numpy基础代码

numpy简单代码总结

  • 前言
  • 一、导入函数库和文件
  • 二、其他常用函数
    • 1.help函数
    • 2.numpy.array()函数
    • 3.numpy.shape()函数
    • 4.变量.dtype
    • 5.切片及其他性质
    • 6.astype()函数
    • 7.计算函数(矩阵中)
    • 8.特殊矩阵函数
    • 9.random函数
  • 三、矩阵的计算
    • 1.矩阵的减法与次幂
    • 2.矩阵的乘法与点乘
    • 3.求根号
    • 4.矩阵的其他计算
    • 5.矩阵的拼接
    • 6.矩阵的分割
  • 三、矩阵的复制
    • 1.真复制
    • 2.浅复制
    • 3.完全复制
  • 四、矩阵的排序及比较
    • 1.比较求最大行号
    • 2.矩阵的扩展
    • 3.矩阵的排序

前言

    NumPy(Numerical Python)是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表(nested list structure)结构要高效的多(该结构也可以用来表示矩阵(matrix)),支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。

一、导入函数库和文件

在这里插入图片描述
    import numpy 对numpy函数库进行导入
    numpy.genformtxt(“文件路径”,delimiter=“分隔符”,dtype=”类型”)

二、其他常用函数

1.help函数

    Numpy.ndarry是numpy的一个核心结构,ndarray 对象是用于存放同类型元素的多维数组,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。
    help(numpy函数)用于显示出该函数各个参数的详细信息。

numpy基础代码_第1张图片

2.numpy.array()函数

    numpy.array([5,10,15,20])将列表类型转换为ndarry类型。
    其中vector是一维的(一行),matrix是三维的(三行)。
numpy基础代码_第2张图片

3.numpy.shape()函数

    shape即该ndarry的结构,二维显示(行,列),其中vector是四个元素,matrix是2行三列的。
numpy基础代码_第3张图片

4.变量.dtype

    ndarry中所有的变量均为一个类型,一个变整体变。dtype得到变量类型。

numpy基础代码_第4张图片

5.切片及其他性质

    ndarry的行和列是从0开始取值的。变量后面的是[行,列]。
numpy基础代码_第5张图片
    切片:变量[0:3]表示从第1个到第3个(左闭右开)
    冒号表示所有的,即所有的第二列。
numpy基础代码_第6张图片    二维的也可表示[:,0:2],表示所有的行加上列从1列和2列[左闭右开]
    [1:3,0:2]表示第2行和第3行加上第1列和第2列
numpy基础代码_第7张图片
    .==判断,如果对ndarry进行判断,它会自动一个个的进行判断,dtype指的是判断后返回的类型

numpy基础代码_第8张图片
    可以将布尔类型的数组当成一个索引导入到变量后面的[]中,返回的就是为True的那些数字。
numpy基础代码_第9张图片
    & 与操作比较严格,必须同时为True才能为True
    | 的要求比较宽泛,有一个为True即为True
numpy基础代码_第10张图片

6.astype()函数

    矩阵变量.astype(类型):改变这个变量的类型。
numpy基础代码_第11张图片

7.计算函数(矩阵中)

    变量.min()显示出变量的最小值。
numpy基础代码_第12张图片

    总结变量.sum(axis值)值为1时行求和,值为0时列求和。
numpy基础代码_第13张图片
    np.arrange(x)展现从零到x的数组。
    .reshape(行,列)将数组划分成固定行和列的格式。
    np.dtype表示类型 np.size表示元素数量 np.ndim表示维度。
numpy基础代码_第14张图片

8.特殊矩阵函数

    np.zeros()与np.ones()是对一个矩阵进行初始化的函数。
numpy基础代码_第15张图片

9.random函数

    np.ange(起始,结束,步长)
    np.arange(数字).reshape(行,列)几行几列的序列
    np.random.random(行,列)np.random进入random模块,默认为区间(-1,1)生成所设置的行列矩阵
numpy基础代码_第16张图片
    np.licence(起始值,终点值,个数)
numpy基础代码_第17张图片

三、矩阵的计算

1.矩阵的减法与次幂

    矩阵相减就是把各个元素相减,b**2求矩阵的平方
numpy基础代码_第18张图片

2.矩阵的乘法与点乘

    *乘法就是将两个矩阵对应位置的数进行相乘,.dot就是将两个矩阵进行点乘

numpy基础代码_第19张图片

3.求根号

    np.exp() e的几次方 np.sqrt()求二次根号
numpy基础代码_第20张图片

4.矩阵的其他计算

    np.floor()向下取整,即2.9=2, 3.8=3
    矩阵名.ravel()将矩阵拉成数组
    矩阵名.shape将矩阵变为一个新的行和列
    a.T将矩阵转置
numpy基础代码_第21张图片

5.矩阵的拼接

    np.hstack()横向拼接
    np.vstack()纵向拼接
numpy基础代码_第22张图片

6.矩阵的分割

    np.hsplit()横向分割 第二个例子表示在3和4的位置中间切一刀
    np.vsplit()纵向分割
numpy基础代码_第23张图片

三、矩阵的复制

1.真复制

    真复制 a = b,两个值之间相互影响。
numpy基础代码_第24张图片

2.浅复制

    浅复制:变量名.view()位置不一样 改变其中一个另一个可能会受到影响。
numpy基础代码_第25张图片

3.完全复制

    np.copy()完全的复制,两个不同的变量之间不会相互影响。
numpy基础代码_第26张图片

四、矩阵的排序及比较

1.比较求最大行号

    矩阵名.argmax(axis=0)调出每列最大的值的行号
numpy基础代码_第27张图片

2.矩阵的扩展

    np.tile(矩阵名,(行,列))扩展这个数组
numpy基础代码_第28张图片

3.矩阵的排序

    np.Sort()对矩阵变量进行排序
    np.argsort()将矩阵的索引提取出来(由小到大)
numpy基础代码_第29张图片

你可能感兴趣的:(numpy)