Python中的numpy数组模块
目录
- 一、numpy简介
- 1、numpy库作用：
- 2、NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 3、NumPy 应用
- 二、为什么用numpy
- 三、创建numpy数组
- 1、将列表转换创建numpy数组，可选择显式指定dtype
- 2、arange方式创建numpy数组
- 3、其他方式创建numpy数组
- 4、numpy或pandas中reshape()重塑形状（行列转换）的用法
- 4、numpy.random生成随机数
- 5、 fromstring/fromfunction(了解)
- 四、常用属性
- 五、切割
- 七、元素替换
- 八、合并
- 九、运算符
- 十、运算函数
- 十一、矩阵化
- 十二、numpy数组的数学和统计方法
- 1、最大最小值、平均、求和
- 2、累加和
- 3、排序
- 4、 方差
- 5、 标准差
- 6、 中位数
一、numpy简介
numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示numpy数组）。
1、numpy库作用：
- 区别于list列表，提供了数组操作、数组运算、以及统计分布和简单的数学模型 。
- 计算速度快，甚至要由于python内置的简单运算，使得其成为pandas(分析结构化数据的工具集)、sklearn(Scikit-learn(sklearn)是机器学习中常用的第三方模块)等模块的依赖包。
高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似。
2、NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
3、NumPy 应用
NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
- SciPy: 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
- Matplotlib: 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。
二、为什么用numpy
lis1 = [1, 2, 3] lis2 = [4, 5, 6]
如果我们想让lis1 * lis2得到一个结果为lis_res = [4, 10, 18]，非常复杂。
三、创建numpy数组
numpy数组即numpy的ndarray对象，
1、将列表转换创建numpy数组，可选择显式指定dtype
import numpy as np arr = np.array([1, 2, 3]) # 创建一维的ndarray对象 print(arr, type(arr)) # [1 2 3] <class 'numpy.ndarray'> arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32) print(arr) print(np.array([[1, 2, 3], [4, 5, 6]])) # 创建二维的ndarray对象 # [[1 2 3] # [4 5 6]] print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])) # 创建三维的ndarray对象 # [[1 2 3] # [4 5 6] # [7 8 9]]
2、arange方式创建numpy数组
# 构造0-9的ndarray数组 print(np.arange(10)) # [0 1 2 3 4 5 6 7 8 9] # 构造1-4的ndarray数组 print(np.arange(1, 5)) # [1 2 3 4] # 构造1-19且步长为2的ndarray数组 print(np.arange(1, 20, 2)) # [ 1 3 5 7 9 11 13 15 17 19]
3、其他方式创建numpy数组
# 构造3*4的全0的numpy数组 print(np.zeros((3, 4))) #zeros():根据指定形状和dtype创建全0数组 # [[0. 0. 0. 0.] # [0. 0. 0. 0.] # [0. 0. 0. 0.]] # 构造3*4的全1的numpy数组 print(np.ones((3, 4))) #ones():根据指定形状和dtype创建全1数组 [[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]] # 构造一个4*4的随机的numpy数组，里面的元素是随机生成的 print(np.empty((4, 4))) #empty():创建一个元素全随机的数组 # [[ 2.31584178e+077 -1.49457545e-154 3.95252517e-323 0.00000000e+000] # [ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000] # [ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000] # [ 0.00000000e+000 0.00000000e+000 1.29074055e-231 1.11687366e-308]] arr = np.ones([2, 2], dtype=int) print(arr.reshape(4, 1)) #reshape():重塑形状 # [[1] # [1] # [1] # [1]] # 构造一个等差数列，取头也取尾，从0取到20，取5个数 print(np.linspace(0, 20, 5)) # linspace/logspace():类似arange()，第三个参数为数组长度 # [ 0. 5. 10. 15. 20.] # 构造一个等比数列，从10**0取到10**20，取5个数 print(np.logspace(0, 20, 5)) # [1.e+00 1.e+05 1.e+10 1.e+15 1.e+20] # 构造3个主元的单位numpy数组 print(np.eye(3)) #eye():创建单位矩阵 # [[1. 0. 0.] # [0. 1. 0.] # [0. 0. 1.]]
4、numpy或pandas中reshape()重塑形状（行列转换）的用法
例子：
z = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
[13, 14, 15, 16]])
z.shape
#(4, 4)四行撕裂
1.z.reshape(-1)或z.reshape(1,-1)，转换成1行，列数未知。即将数组横向平铺。
z.reshape(-1) #array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
2.z.reshape(-1, 1))，转换成1列，行数未知。即将数组纵向平铺。
z.reshape(-1,1)
# array([[ 1],
[ 2],
[ 3],
[ 4],
[ 5],
[ 6],
[ 7],
[ 8],
[ 9],
[10],
[11],
[12],
[13],
[14],
[15],
[16]])
3.z.reshape(-1, 2)，newshape列数等于2，行数未知，reshape后的shape等于(8, 2)
z.reshape(-1, 2)
# array([[ 1, 2],
[ 3, 4],
[ 5, 6],
[ 7, 8],
[ 9, 10],
[11, 12],
[13, 14],
[15, 16]])
4、numpy.random生成随机数
举例：
rs = np.random.RandomState(1) # RandomState()方法会让数据值随机一次，之后都是相同的数据 print(rs.rand(10)) # [4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01 # 1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01 # 3.96767474e-01 5.38816734e-01] np.random.seed(1) # seed()方法会让数据值随机一次，之后都是相同的数据 print(np.random.rand(3, 4)) # rand产生均匀分布的随机数。dn为第n维数据的维度。这里构造3*4的均匀分布的numpy数组 # [[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01] # [1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01] # [3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01]] print(np.random.rand(3, 4, 5)) # 构造3*4*5的均匀分布的numpy数组 # [[[0.20445225 0.87811744 0.02738759 0.67046751 0.4173048 ] # [0.55868983 0.14038694 0.19810149 0.80074457 0.96826158] # [0.31342418 0.69232262 0.87638915 0.89460666 0.08504421] # [0.03905478 0.16983042 0.8781425 0.09834683 0.42110763]] # # [[0.95788953 0.53316528 0.69187711 0.31551563 0.68650093] # [0.83462567 0.01828828 0.75014431 0.98886109 0.74816565] # [0.28044399 0.78927933 0.10322601 0.44789353 0.9085955 ] # [0.29361415 0.28777534 0.13002857 0.01936696 0.67883553]] # # [[0.21162812 0.26554666 0.49157316 0.05336255 0.57411761] # [0.14672857 0.58930554 0.69975836 0.10233443 0.41405599] # [0.69440016 0.41417927 0.04995346 0.53589641 0.66379465] # [0.51488911 0.94459476 0.58655504 0.90340192 0.1374747 ]]] # 构造3*4的正态分布的numpy数组 print(np.random.randn(3, 4)) #randn产生标准正态分布随机数。dn为第n维数据的维度 # [[ 0.30017032 -0.35224985 -1.1425182 -0.34934272] # [-0.20889423 0.58662319 0.83898341 0.93110208] # [ 0.28558733 0.88514116 -0.75439794 1.25286816]] # 构造取值为1-5内的10个元素的ndarray数组 print(np.random.randint(1, 5, 10)) # randint(low[, high, size, dtype])：产生随机整数。low:最小值；high:最大值；size:数据个数 # [1 1 1 2 3 1 2 1 3 4] # 构造取值为0-1内的3*4的numpy数组 print(np.random.random_sample((3, 4))) # random_sample([size])：在[0,1)[0,1)内产生随机数。size为随机数的shape，可以为元祖或者列表 # [[0.62169572 0.11474597 0.94948926 0.44991213] # [0.57838961 0.4081368 0.23702698 0.90337952] # [0.57367949 0.00287033 0.61714491 0.3266449 ]] arr = np.array([1, 2, 3]) # 随机选取arr中的两个元素 print(np.random.choice(arr, size=2)) # choice(a[, size])：从arr中随机选择指定数据。arr为1维数组；size为数组形状 # [1 3] arr = np.random.uniform(1, 5, (2, 3)) #uniform(low,high [,size])：给定形状产生随机数组。low为最小值；high为最大值，size为数组形状 print(arr) # [[4.72405173 3.30633687 4.35858086] # [3.49316845 2.29806999 3.91204657]] np.random.shuffle(arr) # shuffle(a)：与random.shuffle相同。a为指定数组 print(arr) # [[3.49316845 2.29806999 3.91204657] # [4.72405173 3.30633687 4.35858086]]
5、 fromstring/fromfunction(了解)
fromstring：通过对字符串的字符编码所对应ASCII编码的位置，生成一个ndarray对象
s = 'abcdef' # np.int8表示一个字符的字节数为8 print(np.fromstring(s, dtype=np.int8)) # [ 97 98 99 100 101 102]
fromfunction：使用函数对numpy数组元素的行和列的索引做处理，得到当前元素的值。
索引从0开始，并构造一个3*4的numpy数组 print(np.fromfunction(func, (3, 4)))
def func(i, j):
"""其中i为numpy数组的行，j为numpy数组的列"""
return i * j
# 使用函数对numpy数组元素的行和列的索引做处理，得到当前元素的值，索引从0开始，并构造一个3*4的numpy数组
print(np.fromfunction(func, (3, 4)))
# [[0. 0. 0. 0.]
# [0. 1. 2. 3.]
# [0. 2. 4. 6.]]
四、常用属性
举例：
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(arr) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr[:, :]) # 取所有元素 # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr[:1, :]) # [[1 2 3 4]] # 取第一行的所有元素 print(arr[0, [0, 1, 2, 3]]) # [1 2 3 4] # 取第一行的所有元素 print(arr[:, :1]) # 取第一列的所有元素 # [[1] # [5] # [9]] print(arr[(0, 1, 2), 0]) # [1 5 9] # 取第一列的所有元素 print(arr[0, 0]) # 1 # 取第一行第一列的元素 print(arr[arr > 5]) # [ 6 7 8 9 10 11 12] # 取大于5的元素，返回一个数组 print(arr > 5) # numpy数组按运算符取元素的原理，即通过arr > 5生成一个布尔numpy数组 # [[False False False False] # [False True True True] # [ True True True True]]
五、切割
切分numpy数组类似于列表的切割，但是与列表的切割不同的是，numpy数组的切割涉及到行和列的切割，但是两者切割的方式都是从索引0开始，并且取头不取尾。
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(arr) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr[:, :]) # 取所有元素 # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr[:1, :]) # [[1 2 3 4]] # 取第一行的所有元素 print(arr[0, [0, 1, 2, 3]]) # [1 2 3 4] # 取第一行的所有元素 print(arr[:, :1]) # 取第一列的所有元素 # [[1] # [5] # [9]] print(arr[(0, 1, 2), 0]) # [1 5 9] # 取第一列的所有元素 print(arr[0, 0]) # 1 # 取第一行第一列的元素 print(arr[arr > 5]) # [ 6 7 8 9 10 11 12] # 取大于5的元素，返回一个数组 print(arr > 5) # numpy数组按运算符取元素的原理，即通过arr > 5生成一个布尔numpy数组 # [[False False False False] # [False True True True] # [ True True True True]]
七、元素替换
numpy数组元素的替换，类似于列表元素的替换，并且numpy数组也是一个可变类型的数据，即如果对numpy数组进行替换操作，会修改原numpy数组的元素，所以下面我们用.copy()方法举例numpy数组元素的替换。
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(arr) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] arr1 = arr.copy() arr1[:1, :] = 0 # 取第一行的所有元素，并且让第一行的元素都为0 print(arr1) # [[ 0 0 0 0] # [ 5 6 7 8] # [ 9 10 11 12]] arr2 = arr.copy() arr2[arr > 5] = 0 # 取所有大于5的元素，并且让大于5的元素为0 print(arr2) # [[1 2 3 4] # [5 0 0 0] # [0 0 0 0]] arr3 = arr.copy() arr3[:, :] = 0 # 对numpy数组清零 print(arr3) # [[0 0 0 0] # [0 0 0 0] # [0 0 0 0]]
八、合并
arr1 = np.array([[1, 2], [3, 4], [5, 6]]) print(arr1) # [[1 2] # [3 4] # [5 6]] arr2 = np.array([[7, 8], [9, 10], [11, 12]]) print(arr2) # [[ 7 8] # [ 9 10] # [11 12]] print(np.concatenate((arr1, arr2), axis=0)) # 合并两个numpy数组，其中axis=0表示合并两个numpy数组的行 # [[ 1 2] # [ 3 4] # [ 5 6] # [ 7 8] # [ 9 10] # [11 12]] print(np.concatenate((arr1, arr2), axis=1)) # 合并两个numpy数组，其中axis=1表示合并两个numpy数组的列 # [[ 1 2 7 8] # [ 3 4 9 10] # [ 5 6 11 12]] print(np.vstack((arr1, arr2))) # 合并两个numpy数组的行，其中vstack的v表示vertical垂直的，垂直方向的合并 # [[ 1 2] # [ 3 4] # [ 5 6] # [ 7 8] # [ 9 10] # [11 12]] print(np.hstack((arr1, arr2))) # 合并两个numpy数组的列，其中hstack的h表示horizontal水平的，水平方向的合并 # [[ 1 2 7 8] # [ 3 4 9 10] # [ 5 6 11 12]]
九、运算符
arr1 = np.array([[1, 2], [3, 4], [5, 6]]) print(arr1) # [[1 2] # [3 4] # [5 6]] arr2 = np.array([[7, 8], [9, 10], [11, 12]]) print(arr2) # [[ 7 8] # [ 9 10] # [11 12]] print(arr1 + arr2) # +：两个numpy数组对应元素相加 ；-减；*乘；/相除取整；%相除取余 # [[ 8 10] # [12 14] # [16 18]] print(arr1**2) # **n：单个numpy数组每个元素都取n次方，如**2：每个元素都取平方 # [[ 1 4] # [ 9 16] # [25 36]]
十、运算函数
- 一元函数：abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, isnan, isinf, cos, sin, tan
- 二元函数：add, substract, multiply, divide, power, mod, maximum, mininum
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) print(arr) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(np.sin(arr)) # 对numpy数组的所有元素取正弦，cos余弦，tan正切 # [[0.84147098 0.90929743 0.14112001 - 0.7568025] # [-0.95892427 - 0.2794155 0.6569866 0.98935825] # [0.41211849 - 0.54402111 - 0.99999021 - 0.53657292]] print(np.sqrt(arr)) # 对numpy数组的所有元素开根号，.exp指数函数 # [[1. 1.41421356 1.73205081 2. ] # [2.23606798 2.44948974 2.64575131 2.82842712] # [3. 3.16227766 3.31662479 3.46410162]] print(np.arcsin(arr * 0.1)) # 对numpy数组的所有元素取反正弦，如果元素不在定义域内，则会取nan值 # [[0.10016742 0.20135792 0.30469265 0.41151685] # [0.52359878 0.64350111 0.7753975 0.92729522] # [1.11976951 1.57079633 nan nan]] # RuntimeWarning: invalid # value # encountered in arcsin # 判断矩阵元素中是否含有np.nan值 print(np.isnan(arr)) # [[False False False False] # [False False False False] # [False False False False]]
十一、矩阵化
arr1 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr1.shape) # (2, 3) arr2 = np.array([[7, 8], [9, 10], [11, 12]]) print(arr2.shape) # (3, 2) assert arr1.shape[0] == arr2.shape[1] # 1、numpy数组的点乘必须满足第一个numpy数组的列数等于第二个numpy数组的行数，即m∗n⋅n∗m=m∗mm∗n·n∗m=m∗m。 # 2*3·3*2 = 2*2 print(arr2.shape) # (3, 2) arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr) # [[1 2 3] # [4 5 6]] print(arr.transpose()) # 2、numpy数组的转置，相当于numpy数组的行和列互换。 # [[1 4] # [2 5] # [3 6]] print(arr.T) # [[1 4] # [2 5] # [3 6]] arr = np.array([[1, 2, 3], [4, 5, 6], [9, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [9 8 9]] print(np.linalg.inv(arr)) # 3、numpy数组的逆，numpy数组行和列相同时，numpy数组才可逆。 # [[ 0.5 -1. 0.5 ] # [-3. 3. -1. ] # [ 2.16666667 -1.66666667 0.5 ]] arr = np.eye(3) # 单位numpy数组的逆是单位numpy数组本身 print(arr) # [[1. 0. 0.] # [0. 1. 0.] # [0. 0. 1.]] print(np.linalg.inv(arr)) # [[1. 0. 0.] # [0. 1. 0.] # [0. 0. 1.]]
十二、numpy数组的数学和统计方法
1、最大最小值、平均、求和
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [7 8 9]] print(arr.max()) # 9 # 获取numpy数组所有元素中的最大值 print(arr.min()) # 1 # 获取numpy数组所有元素中的最小值 print(arr.max(axis=0)) # [7 8 9] # 获取numpy数组每一行的最大值 print(arr.max(axis=1)) # [3 6 9] # 获取numpy数组每一列的最大值 print(arr.argmax(axis=1)) # [2 2 2] # 获取numpy数组最大元素的索引位置 argmin：求最小值索引 arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [7 8 9]] print(arr.sum()) # 45 # 对numpy数组的每一个元素求和 print(arr.sum(axis=0)) # [12 15 18] # 对numpy数组的每一列求和 print(arr.sum(axis=1)) # [ 6 15 24] # 对numpy数组的每一行求和 arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [7 8 9]] print(arr.mean()) # 5.0 # 获取numpy数组所有元素的平均值 print(arr.mean(axis=0)) # [4. 5. 6.] # 获取numpy数组每一列的平均值 print(arr.mean(axis=1)) # [2. 5. 8.] # 获取numpy数组每一行的平均值
2、累加和
arr = np.array([1, 2, 3, 4, 5]) print(arr) # [1 2 3 4 5] print(arr.cumsum()) # [ 1 3 6 10 15] # 第n个元素为前n-1个元素累加和
3、排序
numpy.sort(a, axis, kind, order)：返回输入数组的排序副本
- a: 要排序的数组
- axis: 沿着它排序数组的轴，如果没有数组会被展开，沿着最后的轴排序， axis=0 按列排序，axis=1 按行排序
- kind: 默认为'quicksort'（快速排序） ，
'mergesort'（归并排序），'heapsort'（堆排序） - order: 如果数组包含字段，则是要排序的字段
a = np.array([[3,7],[9,1]])
print (a)
#[[3 7]
# [9 1]]
print (np.sort(a))
#[[3 7]
# [1 9]]
print (np.sort(a, axis = 0)) #按列排序：
#[[3 1]
# [9 7]]
dt = np.dtype([('name', 'S10'),('age', int)])
a = np.array([("raju",21),("anil",25),("ravi", 17), ("amar",27)], dtype = dt)
print (a)
# [(b'raju', 21) (b'anil', 25) (b'ravi', 17) (b'amar', 27)]
print (np.sort(a, order = 'name')) 在 sort 函数中排序字段;按 name 排序：
# [(b'amar', 27) (b'anil', 25) (b'raju', 21) (b'ravi', 17)]
4、 方差
方差公式为
其中x为numpy数组。
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [7 8 9]] print(arr.var()) # 6.666666666666667 # 获取numpy数组所有元素的方差 print(arr.var(axis=0)) # [6. 6. 6.] # 获取numpy数组每一列的元素的方差 print(arr.var(axis=1)) # [0.66666667 0.66666667 0.66666667] # 获取numpy数组每一行的元素的方差
5、 标准差
标准差公式为：
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [7 8 9]] print(arr.std()) # 2.581988897471611 # 获取numpy数组所有元素的标准差 print(arr.std(axis=0)) # [2.44948974 2.44948974 2.44948974] # 获取numpy数组每一列的标准差 print(arr.std(axis=1)) # [0.81649658 0.81649658 0.81649658] # 获取numpy数组每一行的标准差
6、 中位数
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr) # [[1 2 3] # [4 5 6] # [7 8 9]] print(np.median(arr)) # 5.0 # 获取numpy数组所有元素的中位数 print(np.median(arr, axis=0)) # [4. 5. 6.] # 获取numpy数组每一列的中位数 print(np.median(arr, axis=1)) # [2. 5. 8.] # 获取numpy数组每一行的中位数
到此这篇关于Python数组模块numpy的文章就介绍到这了。希望对大家的学习有所帮助，也希望大家多多支持我们。
相关推荐
-
Python中numpy模块常见用法demo实例小结
本文实例总结了Python中numpy模块常见用法.分享给大家供大家参考,具体如下: import numpy as np arr = np.array([[1,2,3], [2,3,4]]) print(arr) print(type(arr)) print('number of dim:', arr.ndim) print('shape:', arr.shape) print('size:', arr.size) [[1 2 3] [2 3 4]] number of dim: 2 sha
-
python的numpy模块安装不成功简单解决方法总结
为了画个图,被numpy这个模块的安装真的折腾疯了!!!一直装不上,花了几个小时,看了网上的很多教程.方法发现总结得不是很全,这里总结一下,防止大家再出现这个问题没有解决方法. Python的魅力之一,就是拥有众多功能强大的插件,但是这些插件的寻找.安装.升级在windows系统上却非常之麻烦.首先安装完Python后需要在系统配置环境变量,接下来又要安装Setuptools,而且安装过程中还会报编码错误,对于需要拷贝源码安装的还需要去CMD里打命令,还得小心翼翼避免打错参数,如果没有一位有经验
-
Python使用Numpy模块读取文件并绘制图片
代码如下 import pandas as pd import matplotlib.pyplot as plt import numpy as np data = np.loadtxt('distance.txt',dtype = np.int) print(data) x = data[:,0] # 设置第1列数据为x轴数据. y = np.log(data[:,1]) # 设置第2列为y轴数据,计算自然对数后赋值给y, 注意如果取以10为底的对数,则需要使用log10方法. print(x
-
Python创建对称矩阵的方法示例【基于numpy模块】
本文实例讲述了Python创建对称矩阵的方法.分享给大家供大家参考,具体如下: 对称(实对称)矩阵也即: step 1:创建一个方阵 >>> import numpy as np >>> X = np.random.rand(5**2).reshape(5, 5) >>> X array([[ 0.26984148, 0.25408384, 0.12428487, 0.0194565 , 0.91287708], [ 0.31837673, 0.354
-
初识python的numpy模块
目录 一.array类型 1.1array类型的基本使用 1.2对更高维度数据的处理 1.3Numpy创建特殊类型的array类型 1.3.1生成全为0或全为1的array 1.3.2np.arrange()和np.linspace() 1.4Numpy基础计算演示 二.线性代数相关 三.矩阵的高级函数-随机数矩阵 四.总结 Numpy是Numerical Python extensions的缩写,字面意思是Python数值计算扩展.Numpy是python中众多机器学习库的依赖,这些库通过Nu
-
Python使用numpy模块实现矩阵和列表的连接操作方法
Numpy模块被广泛用于科学和数值计算,自然有它的强大之处,之前对于特征处理中需要进行数据列表或者矩阵拼接的时候都是自己写的函数来完成的,今天发现一个好玩的函数,不仅好玩,关键性能强大,那就是Numpy模块自带的矩阵.列表连接函数,实践一下. #!usr/bin/env python #encoding:utf-8 from __future__ import division ''' __Author__:沂水寒城 使用numpy模块实现矩阵的连接操作 ''' import numpy as
-
Python numpy 模块介绍
目录 1. numpy 简介 numpy 应用场景 numpy 模块安装 numpy 模块使用 2. numpy 特点 3. numpy 常用方法 4. 实例 前言: 在motplotlib的学习过程中,我们使用最多的就是numpy模块. numpy 模块被称为 matplotlib 模块绘制图表伴侣. xdm,接下来我们来对 matplotlib 伴侣-numpy 模块相关知识的学习 1. numpy 简介 numpy 模块是 Python 支持对大量数组进行科学计算的第三方库. numpy
-
Python使用numpy模块创建数组操作示例
本文实例讲述了Python使用numpy模块创建数组操作.分享给大家供大家参考,具体如下: 创建数组 创建ndarray 创建数组最简单的方法就是使用array函数.它接收一切序列型的对象(包括其他数组),然后产生一个新的含有传入数据的Numpy数组. array函数创建数组 import numpy as np ndarray1 = np.array([1, 2, 3, 4]) ndarray2 = np.array(list('abcdefg')) ndarray3 = np.array([
-
Python基于numpy模块实现回归预测
代码如下 import numpy as np from matplotlib import pyplot as plt # 用numpy生成数据t ,y t = np.arange(1,10,1) y = 0.9 * t + np.sin(t) model = np.polyfit(t, y ,deg=1) # np.polyfit是numpy提供的加分分析方法,deg=1,指定模型为1阶的,返回值model为获得的模型 t2 = np.arange(-2,12,0.5) # 再生成一个间隔为
-
Python3.5基础之NumPy模块的使用图文与实例详解
本文实例讲述了Python3.5基础之NumPy模块的使用.分享给大家供大家参考,具体如下: 1.简介 2.多维数组--ndarray #!/usr/bin/env python # -*- coding:utf-8 -*- # Author:ZhengzhengLiu import numpy as np #1.创建ndarray #创建一维数组 n1 = np.array([1,2,3,4]) print(n1) #属性--ndim:维度;dtype:元素类型;shape:数组形状; # s