python numpy实例_Python Numpy 数组的基本操作示例

Numpy是一个通用的数组处理包。它提供了一个高性能的多维数组对象，以及处理这些数组的工具。它是Python科学计算的基本包。

Numpy除了具有明显的科学用途外，还可以作为通用数据的高效多维容器。

Numpy中的数组

Numpy中的数组是一个元素表(通常是数字)，所有元素都是相同的类型，由一个正整数元组索引。在Numpy中，数组的维数称为数组的秩。一个整数的元组给出了数组在每个维度上的大小，称为数组的形状。Numpy中的数组类称为ndarray。Numpy数组中的元素可以使用方括号访问，也可以使用嵌套Python列表初始化。

创建一个Numpy数组

Numpy中的数组可以通过多种方式创建，具有不同数量的秩，定义数组的大小。数组还可以使用各种数据类型(如列表、元组等)创建。合成阵列的类型由序列中元素的类型导出。

注意:可以在创建数组时显式定义数组的类型。

# Python程序

# 数组的创建

import numpy as np

# 创建rank 1数组

arr = np.array([1, 2, 3])

print("Array with Rank 1: \n",arr)

# 创建rank 2数组

arr = np.array([[1, 2, 3],

[4, 5, 6]])

print("Array with Rank 2: \n", arr)

# 从元组创建一个数组

arr = np.array((1, 3, 2))

print("\nArray created using "

"passed tuple:\n", arr)

输出如下：

Array with Rank 1:

[1 2 3]

Array with Rank 2:

[[1 2 3]

[4 5 6]]

Array created using passed tuple:

[1 3 2]

访问数组索引

在numpy数组中，索引或访问数组索引可以通过多种方式完成。 要打印一系列数组，请完成切片。 切片数组是在新数组中定义一个范围，用于从原始数组中打印一系列元素。 由于切片数组包含原始数组的一系列元素，因此在切片数组的帮助下修改内容会修改原始数组内容。

#Pthon程序来演示

#numpy数组中的索引

import numpy as np

#初始数组

arr = np.array([[-1, 2, 0, 4],

[4, -0.5, 6, 0],

[2.6, 0, 7, 8],

[3, -7, 4, 2.0]])

print("Initial Array: ")

print(arr)

#打印数组的范围

#使用切片方法

sliced_arr = arr[:2, ::2]

print ("Array with first 2 rows and"

" alternate columns(0 and 2):\n", sliced_arr)

#打印元素

#specific Indices

Index_arr = arr[[1, 1, 0, 3],

[3, 2, 1, 0]]

print ("\nElements at indices (1, 3), "

"(1, 2), (0, 1), (3, 0):\n", Index_arr)

输出如下：

Initial Array:

[[-1.  2.  0.  4. ]

[ 4.  -0.5  6.  0. ]

[ 2.6  0.  7.  8. ]

[ 3.  -7.  4.  2. ]]

Array with first 2 rows and alternate columns(0 and 2):

[[-1.  0.]

[ 4.  6.]]

Elements at indices (1, 3), (1, 2), (0, 1), (3, 0):

[0. 6. 2. 3.]

基本阵列操作

在numpy中，数组允许可以在特定阵列或阵列组合上执行的各种操作。 这些操作包括一些基本的数学运算以及一元和二元运算。

#Pthon程序来演示

#单个阵列的基本操作

import numpy as np

#定义数组1

a = np.array([[1, 2],

[3, 4]])

# Defining Array 2

b = np.array([[4, 3],

[2, 1]])

#向每个元素添加1

print ("Adding 1 to every element:", a + 1)

# 每个元素减去2

print ("\nSubtracting 2 from each element:", b - 2)

# 数组元素和

# 执行一元操作

print ("\nSum of all array "

"elements: ", a.sum())

#添加两个数组

#执行二进制操作

print ("\nArray sum:\n", a + b)

输出如下：

Adding 1 to every element: [[2 3]

[4 5]]

Subtracting 2 from each element: [[ 2  1]

[ 0 -1]]

Sum of all array elements:  10

Array sum:

[[5 5]

[5 5]]

Numpy中的数据类型

每个Numpy数组都是一个元素表(通常是数字)，都是相同的类型，由正整数元组索引。 每个ndarray都有一个关联的数据类型(dtype)对象。 此数据类型对象(dtype)提供有关阵列布局的信息。 ndarray的值存储在缓冲区中，缓冲区可以被认为是可以由dtype对象解释的连续的存储器字节块。 Numpy提供了大量可用于构造数组的数值数据类型。 在创建数组时，Numpy尝试猜测数据类型，但构造数组的函数通常还包含一个可选参数来显式指定数据类型。

构造数据类型对象

在Numpy中，除非需要特定的数据类型，否则无需定义数组的数据类型。 Numpy试图猜测构造函数中未预定义的数组的数据类型。

#Python程序创建

#数据类型对象

import numpy as np

#整数数据类型

x = np.array([1, 2])

print("Integer Datatype: ")

print(x.dtype)

#浮动数据类型

x = np.array([1.0, 2.0])

print("\nFloat Datatype: ")

print(x.dtype)

# 强制数据类型

x = np.array([1, 2], dtype = np.int64)

print("\nForcing a Datatype: ")

print(x.dtype)

Integer Datatype:

int64

Float Datatype:

float64

Forcing a Datatype:

int64

DataType数组上的数学运算

在Numpy数组中，基本数学运算在数组上以元素方式执行。 这些操作既可以作为操作符重载也可以作为函数应用。 Numpy中提供了许多有用的函数，用于对数组执行计算，例如sum：用于添加数组元素，T：用于元素的转置等。

#Python程序创建

#数据类型对象

import numpy as np

#第一个数组

arr1 = np.array([[4, 7], [2, 6]],

dtype = np.float64)

#第二个数组

arr2 = np.array([[3, 6], [2, 8]],

dtype = np.float64)

#添加两个阵列

Sum = np.add(arr1, arr2)

print("Addition of Two Arrays: ")

print(Sum)

#添加所有数组元素

#使用预定义的sum方法

Sum1 = np.sum(arr1)

print("\nAddition of Array elements: ")

print(Sum1)

# 数组的平方根

Sqrt = np.sqrt(arr1)

print("\nSquare root of Array1 elements: ")

print(Sqrt)

#数组转置

#使用内置功能'T'

Trans_arr = arr1.T

print("\nTranspose of Array: ")

print(Trans_arr)

输出如下：

Addition of Two Arrays:

[[ 7. 13.]

[ 4. 14.]]

Addition of Array elements:

19.0

Square root of Array1 elements:

[[2.        2.64575131]

[1.41421356 2.44948974]]

Transpose of Array:

[[4. 2.]

[7. 6.]]