在线python 支持numpy

转载

langrisser 2024-07-26 16:56:27

文章标签 在线python 支持numpy numpy python 数组一维数组 文章分类 Python 后端开发

numpy介绍

numpy是python中的科学计算基础包，其核心是多维数组adarray。该库提供了用于数组计算的各种API，包括线性代数，统计，离散傅里叶变换等。

基础知识

轴：多维数组的维数成为轴，如一维向量的轴是1，矩阵的轴是2。
常见属性

import numpy as np

a = np.arange(15).reshape(3,5)

#常见属性
print("数组的维度的个数:\t\t",a.ndim)
print("数组的形状：\t\t\t",a.shape)
print("数组元素的总数：\t\t", a.size)
print("数组的元素类型：\t\t", a.dtype)
print("每个元素占用的字节数：\t", a.itemsize)

在线python 支持numpy_numpy

数组创建

#数组创建
#从列表或者元组创建ndarray:根据传入的参数自动推断数据类型
#一维数组
a = np.array([1,2,3,4,5])
print(a.dtype)
a = np.array((1.0,2,3,4,5))
print(a.dtype)

#多维数组
a = np.array([[1,2],[3,4]])
print(a)

#指定数据类型
a = np.array([[1,2],[3,4]], dtype=np.complex)
print(a)

#创建占位数组，缺省情况下数据类型是float64
a = np.zeros((3,4))
a = np.ones((3,4))
#数组内容随机
a = np.empty((3,4))

#根据start，end和step创建数组：左开右闭
a = np.arange(0, 10, 1)
print(a)

#缺省start=0，step=1
a = np.arange(10)

#根据元素数量创建数组
a = np.linspace(0,10,11)
print(a)

print("\n\n\n")

在线python 支持numpy_python_02

基本运算

#基本运算
a = np.arange(10,20,1).reshape(2,5)
b = np.arange(10).reshape(2,5)
print("a = \n", a)
print("b = \n", b)
#矩阵加法
print("a+b = \n", a + b)
#对应元素相乘
print("a * b = \n", a * b)

#矩阵相乘
#矩阵维度相容才能进行乘法运算
b.resize(5,2)
print("a @ b = \n", a @ b)
print("a @ b = \n", a.dot(b))

#基本统计函数：缺省情况下应用与整个数组
print("sum of a:", a.sum())
print("max of a:", a.max())
print("min of a:", a.min())
print("avg of a:", a.mean())
print("std of a:", a.std())

#基本统计函数应用于某个维度
#第0轴从上到下：求每列的均值
a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
print("a = \n", a)
print("mean of each column", a.mean(axis = 0))
print("mean of each row", a.mean(axis=1))

print("\n\n\n")

在线python 支持numpy_在线python 支持numpy_03

通函数

#通函数（常见的数学函数）：对每个元素操作
print("sin(a) = \n", np.sin(a))

在线python 支持numpy_一维数组_04

索引

#索引：
# 一维数组：基本和python的原生数组一样
a = np.arange(10)
#单个元素
print(a[0])
print(a[-1])
#左开右闭
print(a[0:5])
print(a[:8])
print(a[8:])
#步长
print(a[:8:2])
print(a[::-1])

#多维数组
a = np.arange(20).reshape(4,5)
print("a = \n", a)

#单个元素
print(a[2,3])
print(a[2,-1])

#
print(a[2:3, 2:3])
print(a[2:3, :])
print(a[2:3])
print(a[:,2])

在线python 支持numpy_numpy_05

迭代

#迭代：对行完成
for i in a:
    print(i)

#对数组中的每个元素迭代
for i in a.flat:
    print(i, end=" ")

在线python 支持numpy_numpy_06

操纵形状

a = np.arange(15).reshape(5,3)

print(a.reshape(3,5))
print(a.reshape(3,-1))
#转置
print(a.T)
#展平成一维数组
print(a.ravel())

#此命令会改变数组本身
a.resize(15,1)
print(a)

在线python 支持numpy_在线python 支持numpy_07

数组堆叠

print("*****数组堆叠*****")
#数组堆叠
a = np.array(np.arange(20).reshape(4,5))
#水平堆叠
print(np.hstack((a,a)))
#垂直堆叠
print(np.vstack((a,a)))

#列堆叠
print(np.column_stack((a,np.arange(4))))
a = np.random.random((2,2))
b = np.random.random((2,2))
print(np.column_stack((a,b)))

#创建数组
print(np.r_[1:4, 6])

在线python 支持numpy_numpy_08

拆分数组

#拆分数组
print("*****拆分数组*****")
a = np.arange(27).reshape(3, -1)
print(a)
#水平拆分
a, b, c = np.hsplit(a, 3)
print(a)
print(b)
print(c)

在线python 支持numpy_数组_09

拷贝和视图

#拷贝和视图
a = np.arange(15).reshape(3,-1)
#完全不复制：指向同一片空间，操作数组元素和形状都会改变
#函数调用就是这种情况
b = a
print(b is a) # True

#浅复制（视图）
b = a.view()
#共享数据：b的数组元素改变时，a也改变。但是b的形状改变时，a不变

#深复制:生成一个全新的副本
b = a.copy()

在线python 支持numpy_python_10

花式索引

#花式索引
#z整数数组索引
print("******花式索引******")
a = np.arange(20)
print("a = \n", a)
index = np.arange(start=0, stop = 20, step = 2)
print(a[index])

#a是多维数组，index是一维数组，索引行
a.resize(4,5)
print("a = \n", a)
#取出第0行和第2行
index = np.arange(start = 0, stop = 4, step = 2)
print(a[index])
#取出第0列和第2列
print(a[:,index])

#取出(0,0)和(2,2)
print(a[index, index])

#bool数组索引
print("*****bool数组索引*****")
#index和a一样大
index = np.zeros(a.shape, dtype=np.bool)
index[0:4:2] = True;
print(index)
print(a[index])

#bool数组索引应用于每一个维度
print("a = \n", a)
b1 = [True, True, False, False]
b2 = [False, False, False, True, True]
print(a[b1,:])
print(a[:,b2])

在线python 支持numpy_numpy_11

线性代数基础

#线性代数基础
print("*****线性代数基础*****")
a = np.arange(1,5,1)
a.resize(2,2)

print("a = \n", a)

print("转置：\n", a.transpose())

print("逆矩阵：\n", np.linalg.inv(a))

print("单位矩阵：\n", np.eye(2))

print("矩阵的迹:", a.trace())

a = np.random.random((3,3))
y = np.random.random((3,1))
print("求解线性方程组:", np.linalg.solve(a,y))

#求矩阵特征值和特征向量
print("a = \n", a)
print(np.linalg.eig(a))
```
![在这里插入图片描述](https://img-blog.csdnimg.cn/2021010814563199.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjcwODE2MQ==,size_16,color_FFFFFF,t_70)

# 直方图
```python
#直方图
print("*************直方图****************")
mu, sigma = 0, 1
v = np.random.normal(mu, sigma, 1000000000)
n, bins = np.histogram(v, bins=200000, density=True)
plt.plot(bins[1:], n)
print(0.5 * (bins[1:] + bins[:-1]), n.shape)
print("n = ", n)
print("bins = ", bins)
plt.show()
```
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210108145701724.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjcwODE2MQ==,size_16,color_FFFFFF,t_70)
# 完整代码
```python
import numpy as np
import matplotlib.pyplot as plt
from numpy import newaxis

a = np.arange(15).reshape(3,5)

print(a)

#常见属性
print("*****常见属性*****")
print("数组的维度的个数:\t\t",a.ndim)
print("数组的形状：\t\t\t",a.shape)
print("数组元素的总数：\t\t", a.size)
print("数组的元素类型：\t\t", a.dtype)
print("每个元素占用的字节数：\t", a.itemsize)

#%%
print("*****数组创建*****")
#数组创建
#从列表或者元组创建ndarray:根据传入的参数自动推断数据类型
#一维数组
a = np.array([1,2,3,4,5])
print(a.dtype)
a = np.array((1.0,2,3,4,5))
print(a.dtype)

#多维数组
a = np.array([[1,2],[3,4]])
print(a)

#指定数据类型
a = np.array([[1,2],[3,4]], dtype=np.complex)
print(a)

#创建占位数组，缺省情况下数据类型是float64
a = np.zeros((3,4))
a = np.ones((3,4))
#数组内容随机
a = np.empty((3,4))

#根据start，end和step创建数组：左开右闭
a = np.arange(0, 10, 1)
print(a)

#缺省start=0，step=1
a = np.arange(10)

#根据元素数量创建数组
a = np.linspace(0,10,11)
print(a)


#%%
print("*****基本运算*****")
#基本运算
a = np.arange(10,20,1).reshape(2,5)
b = np.arange(10).reshape(2,5)
print("a = \n", a)
print("b = \n", b)
#矩阵加法
print("a+b = \n", a + b)
#对应元素相乘
print("a * b = \n", a * b)

#矩阵相乘
#矩阵维度相容才能进行乘法运算
b.resize(5,2)
print("a @ b = \n", a @ b)
print("a @ b = \n", a.dot(b))

#基本统计函数：缺省情况下应用与整个数组
print("sum of a:", a.sum())
print("max of a:", a.max())
print("min of a:", a.min())
print("avg of a:", a.mean())
print("std of a:", a.std())

#基本统计函数应用于某个维度
#第0轴从上到下：求每列的均值
a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
print("a = \n", a)
print("mean of each column", a.mean(axis = 0))
print("mean of each row", a.mean(axis=1))

print("\n\n\n")
#%%
print("*****通函数*****")
#通函数（常见的数学函数）：对每个元素操作
print("sin(a) = \n", np.sin(a))

#%%
print("*****索引*****")
#索引
# 一维数组：基本和python的原生数组一样
a = np.arange(10)
#单个元素
print(a[0])
print(a[-1])
#左开右闭
print(a[0:5])
print(a[:8])
print(a[8:])
#步长
print(a[:8:2])
print(a[::-1])

#多维数组
a = np.arange(20).reshape(4,5)
print("a = \n", a)

#单个元素
print(a[2,3])
print(a[2,-1])

#
print(a[2:3, 2:3])
print(a[2:3, :])
print(a[2:3])
print(a[:,2])

#%%
print("*****迭代*****")
#迭代：对行完成
for i in a:
    print(i)

#对数组中的每个元素迭代
for i in a.flat:
    print(i, end=" ")

#%%
print("\n*********操纵形状***********")
#操纵形状
#下面三个命令返回一个指定形状的数组，但不会改变数组原始的形状
a = np.arange(15).reshape(5,3)

print(a.reshape(3,5))
print(a.reshape(3,-1))
#转置
print(a.T)
#展平成一维数组
print(a.ravel())

#此命令会改变数组本身
a.resize(15,1)
print(a)

#%%
print("*****数组堆叠*****")
#数组堆叠
a = np.array(np.arange(20).reshape(4,5))
#水平堆叠
print(np.hstack((a,a)))
#垂直堆叠
print(np.vstack((a,a)))

#列堆叠
print(np.column_stack((a,np.arange(4))))
a = np.random.random((2,2))
b = np.random.random((2,2))
print(np.column_stack((a,b)))

#创建数组
print(np.r_[1:4, 6])

#%%
#拆分数组
print("*****拆分数组*****")
a = np.arange(27).reshape(3, -1)
print(a)
#水平拆分
a, b, c = np.hsplit(a, 3)
print(a)
print(b)
print(c)

#%%
print("*****拷贝和视图*****")
#拷贝和视图
a = np.arange(15).reshape(3,-1)
#完全不复制：指向同一片空间，操作数组元素和形状都会改变
#函数调用就是这种情况
b = a
print(b is a) # True

#浅复制（视图）
b = a.view()
#共享数据：b的数组元素改变时，a也改变。但是b的形状改变时，a不变

#深复制:生成一个全新的副本
b = a.copy()

#广播

#%%
#花式索引
#z整数数组索引
print("******花式索引******")
a = np.arange(20)
print("a = \n", a)
index = np.arange(start=0, stop = 20, step = 2)
print(a[index])

#a是多维数组，index是一维数组，索引行
a.resize(4,5)
print("a = \n", a)
#取出第0行和第2行
index = np.arange(start = 0, stop = 4, step = 2)
print(a[index])
#取出第0列和第2列
print(a[:,index])

#取出(0,0)和(2,2)
print(a[index, index])

#bool数组索引
print("*****bool数组索引*****")
#index和a一样大
index = np.zeros(a.shape, dtype=np.bool)
index[0:4:2] = True;
print(index)
print(a[index])

#bool数组索引应用于每一个维度
print("a = \n", a)
b1 = [True, True, False, False]
b2 = [False, False, False, True, True]
print(a[b1,:])
print(a[:,b2])

#%%
#线性代数基础
print("*****线性代数基础*****")
a = np.arange(1,5,1)
a.resize(2,2)

print("a = \n", a)

print("转置：\n", a.transpose())

print("逆矩阵：\n", np.linalg.inv(a))

print("单位矩阵：\n", np.eye(2))

print("矩阵的迹:", a.trace())

a = np.random.random((3,3))
y = np.random.random((3,1))
print("求解线性方程组:", np.linalg.solve(a,y))

#求矩阵特征值和特征向量
print("a = \n", a)
print(np.linalg.eig(a))

#直方图
print("*************直方图****************")
mu, sigma = 0, 1
v = np.random.normal(mu, sigma, 1000000000)
n, bins = np.histogram(v, bins=200000, density=True)
plt.plot(bins[1:], n)
print(0.5 * (bins[1:] + bins[:-1]), n.shape)
print("n = ", n)
print("bins = ", bins)
plt.show()
```

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。