Python 科学计算库 Numpy 小结
(本文来自本人公众号)
NumPy是Python语言的一个扩充程序库。支持高级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。
1. 读取文件
numpy.genfromtxt() 用于读取 txt 文件,其中传入的参数依次为:
-
需要读取的 txt 文件位置,此处文件与程序位于同一目录下
-
分割的标记
-
转换类型,如果文件中既有文本类型也有数字类型,就先转成文本类型
help(numpy.genfromtxt)用于查看帮助文档:
如果不想看 API 可以启动一个程序用 help 查看指令的详细用法
import numpy
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)
print(type(world_alcohol))
print(world_alcohol)
print(help(numpy.genfromtxt))
2. 构造 ndarray
numpy.array()构造 ndarray
numpy.array()中传入数组参数,可以是一维的也可以是二维三维的。numpy 会将其转变成 ndarray 的结构。
vector = numpy.array([1,2,3,4])
matrix = numpy.array([[1,2,3],[4,5,6]])
传入的参数必须是同一结构,不是同一结构将发生转换。
vector = numpy.array([1,2,3,4])
array([1, 2, 3, 4])
均为 int 类型
vector = numpy.array([1,2,3,4.0])
array([ 1., 2., 3., 4.])
转为浮点数类型
vector = numpy.array([1,2,'3',4])
array(['1', '2', '3', '4'],dtype='<U21')
转为字符类型
利用 .shape 查看结构
能够了解 array 的结构,debug 时通过查看结构能够更好地了解程序运行的过程。
print(vector.shape)
print(matrix.shape)
(4,)
(2, 3)
利用 dtype 查看类型
vector = numpy.array([1,2,3,4])
vector.dtype
dtype('int64')
ndim 查看维度
一维
vector = numpy.array([1,2,3,4])
vector.ndim
1
二维
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
matrix.ndim
2
size 查看元素数量
matrix.size
9
3. 获取与计算
numpy 能使用切片获取数据
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
根据条件获取
numpy 能够依次比较 vector 和元素之间是否相同
vector = numpy.array([5, 10, 15, 20])
vector == 10
array([False, True, False, False], dtype=bool)
根据返回值获取元素
vector = numpy.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])
[False True False False]
[10]
进行运算之后获取
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
类型转换
将整体类型进行转换
vector = numpy.array([5, 10, 15, 20])
print(vector.dtype)
vector = vector.astype(str)
print(vector.dtype)
int64
<U21
求和
sum() 能够对 ndarray 进行各种求和操作,比如分别按行按列进行求和
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
print(matrix.sum())
print(matrix.sum(1))
print(matrix.sum(0))
45
[ 6 15 24]
[12 15 18]
sum(1) 是 sum(axis=1)) 的缩写,1表示按照 x轴方向求和,0表示按照y轴方向求和
4. 常用函数
reshape
生成从 0-14 的 15 个数字,使用 reshape(3,5) 将其构造成一个三行五列的 array。
import numpy as np
arr = np.arange(15).reshape(3, 5)
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
zeros
生成指定结构的默认为 0. 的 array
np.zeros ((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
ones
生成一个三维的 array,通过 dtype 指定类型
np.ones( (2,3,4), dtype=np.int32 )
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
range
指定范围和数值间的间隔生成 array,注意范围包左不包右
np.arange(0,10,2)
array([0, 2, 4, 6, 8])
random 随机数
生成指定结构的随机数,可以用于生成随机权重
np.random.random((2,3))
array([[ 0.86166627, 0.37756207, 0.94265883],
[ 0.9768257 , 0.96915312, 0.33495431]])
5. ndarray 运算
元素之间依次相减相减
a = np.array([10,20,30,40])
b = np.array(4)
a - b
array([ 6, 16, 26, 36])
乘方
a**2
array([ 100, 400, 900, 1600])
开根号
np.sqrt(B)
array([[ 1.41421356, 0. ],
[ 1.73205081, 2. ]])
e 求方
np.exp(B)
array([[ 7.3890561 , 1. ],
[ 20.08553692, 54.59815003]])
向下取整
a = np.floor(10*np.random.random((2,2)))
a
array([[ 0., 0.],
[ 3., 6.]])
行列变换
a.T
array([[ 0., 3.],
[ 0., 6.]])
变换结构
a.resize(1,4)
a
array([[ 0., 0., 3., 6.]])
6. 矩阵运算
矩阵之间的运算
A = np.array( [[1,1],
[0,1]] )
B = np.array( [[2,0],
[3,4]] )
对应位置一次相乘
A*B
array([[2, 0],
[0, 4]])
矩阵乘法
print (A.dot(B))
print(np.dot(A,B))
[[5 4]
[3 4]]
横向相加
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
print(b)
print(np.hstack((a,b)))
[[ 2. 3.]
[ 9. 3.]]
[[ 8. 1.]
[ 0. 0.]]
[[ 2. 3. 8. 1.]
[ 9. 3. 0. 0.]]
纵向相加
print(np.vstack((a,b)))
[[ 2. 3.]
[ 9. 3.]
[ 8. 1.]
[ 0. 0.]]
矩阵分割
#横向分割
print( np.hsplit(a,3))
#纵向风格
print(np.vsplit(a,3))
7. 复制的区别
地址复制
通过 b = a 复制 a 的值,b 与 a 指向同一地址,改变 b 同时也改变 a。
a = np.arange(12)
b = a
print(a is b)
print(a.shape)
print(b.shape)
b.shape = (3,4)
print(a.shape)
print(b.shape)
True
(12,)
(12,)
(3, 4)
(3, 4)
复制值
通过 a.view() 仅复制值,当对 c 值进行改变会改变 a 的对应的值,而改变 c 的 shape 不改变 a 的 shape
a = np.arange(12)
c = a.view()
print(c is a)
c.shape = 2,6
c[0,0] = 9999
print(a)
print(c)
False
[9999 1 2 3 4 5 6 7 8 9 10 11]
[[9999 1 2 3 4 5]
[ 6 7 8 9 10 11]]
完整拷贝
a.copy() 进行的完整的拷贝,产生一份完全相同的独立的复制
a = np.arange(12)
c = a.copy()
print(c is a)
c.shape = 2,6
c[0,0] = 9999
print(a)
print(c)
False
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[9999 1 2 3 4 5]
[ 6 7 8 9 10 11]]
关注下方公众号
相关推荐
### Python中矩阵库Numpy基本操作详解 #### 一、Numpy简介 ...Numpy作为Python中重要的科学计算库,在数据分析、机器学习等领域有着广泛的应用。掌握这些基本操作,可以帮助开发者更高效地处理数值数据。
Scipy 是一个基于 Numpy 的科学计算库,提供许多高级功能,如优化、统计、信号处理等。 #### 安装步骤: 1. **下载 Scipy 文件**:同样访问 http://www.lfd.uci.edu/~gohlke/pythonlibs/,找到与 Python 3.6.1 兼容...
在Python的科学计算领域,numpy库扮演着至关重要的角色,它提供了高效且便捷的多维数据处理能力。本文主要总结了numpy库下的一些基础但实用的函数,包括mat、zeros、ones、eye、.T、tolist、getA()以及.I等。 1. ...
NumPy(Numeric Python的缩写)是Python编程语言中一个非常重要的开源库,主要用于科学计算。它提供了一个强大的多维数组对象以及其他用于操作这些数组的工具。NumPy的设计目的是为了提高Python在执行数值计算时的...
conda 是一个包管理器,主要用于数据科学和科学计算领域。可以使用 conda 来安装第三方库,例如: `conda install requests` 4. 使用Virtualenv Virtualenv 是一个虚拟环境管理器,可以创建独立的虚拟环境来安装...
在Python编程语言中,NumPy是一个非常重要的库,主要用于处理数组和矩阵运算。NumPy提供了高效的数据结构和数学计算功能,使得对大型多维数组和矩阵进行操作变得简单易行。以下是对Python中NumPy模块常见用法的详细...
1.10 小结 15 第 2章 NumPy数组 16 2.1 NumPy数组对象 16 2.2 创建多维数组 18 2.3 选择NumPy数组元素 18 2.4 NumPy的数值类型 19 2.4.1 数据类型对象 21 2.4.2 字符码 21 2.4.3 Dtype构造函数 22 2.4.4 ...
4. **模块与包**:Python拥有丰富的标准库和第三方库,如Numpy用于科学计算,Pandas用于数据处理,Matplotlib和Seaborn用于数据可视化。学会导入和使用这些模块,能极大地扩展Python的功能。 5. **面向对象编程**:...
它是Python科学计算的基础库,对于任何涉及大量数值运算的应用来说都是不可或缺的。 - **pandas**:提供了一种灵活而强大的数据结构,专门用于进行数据分析和探索性研究。通过pandas,用户可以轻松地执行数据清洗、...
标题中提到的“Numpy 改变数组维度的几种方法小结”,涉及到了Numpy库中用于修改数组形状的关键概念和函数。Numpy(Numerical Python)是一个开源的Python扩展库,它提供了强大的多维数组对象和一系列处理这些数组的...
在Python的科学计算库NumPy中,生成随机数是一项常用的操作,这在模拟、建模以及数据生成等任务中尤其重要。本篇文章将详细介绍NumPy中生成随机数的几种常见函数,帮助读者理解和掌握这些功能。 1. **生成指定形状...
4. **模块化编程**:Python有丰富的标准库和第三方库,如Numpy用于科学计算,Pandas用于数据处理,Matplotlib和Seaborn用于数据可视化。学习如何导入和使用这些模块,以及如何编写自己的模块,能够提升代码的复用性...
接下来,我们转向`numpy.random`模块,它是科学计算库NumPy的一部分,专门用于生成各种类型的随机数数组。这个模块提供了更多高级功能,特别是对于大型数组的操作。 1. `np.random.rand(d0, d1, ..., dn)`:生成一...
NPZ格式适用于大量数值型数据的存储,特别适合于科学计算。 3. **DataFrame文件保存为CSV** 对于Pandas库的DataFrame对象,可以使用`to_csv()`方法将其保存为逗号分隔值(CSV)文件。例如: ```python ...
Numpy是Python中用于科学计算的核心库,它提供了一种高效的数据结构——ndarray(n-dimensional array),用于处理多维数组和矩阵。本篇将详细总结Numpy的简单用法,帮助初学者快速掌握Numpy的基本操作。 首先,...
以下是对Python中十大图像处理工具的小结,包括一些最常用的库及其特点: 1. **scikit-image** scikit-image是一个基于numpy的开源Python包,提供广泛的图像处理算法,包括图像滤波、模板匹配和图像分割。它的代码...
#### 小结 本文详细介绍了如何使用Python中的NumPy库插入一行或一列的方法。通过`numpy.insert`函数,可以轻松地在数组中插入新行或新列,这对于数组的扩展和修改是非常有用的。希望本文的内容能帮助读者更好地理解...
7. **D27开源模块的应用**:Python拥有丰富的第三方库,如Numpy用于科学计算,Pandas用于数据处理,Matplotlib和Seaborn用于数据可视化,requests用于网络请求等。了解如何安装和使用这些模块,可以极大地提高开发...