Numpy数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。
3.Numpy数组有助于对大量数据进行高级教学和其他类型的操作，执行效率高
3.Numpy数组
假如我们现在有两个数组，我们要将两个数组对应位置的值相乘，在c语言中我们需要用到循环来解决，而使用numpy数组那我们可以直接将两个数组进行乘法运算，只需要一行代码即可。
轴：
Numpy的主要对象是同构多维数组，它是一个元素表，所有类型都相同，由非负整数元组索引，在Numpy维度中称为轴。
比如：
数组【1，2，1】：有一个轴，该轴有三个元素1，2，1，轴长为3，这里一轴表示一维数组
数组【【1，0，0】，【0，1，2】】：有两个轴，一轴长度为2，二轴长度为3，这里表示二维数组。
ndarray对象属性如下：
1.ndarray.ndim-数组的轴（维度）的个数
2.ndarray.shape--数组的维度，若有n行，m列则输出为（n,m）
3.ndarray.size--数组元素的总数
4.ndarray.dtype--一个描述数组中元素类型的对象，可以使用标准的python类型创建或指定dtype.
5.ndarray.itemsize--数组中每个元素的字节大小
6.reshape
来看一段代码了解把：
import numpy as np # 同构生成numpy的一维数组 a = np.arange(1, 10, 2) print(a) # shape打印numpy数组的形状 print(a.shape) # ndim打印numpy数组的轴数 print(a.ndim) # numpy数组元素的访问，数组名【下标】 print(a[0])
(1).array方法，将一个列表所有元素同构成一个数组
list1 = [1, 2, 3, 4, 5, 6, 7, 8, 9] a = np.array(list1) print(a) print(a.shape)
(2)array方法，将一个列表所有元素同构成一个二维数组
list2 = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] b = np.array(list2) print(b.shape)
(3) reshape():改变数组的维度等形状
a = np.arange(1, 21, 1).reshape(4, 5) print(a) print(a.shape)
还有许多其他的属性，接下来我贴一张图来总结展示就不过多赘述了：
4.numpy数组的运算
numpy的运算我用下面一段代码来进行总结，注意没有除法运算
import numpy as np a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) # 乘法运算，将二维数组（矩阵）对应元素相乘 c = a * b print(c) # 加法运算，将二维数组（矩阵）对应元素相加 c = a + b print(c) # 减法运算 c = a - b print(c) print(a.sum()) print(a.max()) print(a.min()) print(a) # sum(axis=1):将矩阵中各行的所有元素相加作为新元素 print(a.sum(axis=1)) # sum(axis=1):将矩阵中各列元素相加作为新元素 print(a.sum(axis=0))
5.numpy的索引，切片
numpy每个轴都会有自己的索引
1.元素访问【第一轴索引，第二轴索引，......】
2.元素的切片 【start: stop: step, start:stop:step,.....】
左闭右开 eg： b[1: 3, 2: 4]
import numpy as np a = np.arange(10) print(a.shape) print(a) print(a[0], a[-1], a[a.size-1]) # -1表示最后1位 print(a[1: 5]) # 1-5,步长为1 左闭右开 print(a[1:: 2]) # 1-末尾 ，步长为2，左闭右开
二维数组切片：
b = np.arange(20).reshape(4, 5) print(b) print(b.shape) print(b[1][1], b[1][1: -1]) print(b[1, 1], b[1, 1: -1]) print(b[1: 3, 2: 4])
三维数组的切片：
c = np.arange(24).reshape(4, 3, 2) print(c) print(c[0: 2, 0: 2, 0: 1])
二.matplotlib
matplotlib是python2D绘图领域使用最广泛的套件，它能让使用者很轻松将数据图形化，并且提供多样化的输出格式，在绘图结构中，figure创建窗口，subplot创建子图，所有的绘图只能在子图上进行，plt表示当前子图，若没有就创建一个子图。
1.绘制直线
我们只需要将两点的x,y坐标进行同构成为两个一维数组，通过plot方法就可以实现，也可以改变参数来修改直线的颜色
import numpy as np
import matplotlib.pyplot as plt
"""
1.绘制直线，直线两点为（2， 1） （8， 9）
"""
x = np.array([2, 8]) # 将两点的x轴坐标，同构成一个一维数组
y = np.array([1, 9]) # 将两点的y轴坐标，同构成一个一维数组
# 绘制直线
plt.plot(x, y)
# plt.plot(x, y, scalex=5, scaley=3)
# 显示窗口
plt.show()
2.绘制曲线
使用arange方法生成0-4Π之间的x坐标，均匀分布步长为0.1，y左边则按正弦函数进行分布
import numpy as np import matplotlib.pyplot as plt x = np.arange(0, 4 * np.pi, 0.1) # 0-4Π之间，均匀分配，步长0.1 y = np.sin(x) # 呈正弦变化 plt.plot(x, y) plt.show()
3.散点图绘制
散点图绘制,主要在绘制坐标点的基础上，通过控制坐标点的分布来控制散点图的分布情况
import numpy as np import matplotlib.pyplot as plt """ 2.绘制坐标点 """ x = np.array([6]) y = np.array([6]) # scatter:绘制点，第1，2参数为坐标，s表示面积，c表示颜色，marker表示形状 plt.scatter(x, y, s=100, c='b', marker="*") plt.show() """ 3.绘制散点图，呈现正态分布 """ # np.random:产生随机数 # normal(0, 3, 500):在0-3之间产生500个正态分布的随机数 x = np.random.normal(0, 3, 1000) y = np.random.normal(0, 3, 1000) # 将这1000个点中前500个画成红色圆形，后500个画成蓝色星型 plt.scatter(x[0: 500], y[0: 500], c='r', marker="o") plt.scatter(x[500: 1000], y[500: 1000], c='b', marker="*") plt.show()
4.多界面绘制
import numpy as np import matplotlib.pyplot as plt """ 4.多界面绘制，其实就是在一figure窗口使用多个子图 """ x = np.array([1, 3, 6, 9]) y = np.array([2, 3, 8, 7]) # 指定绘制的子图的位置 # 221表示二行2列, 共四个子图的第1幅图 # 222表示二行2列，共四个子图的的第2幅图 # 223表示二行2列，共四个子图的的第3幅图 # 224表示二行2列，共四个子图的的第4幅图 plt.subplot(221) plt.plot(x, y, c='r') plt.subplot(222) plt.plot(x, y, c='b') plt.subplot(223) plt.plot(x, y, c='g') plt.subplot(224) plt.plot(x, y, c='y') plt.show()
5.柱形图绘制
6.3D图形绘制
import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D """ 绘制3d图 """ # 创建窗口 fig = plt.figure() # 在该窗口中创建3d绘图对象 ax = Axes3D(fig) # 创建点的x和y坐标数组 x = np.arange(-3, 3, 0.2) y = np.arange(-3, 3, 0.2) # 网格化处理 x, y = np.meshgrid(x, y) # 计算某个点到 原点的距离为半径 r = np.sqrt(x**2 + y**2) # 以半径为基准，求它的正弦值为点的z轴坐标 z = np.sin(r) # 绘制图像 ax.plot_surface(x, y, z, rstride=3, cstride=1, cmap="hot") plt.show()
到此这篇关于python numpy库 使用matpotlib库绘图的文章就介绍到这了,更多相关python numpy库内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！