- 浏览: 498903 次
- 性别:
- 来自: 广州
文章分类
- 全部博客 (502)
- Java (70)
- Linux (10)
- 数据库 (38)
- 网络 (10)
- WEB (13)
- JSP (4)
- 互联网 (71)
- JavaScript (30)
- Spring MVC (19)
- HTML (13)
- CSS (3)
- AngularJS (18)
- Redis (5)
- Bootstrap CSS (1)
- ZooKeeper (4)
- kafka (6)
- 服务器缓存 (4)
- Storm (1)
- MongoDB (9)
- Spring boot (16)
- log4j (2)
- maven (3)
- nginx (5)
- Tomcat (2)
- Eclipse (4)
- Swagger (2)
- Netty (5)
- Dubbo (1)
- Docker (7)
- Hadoop (12)
- OAuth (1)
- webSocket (4)
- 服务器性能 (7)
- Session共享 (1)
- tieye修改 (1)
- 工作 (1)
- 有用的语录 (0)
- https (2)
- common (5)
- 产品开发管理 (1)
- CDN 工作原理 (1)
- APNS、GCM (1)
- 架构图 (3)
- 功能实现分析 (1)
- JMX (1)
- 服务器相关操作命令 (1)
- img02 (0)
- 服务器环境搭建 (9)
- goodMenuBook (1)
- CEInstantPot (0)
- 有用数据 (1)
- 百度地图WEB API (2)
- 正则表达式 (1)
- 样式例子 (2)
- staticRecipePressureCooker.zip (1)
- jCanvas (1)
- 网站攻击方法原理 (1)
- 架构设计 (3)
- 物联网相关 (3)
- 研发管理 (7)
- 技术需求点 (1)
- 计划 (1)
- spring cloud (11)
- 服务器开发的一些实用工具和方法 (1)
- 每天学到的技术点 (4)
- Guava (1)
- ERP 技术注意要点 (2)
- 微信小程序 (1)
- FineRepor (1)
- 收藏夹 (1)
- temp (5)
- 服务架构 (4)
- 任职资格方案 (0)
- osno_test (1)
- jquery相关 (3)
- mybatis (4)
- ueditor (1)
- VueJS (7)
- python (10)
- Spring EL (1)
- shiro (1)
- 前端开发原理与使用 (7)
- YARN (1)
- Spark (1)
- Hbase (2)
- Pig (2)
- 机器学习 (30)
- matplotlib (1)
- OpenCV (17)
- Hystrix (1)
- 公司 (1)
- miniui (4)
- 前端功能实现 (3)
- 前端插件 (1)
- 钉钉开发 (2)
- Jenkins (1)
- elasticSearch使用 (2)
- 技术规范 (4)
- 技术实现原理 (0)
最新评论
NumPy 基础
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,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。
主要针对数字进行运算
NumPy 最重要的一个特点是其 N 维数组对象 ndarray
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明:
object 数组或嵌套的数列
dtype 数组元素的数据类型,可选
copy 对象是否需要复制,可选
order 创建数组的样式,C为行方向,F为列方向,A为任意方向(默认)
subok 默认返回一个与基类类型一致的数组
ndimin 指定生成数组的最小维度
a = np.array([1,2,3])
print (a)
[1, 2, 3]
a = np.array([[1, 2], [3, 4]])
print (a)
[[1, 2]
[3, 4]]
轴的概念:
[0轴,1轴,2轴,........]
//===========================数据类型
bool_ 布尔型数据类型(True 或者 False)
int_ 默认的整数类型(类似于 C 语言中的 long,int32 或 int64)
intc 与 C 的 int 类型一样,一般是 int32 或 int 64
intp 用于索引的整数类型(类似于 C 的 ssize_t,一般情况下仍然是 int32 或 int64)
int8 字节(-128 to 127)
int16 整数(-32768 to 32767)
int32 整数(-2147483648 to 2147483647)
int64 整数(-9223372036854775808 to 9223372036854775807)
uint8 无符号整数(0 to 255)
uint16 无符号整数(0 to 65535)
uint32 无符号整数(0 to 4294967295)
uint64 无符号整数(0 to 18446744073709551615)
float_ float64 类型的简写
float16 半精度浮点数,包括:1 个符号位,5 个指数位,10 个尾数位
float32 单精度浮点数,包括:1 个符号位,8 个指数位,23 个尾数位
float64 双精度浮点数,包括:1 个符号位,11 个指数位,52 个尾数位
complex_ complex128 类型的简写,即 128 位复数
complex64 复数,表示双 32 位浮点数(实数部分和虚数部分)
complex128 复数,表示双 64 位浮点数(实数部分和虚数部分)
numpy.dtype(object, align, copy)
object - 要转换为的数据类型对象
align - 如果为 true,填充字段使其类似 C 的结构体。
copy - 复制 dtype 对象 ,如果为 false,则是对内置数据类型对象的引用
dt = np.dtype(np.int32)
print(dt)
int32
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
#------将数据类型应用于 ndarray 对象
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print(a)
#------定义一个结构化数据类型 student
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
print(student)
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)
print(a)
每个内建类型都有一个唯一定义它的字符代码:
b 布尔型
i (有符号) 整型
u 无符号整型 integer
f 浮点型
c 复数浮点型
m timedelta(时间间隔)
M datetime(日期时间)
O (Python) 对象
S, a (byte-)字符串
U Unicode
V 原始数据 (void)
//===========================数组属性
ndarray 对象属性有:
#------reshape 函数来调整数组大小
//===========================创建数组
#------numpy.empty
numpy.empty(shape, dtype = float, order = 'C')
数组元素为随机值,因为它们未初始化。
#------numpy.zeros
创建指定大小的数组,数组元素以 0 来填充:
umpy.zeros(shape, dtype = float, order = 'C')
#------numpy.ones
numpy.ones(shape, dtype = None, order = 'C')
//===========================从已有的数组创建数组
#------numpy.asarray
numpy.asarray(a, dtype = None, order = None)
x = [1,2,3]
a = np.asarray(x)
print (a)
#------numpy.frombuffer
接受 buffer 输入参数,以流的形式读入转化成 ndarray 对象。
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
s = b'Hello World'
a = np.frombuffer(s, dtype = 'S1')
print (a)
s = 'Hello World'
a = np.frombuffer(s, dtype = 'S1')
print (a)
#------numpy.fromiter
numpy.fromiter(iterable, dtype, count=-1)
list=range(5)
it=iter(list)
# 使用迭代器创建 ndarray
x=np.fromiter(it, dtype=float)
print(x)
//===========================从数值范围创建数组
#------numpy.arange
numpy.arange(start, stop, step, dtype)
x = np.arange(5, dtype = float)
print (x)
x = np.arange(10,20,2)
#------numpy.linspace
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
a = np.linspace(1,10,10)
print(a)
#------numpy.logspace
创建一个等比数列
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
将对数的底数设置为2:(多小就是等比的值)
a = a = np.logspace(0,9,10,base=2)
print (a)
//===========================切片和索引(设置 start, stop 及 step 参数)
#------slice
s = slice(2,7,2) # 从索引 2 开始到索引 7 停止,间隔为2
print (a[s])
#------通过冒号分隔切片参数 start:stop:step
a[第二维(开始:结束:步长),第一维(开始:结束:步长)]
a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止,间隔为 2
print(b)
a[5] #返回元素
print(a[2:]) #返回该索引开始以后的所有元素
print(a[2:5]) #定好开始和结束,不包括结束
#------省略号 …(在那个位置就表示与那个维度数相同)
选择元组的长度与数组的维度相同
print (a[...,1]) # 第2列元素
print (a[1,...]) # 第2行元素
print (a[...,1:]) # 第2列及剩下的所有元素
//===========================高级索引
#------整数数组索引
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]] #[0,1,0]代表第一维和索引,[0,1,2]代表第二维和索引
print (y)
#------借助切片 : 或 … 与索引数组组合
a[第二维(开始:结束:步长),第一维(开始:结束:步长)]
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[...,1:]
print(b)
print(c)
print(d)
#------布尔索引
print (x[x > 5]) #直接返回元素数组
#------ ~(取补运算符)
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)])
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])
#------ 花式索引
花式索引跟切片不一样,它总是将数据复制到新数组中。
花式索引指的是利用整数数组进行索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引,如果目标是一维数组,那么索引的结果就是对应位置的元素;如果目标是二维数组,那么就是对应下标的行。
x=np.arange(32).reshape((8,4))
print (x[[4,2,1,7]])
#------ 倒序索引数组
x=np.arange(32).reshape((8,4))
print (x[[-4,-2,-1,-7]])
#------ 传入多个索引数组(要使用np.ix_)
x=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
实际意思就是,直接往np.ix_()里扔进两个一维数组[1,5,7,2],[0,3,1,2],就能先按我们要求选取行,再按顺序将列排序,跟上面得到的结果一样,而不用写“[ : , [0,3,1,2] ]”
print (x[[1,5,7,2]][:,[0,3,1,2]])#输出结果一样
//===========================迭代数组
for x in np.nditer(a): #迭代的是每个元素
#------ 控制遍历顺序
for x in np.nditer(a, order='F'):Fortran order,即是列序优先;
for x in np.nditer(a.T, order='C'):C order,即是行序优先;
#------ 修改数组中元素的值
默认情况下,nditer 将视待迭代遍历的数组为只读对象(read-only)
for x in np.nditer(a, op_flags=['readwrite']):
#------使用外部循环,
c_index 可以跟踪 C 顺序的索引
f_index 可以跟踪 Fortran 顺序的索引
multi-index 每次迭代可以跟踪一种索引类型
external_loop 给出的值是具有多个值的一维数组,而不是零维数组
for x in np.nditer(a, flags = ['external_loop'], order = 'F'):
#------广播迭代
a = np.arange(0,60,5)
a = a.reshape(3,4)
print ('第一个数组为:')
print (a)
print ('\n')
print ('第二个数组为:')
b = np.array([1, 2, 3, 4], dtype = int)
print (b)
print ('\n')
print ('修改后的数组为:')
for x,y in np.nditer([a,b]):
print ("%d:%d" % (x,y), end=", " )
//===========================数组操作
#------修改数组形状
reshape 不改变数据的条件下修改形状
flat 数组元素迭代器
flatten 返回一份数组拷贝,对拷贝所做的修改不会影响原始数组
ravel 返回展开数组
b = a.reshape(4,2)
order:'C' -- 按行,'F' -- 按列,'A' -- 原顺序,'k' -- 元素在内存中的出现顺序。
#------数组元素迭代器
for element in a.flat:
#------展开的数组
a.flatten()
order:'C' -- 按行,'F' -- 按列,'A' -- 原顺序,'K' -- 元素在内存中的出现顺序。
a = np.arange(8).reshape(2,4)
print ('原数组:')
print (a)
print ('\n')
# 默认按行
print ('展开的数组:')
print (a.flatten())
print ('\n')
print ('以 F 风格顺序展开的数组:')
print (a.flatten(order = 'F'))
#------展平的数组元素
顺序通常是"C风格",返回的是数组视图(view),修改会影响原始数组。
order:'C' -- 按行,'F' -- 按列,'A' -- 原顺序,'K' -- 元素在内存中的出现顺序。
a.ravel()
#------翻转数组
transpose 对换数组的维度
ndarray.T 和 self.transpose() 相同
rollaxis 向后滚动指定的轴
swapaxes 对换数组的两个轴
对换数组的维度
np.transpose(a)
a.T =====> np.transpose(a)
向后滚动特定的轴到一个特定位置
numpy.rollaxis(arr, axis, start)
以索引为轴的:https://blog.csdn.net/kieven2008/article/details/80035668
arr:数组
axis:要向后滚动的轴,其它轴的相对位置不会改变
start:默认为零,表示完整的滚动。会滚动到特定位置。
print (np.rollaxis(a,2))
print (np.rollaxis(a,2,1))
交换数组的两个轴
numpy.swapaxes(arr, axis1, axis2)
arr:输入的数组
axis1:对应第一个轴的整数
axis2:对应第二个轴的整数
#------修改数组维度
broadcast 产生模仿广播的对象
broadcast_to 将数组广播到新形状
expand_dims 扩展数组的形状
squeeze 从数组的形状中删除一维条目
????????????????????????????
#------连接数组
concatenate 连接沿现有轴的数组序列
stack 沿着新的轴加入一系列数组。
hstack 水平堆叠序列中的数组(列方向)
vstack 竖直堆叠序列中的数组(行方向)
numpy.concatenate((a1, a2, ...), axis)
a1, a2, ...:相同类型的数组
axis:沿着它连接数组的轴,默认为 0
np.concatenate((a,b)) #沿行索引加入
np.concatenate((a,b),axis = 1) ##沿列索引加入
stack 沿新轴连接数组序列
numpy.stack(arrays, axis)
arrays相同形状的数组序列
axis:返回数组中的轴,输入数组沿着它来堆叠
hstack 通过水平方向堆叠来生成数组
np.hstack((a,b))
vstack 通过垂直方向堆叠来生成数组
np.vstack((a,b))
#------分割数组
split 将一个数组分割为多个子数组
hsplit 将一个数组水平分割为多个子数组(按列)
vsplit 将一个数组垂直分割为多个子数组(按行)
numpy.split(ary, indices_or_sections, axis)
ary:被分割的数组
indices_or_sections:果是一个整数,就用该数平均切分,如果是一个数组,为沿轴切分的位置(左开右闭)
axis:沿着哪个维度进行切向,默认为0,横向切分。为1时,纵向切分
用于水平方向分割数组
np.hsplit(harr, 3)
沿着垂直方向分割
np.vsplit(a,2)
#------数组元素的添加与删除
resize 返回指定形状的新数组
append 将值添加到数组末尾
insert 沿指定轴将值插入到指定下标之前
delete 删掉某个轴的子数组,并返回删除后的新数组
unique 查找数组内的唯一元素
np.resize(a, (3,2))
b = np.resize(a,(3,3)) #不够大的,重复一次获取(从0开始)
在数组的末尾添加值
print (np.append(a, [7,8,9])) #向数组添加元素
print (np.append(a, [[7,8,9]],axis = 0)) #沿轴 0 添加元素
print (np.append(a, [[5,5,5],[7,8,9]],axis = 1)) #沿轴 1 添加元素
在给定索引之前,沿给定轴在输入数组中插入值。
numpy.insert(arr, obj, values, axis)
arr:输入数组
obj:在其之前插入值的索引
values:要插入的值
axis:沿着它插入的轴,如果未提供,则输入数组会被展开
a = np.array([[1,2],[3,4],[5,6]])
print ('第一个数组:')
print (a)
print ('\n')
print ('未传递 Axis 参数。 在插入之前输入数组会被展开。')
print (np.insert(a,3,[11,12]))
print ('\n')
print ('传递了 Axis 参数。 会广播值数组来配输入数组。')
print ('沿轴 0 广播:')
print (np.insert(a,1,[11],axis = 0))
print ('\n')
print ('沿轴 1 广播:')
print (np.insert(a,1,11,axis = 1))
返回从输入数组中删除指定子数组的新数组
Numpy.delete(arr, obj, axis)
arr:输入数组
obj:可以被切片,整数或者整数数组,表明要从输入数组删除的子数组
axis:沿着它删除给定子数组的轴,如果未提供,则输入数组会被展开
a = np.arange(12).reshape(3,4)
print ('第一个数组:')
print (a)
print ('\n')
print ('未传递 Axis 参数。 在插入之前输入数组会被展开。')
print (np.delete(a,5))
print ('\n')
print ('删除第二列:')
print (np.delete(a,1,axis = 1))
print ('\n')
print ('包含从数组中删除的替代值的切片:')
a = np.array([1,2,3,4,5,6,7,8,9,10])
print (np.delete(a, np.s_[::2]))
去除数组中的重复元素
numpy.unique(arr, return_index, return_inverse, return_counts)
arr:输入数组,如果不是一维数组则会展开
return_index:如果为true,返回新列表元素在旧列表中的位置(下标),并以列表形式储
return_inverse:如果为true,返回旧列表元素在新列表中的位置(下标),并以列表形式储
return_counts:如果为true,返回去重数组中的元素在原数组中的出现次数
np.unique(a)
去重数组的索引数组
u,indices = np.unique(a, return_index = True)
去重数组的下标
u,indices = np.unique(a,return_inverse = True)
使用下标重构原数组
u[indices]
返回去重元素的重复数量
u,indices = np.unique(a,return_counts = True)
//===========================字符串函数
add() 对两个数组的逐个字符串元素进行连接
multiply() 返回按元素多重连接后的字符串
center() 居中字符串
capitalize() 将字符串第一个字母转换为大写
title() 将字符串的每个单词的第一个字母转换为大写
lower() 数组元素转换为小写
upper() 数组元素转换为大写
split() 指定分隔符对字符串进行分割,并返回数组列表
splitlines() 返回元素中的行列表,以换行符分割
strip() 移除元素开头或者结尾处的特定字符
join() 通过指定分隔符来连接数组中的元素
replace() 使用新字符串替换字符串中的所有子字符串
decode() 数组元素依次调用str.decode
encode() 数组元素依次调用str.encode
#------字符串连接
print (np.char.add(['hello'],[' xyz']))
print (np.char.add(['hello', 'hi'],[' abc', ' xyz']))
#------执行多重连接
print (np.char.multiply('Runoob ',3))
#------将字符串居中,并使用指定字符在左侧和右侧进行填充。
# str: 字符串,width: 长度,fillchar: 填充字符
print (np.char.center('Runoob', 20,fillchar = '*'))
#------第一个字母转换为大写
print (np.char.capitalize('runoob'))
#------将字符串的每个单词的第一个字母转换为大写
print (np.char.title('i like runoob'))
#------对数组的每个元素转换为小写
print (np.char.lower(['RUNOOB','GOOGLE']))
print (np.char.lower('RUNOOB'))
#------对数组的每个元素转换为大写
print (np.char.upper(['runoob','google']))
#------
指定分隔符对字符串进行分割,并返回数组。默认情况下,分隔符为空格。
print (np.char.split ('i like runoob?'))
print (np.char.split ('www.runoob.com', sep = '.'))
#------以换行符作为分隔符来分割字符串,并返回数组。
\n,\r,\r\n 都可用作换行符。
print (np.char.splitlines('i\nlike runoob?'))
print (np.char.splitlines('i\rlike runoob?'))
#------用于移除开头或结尾处的特定字符
# 移除字符串头尾的 a 字符
print (np.char.strip('ashok arunooba','a'))
# 移除数组元素头尾的 a 字符
print (np.char.strip(['arunooba','admin','java'],'a'))
#------通过指定分隔符来连接数组中的元素或字符串
# 操作字符串
print (np.char.join(':','runoob'))
# 指定多个分隔符操作数组元素
print (np.char.join([':','-'],['runoob','google']))
#------使用新字符串替换字符串中的所有子字符串。
print (np.char.replace ('i like runoob', 'oo', 'cc'))
#------默认编码是 utf-8,可以使用标准 Python 库中的编解码器。
a = np.char.encode('runoob', 'cp500')
a = np.char.encode('runoob', 'cp500')
print (a)
print (np.char.decode(a,'cp500'))
//===========================数学函数
包括三角函数,算术运算的函数,复数处理函数等。
a = np.array([0,30,45,60,90])
print (np.sin(a*np.pi/180))
print ('数组中角度的余弦值:')
print (np.cos(a*np.pi/180))
print ('数组中角度的正切值:')
print (np.tan(a*np.pi/180))
arcsin,arccos,和 arctan 函数返回给定角度的 sin,cos 和 tan 的反三角函数。
inv = np.arcsin(sin)
numpy.degrees() 函数将弧度转换为角度。
print (np.degrees(inv))
#------舍入函数
返回指定数字的四舍五入值。
numpy.around(a,decimals)
a: 数组
decimals: 舍入的小数位数。 默认值为0。 如果为负,整数将四舍五入到小数点左侧的位置
a = np.array([1.0,5.55, 123, 0.567, 25.532])
print (np.around(a))
print (np.around(a, decimals = 1))
print (np.around(a, decimals = -1))
#------数字的下舍整数。
a = np.array([-1.7, 1.5, -0.2, 0.6, 10])
print (np.floor(a))
#------返回数字的上入整数。
a = np.array([-1.7, 1.5, -0.2, 0.6, 10])
print (np.ceil(a))
//===========================算术函数
#------加减乘除: add(),subtract(),multiply() 和 divide()。
print ('两个数组相加:')
print (np.add(a,b))
print ('两个数组相减:')
print (np.subtract(a,b))
print ('两个数组相乘:')
print (np.multiply(a,b))
print ('两个数组相除:')
print (np.divide(a,b))
#------返回参数逐元素的倒数
a = np.array([0.25, 1.33, 1, 100])
print (np.reciprocal(a))
#------将第一个输入数组中的元素作为底数,计算它与第二个输入数组中相应元素的幂。
a = np.array([10,100,1000])
print ('调用 power 函数:')
print (np.power(a,2))
print ('第二个数组:')
b = np.array([1,2,3])
print (b)
print ('再次调用 power 函数:')
print (np.power(a,b))
#------计算输入数组中相应元素的相除后的余数。 函数 numpy.remainder() 也产生相同的结果。
a = np.array([10,20,30])
b = np.array([3,5,7])
print (np.mod(a,b))
print (np.remainder(a,b))
//===========================统计函数
#------从给定数组中的元素沿指定轴返回最小值和最大值
numpy.amin() 和 numpy.amax()
print np.amin(a,1) #axis=1,1轴的最小值
print np.amin(a,0) #axis=0,0轴的最小值
print np.amax(a) #所有元素的最大值
print np.amax(a, axis = 0) #axis=0,0轴的最大值
#------返回沿轴的值的范围(最大值 - 最小值)
print np.ptp(a) #所有元素的范围(最大值 - 最小值)
print np.ptp(a, axis = 1) #axis=1,1轴的范围
print np.ptp(a, axis = 0) #axis=0,0轴的范围
#------求取a数列第几分位的数值
numpy.percentile(a, q, axis)
a 输入数组
q 要计算的百分位数,在 0 ~ 100 之间
axis 沿着它计算百分位数的轴
print np.percentile(a,50) #
print np.percentile(a,50, axis = 1)
print np.percentile(a,50, axis = 0)
#------将数据样本的上半部分与下半部分分开的值
numpy.median()
print np.median(a)
print np.median(a, axis = 0)
print np.median(a, axis = 1)
#------数组中元素的算术平均值
print np.mean(a)
print np.mean(a, axis = 0)
print np.mean(a, axis = 1)
#------加权平均值是由每个分量乘以反映其重要性的因子得到的平均值
加权平均值 = (1*4+2*3+3*2+4*1)/(4+3+2+1) #(4+3+2+1)加权和
print np.average(a) #不指定权重时相当于 mean 函数
wts = np.array([4,3,2,1])
print np.average(a,weights = wts)
print np.average([1,2,3, 4],weights = [4,3,2,1], returned = True) #同时返回权重的和
print np.average(a, axis = 1, weights = wt)
print np.average(a, axis = 1, weights = wt, returned = True)
#------标准差
标准差是与均值的偏差的平方的平均值的平方根。(方差后的开方),标准差是方差的平方根。
print np.std([1,2,3,4])
#------方差
方差是偏差的平方的平均值
print np.var([1,2,3,4])
//===========================排序、搜索和计数函数
#------返回输入数组的排序副本,按值大小排序
numpy.sort(a, axis, kind, order)
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,,0表示按行,1表示按列,None表示展开来排序,默认值为-1,表示沿最后的轴排序
kind 默认为'quicksort'(快速排序)
order 如果数组包含字段,则是要排序的字段
print np.sort(a)
print np.sort(a, axis = 0)
dt = np.dtype([('name', 'S10'),('age', int)])
a = np.array([("raju",21),("anil",25),("ravi", 17), ("amar",27)], dtype = dt)
print '我们的数组是:'
print a
print '按 name 排序:'
print np.sort(a, order = 'name')
y = np.argsort(x) #返回的是数组值从小到大的索引值
numpy.argmax() 和 numpy.argmin()函数分别沿给定轴返回最大和最小元素的索引。
numpy.nonzero() #函数返回输入数组中非零元素的索引。
numpy.where() 函数返回输入数组中满足给定条件的元素的索引。
numpy.extract() 函数根据某个条件从数组中抽取元素,返回满条件的元素。
????????????????????
//===========================副本和视图
副本是一个数据的完整的拷贝
#------视图或浅拷贝
创建一个新的数组对象,该方法创建的新数组的维数更改不会更改原始数据的维数。
b = a.view()
#------副本或深拷贝
ndarray.copy() 函数创建一个副本,对副本数据进行修改,不会影响到原始数据,它们物理内存不在同一位置。
b = a.copy()
//===========================矩阵库(Matrix)
NumPy 中包含了一个矩阵库 numpy.matlib,该模块中的函数返回的是一个矩阵,而不是 ndarray 对象。
numpy.matlib.empty(shape, dtype, order)
shape: 定义新矩阵形状的整数或整数元组
Dtype: 可选,数据类型
order: C(行序优先) 或者 F(列序优先)
print (np.matlib.empty((2,2)))
# 填充为随机数据
print (np.matlib.zeros((2,2)))
numpy.matlib.ones()函数创建一个以 1 填充的矩阵。
numpy.matlib.eye() 函数返回一个矩阵,对角线元素为 1,其他位置为零。
numpy.matlib.eye(n, M,k, dtype)
n: 返回矩阵的行数
M: 返回矩阵的列数,默认为 n
k: 对角线的索引
dtype: 数据类型
print (np.matlib.eye(n = 3, M = 4, k = 0, dtype = float))
numpy.matlib.identity() 函数返回给定大小的单位矩阵。
print (np.matlib.identity(5, dtype = float))
numpy.matlib.rand() 函数创建一个给定大小的矩阵,数据是随机填充的。
print (np.matlib.rand(3,3))
矩阵总是二维的,而 ndarray 是一个 n 维数组。
i = np.matrix('1,2;3,4')
print (i)
j = np.asarray(i)
print (j)
k = np.asmatrix (j)
print (k)
//===========================线性代数
NumPy 提供了线性代数函数库 linalg
dot 两个数组的点积,即元素对应相乘。
vdot 两个向量的点积
inner 两个数组的内积
matmul 两个数组的矩阵积
determinant 数组的行列式
solve 求解线性矩阵方程
inv 计算矩阵的乘法逆矩阵
?????????????????????????????
//===========================NumPy IO
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,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。
主要针对数字进行运算
NumPy 最重要的一个特点是其 N 维数组对象 ndarray
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明:
object 数组或嵌套的数列
dtype 数组元素的数据类型,可选
copy 对象是否需要复制,可选
order 创建数组的样式,C为行方向,F为列方向,A为任意方向(默认)
subok 默认返回一个与基类类型一致的数组
ndimin 指定生成数组的最小维度
a = np.array([1,2,3])
print (a)
[1, 2, 3]
a = np.array([[1, 2], [3, 4]])
print (a)
[[1, 2]
[3, 4]]
轴的概念:
[0轴,1轴,2轴,........]
//===========================数据类型
bool_ 布尔型数据类型(True 或者 False)
int_ 默认的整数类型(类似于 C 语言中的 long,int32 或 int64)
intc 与 C 的 int 类型一样,一般是 int32 或 int 64
intp 用于索引的整数类型(类似于 C 的 ssize_t,一般情况下仍然是 int32 或 int64)
int8 字节(-128 to 127)
int16 整数(-32768 to 32767)
int32 整数(-2147483648 to 2147483647)
int64 整数(-9223372036854775808 to 9223372036854775807)
uint8 无符号整数(0 to 255)
uint16 无符号整数(0 to 65535)
uint32 无符号整数(0 to 4294967295)
uint64 无符号整数(0 to 18446744073709551615)
float_ float64 类型的简写
float16 半精度浮点数,包括:1 个符号位,5 个指数位,10 个尾数位
float32 单精度浮点数,包括:1 个符号位,8 个指数位,23 个尾数位
float64 双精度浮点数,包括:1 个符号位,11 个指数位,52 个尾数位
complex_ complex128 类型的简写,即 128 位复数
complex64 复数,表示双 32 位浮点数(实数部分和虚数部分)
complex128 复数,表示双 64 位浮点数(实数部分和虚数部分)
numpy.dtype(object, align, copy)
object - 要转换为的数据类型对象
align - 如果为 true,填充字段使其类似 C 的结构体。
copy - 复制 dtype 对象 ,如果为 false,则是对内置数据类型对象的引用
dt = np.dtype(np.int32)
print(dt)
int32
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
#------将数据类型应用于 ndarray 对象
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print(a)
[(10,) (20,) (30,)]
#------定义一个结构化数据类型 student
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
print(student)
[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')]
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)
print(a)
[('abc', 21, 50.0), ('xyz', 18, 75.0)]
每个内建类型都有一个唯一定义它的字符代码:
b 布尔型
i (有符号) 整型
u 无符号整型 integer
f 浮点型
c 复数浮点型
m timedelta(时间间隔)
M datetime(日期时间)
O (Python) 对象
S, a (byte-)字符串
U Unicode
V 原始数据 (void)
//===========================数组属性
ndarray 对象属性有:
ndarray.ndim 秩,即轴的数量或维度的数量 ndarray.shape 数组的维度,对于矩阵,n 行 m 列 ndarray.size 数组元素的总个数,相当于 .shape 中 n*m 的值 ndarray.dtype ndarray 对象的元素类型 ndarray.itemsize ndarray 对象中每个元素的大小,以字节为单位 ndarray.flags ndarray 对象的内存信息 ndarray.real ndarray元素的实部 ndarray.image ndarray 元素的虚部 ndarray.data 包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。
#------reshape 函数来调整数组大小
//===========================创建数组
#------numpy.empty
numpy.empty(shape, dtype = float, order = 'C')
shape 数组形状 dtype 数据类型,可选 order 有"C"和"F"两个选项,分别代表,行优先和列优先,在计算机内存中的存储元素的顺序。
数组元素为随机值,因为它们未初始化。
#------numpy.zeros
创建指定大小的数组,数组元素以 0 来填充:
umpy.zeros(shape, dtype = float, order = 'C')
#------numpy.ones
numpy.ones(shape, dtype = None, order = 'C')
//===========================从已有的数组创建数组
#------numpy.asarray
numpy.asarray(a, dtype = None, order = None)
a 任意形式的输入参数,可以是,列表, 列表的元组, 元组, 元组的元组, 元组的列表,多维数组 dtype 数据类型,可选 order 可选,有"C"和"F"两个选项,分别代表,行优先和列优先,在计算机内存中的存储元素的顺序。
x = [1,2,3]
a = np.asarray(x)
print (a)
[1 2 3]
#------numpy.frombuffer
接受 buffer 输入参数,以流的形式读入转化成 ndarray 对象。
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
buffer 可以是任意对象,会以流的形式读入。 dtype 返回数组的数据类型,可选 count 读取的数据数量,默认为-1,读取所有数据。 offset 读取的起始位置,默认为0。
s = b'Hello World'
a = np.frombuffer(s, dtype = 'S1')
print (a)
[b'H' b'e' b'l' b'l' b'o' b' ' b'W' b'o' b'r' b'l' b'd']
s = 'Hello World'
a = np.frombuffer(s, dtype = 'S1')
print (a)
['H' 'e' 'l' 'l' 'o' ' ' 'W' 'o' 'r' 'l' 'd']
#------numpy.fromiter
numpy.fromiter(iterable, dtype, count=-1)
iterable 可迭代对象 dtype 返回数组的数据类型 count 读取的数据数量,默认为-1,读取所有数据
list=range(5)
it=iter(list)
# 使用迭代器创建 ndarray
x=np.fromiter(it, dtype=float)
print(x)
[0. 1. 2. 3. 4.]
//===========================从数值范围创建数组
#------numpy.arange
numpy.arange(start, stop, step, dtype)
start 起始值,默认为0 stop 终止值(不包含) step 步长,默认为1 dtype 返回ndarray的数据类型,如果没有提供,则会使用输入数据的类型。
x = np.arange(5, dtype = float)
print (x)
[0. 1. 2. 3. 4.]
x = np.arange(10,20,2)
[10 12 14 16 18]
#------numpy.linspace
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
start 序列的起始值 stop 序列的终止值,如果endpoint为true,该值包含于数列中 num 要生成的等步长的样本数量,默认为50 endpoint 该值为 ture 时,数列中中包含stop值,反之不包含,默认是True。 retstep 如果为 True 时,生成的数组中会显示间距,反之不显示。 dtype ndarray 的数据类型
a = np.linspace(1,10,10)
print(a)
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
#------numpy.logspace
创建一个等比数列
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
start 序列的起始值为:base ** start stop 序列的终止值为:base ** stop。如果endpoint为true,该值包含于数列中 num 要生成的等步长的样本数量,默认为50 endpoint 该值为 ture 时,数列中中包含stop值,反之不包含,默认是True。 base 对数 log 的底数。 dtype ndarray 的数据类型
将对数的底数设置为2:(多小就是等比的值)
a = a = np.logspace(0,9,10,base=2)
print (a)
[ 1. 2. 4. 8. 16. 32. 64. 128. 256. 512.]
//===========================切片和索引(设置 start, stop 及 step 参数)
#------slice
s = slice(2,7,2) # 从索引 2 开始到索引 7 停止,间隔为2
print (a[s])
#------通过冒号分隔切片参数 start:stop:step
a[第二维(开始:结束:步长),第一维(开始:结束:步长)]
a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止,间隔为 2
print(b)
[2 4 6]
a[5] #返回元素
print(a[2:]) #返回该索引开始以后的所有元素
print(a[2:5]) #定好开始和结束,不包括结束
#------省略号 …(在那个位置就表示与那个维度数相同)
选择元组的长度与数组的维度相同
print (a[...,1]) # 第2列元素
print (a[1,...]) # 第2行元素
print (a[...,1:]) # 第2列及剩下的所有元素
[2 4 5] [3 4 5] [[2 3] [4 5] [5 6]]
//===========================高级索引
#------整数数组索引
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]] #[0,1,0]代表第一维和索引,[0,1,2]代表第二维和索引
print (y)
[1 4 5]
#------借助切片 : 或 … 与索引数组组合
a[第二维(开始:结束:步长),第一维(开始:结束:步长)]
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[...,1:]
print(b)
print(c)
print(d)
[[5 6] [8 9]] [[5 6] [8 9]] [[2 3] [5 6] [8 9]]
#------布尔索引
print (x[x > 5]) #直接返回元素数组
大于 5 的元素是: [ 6 7 8 9 10 11]
#------ ~(取补运算符)
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)])
[ 1. 2. 3. 4. 5.]
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])
[2.0+6.j 3.5+5.j]
#------ 花式索引
花式索引跟切片不一样,它总是将数据复制到新数组中。
花式索引指的是利用整数数组进行索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引,如果目标是一维数组,那么索引的结果就是对应位置的元素;如果目标是二维数组,那么就是对应下标的行。
x=np.arange(32).reshape((8,4))
print (x[[4,2,1,7]])
[[16 17 18 19] [ 8 9 10 11] [ 4 5 6 7] [28 29 30 31]]
#------ 倒序索引数组
x=np.arange(32).reshape((8,4))
print (x[[-4,-2,-1,-7]])
[[16 17 18 19] [24 25 26 27] [28 29 30 31] [ 4 5 6 7]]
#------ 传入多个索引数组(要使用np.ix_)
x=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
实际意思就是,直接往np.ix_()里扔进两个一维数组[1,5,7,2],[0,3,1,2],就能先按我们要求选取行,再按顺序将列排序,跟上面得到的结果一样,而不用写“[ : , [0,3,1,2] ]”
[[ 4 7 5 6] [20 23 21 22] [28 31 29 30] [ 8 11 9 10]]
print (x[[1,5,7,2]][:,[0,3,1,2]])#输出结果一样
//===========================迭代数组
for x in np.nditer(a): #迭代的是每个元素
#------ 控制遍历顺序
for x in np.nditer(a, order='F'):Fortran order,即是列序优先;
for x in np.nditer(a.T, order='C'):C order,即是行序优先;
#------ 修改数组中元素的值
默认情况下,nditer 将视待迭代遍历的数组为只读对象(read-only)
for x in np.nditer(a, op_flags=['readwrite']):
#------使用外部循环,
c_index 可以跟踪 C 顺序的索引
f_index 可以跟踪 Fortran 顺序的索引
multi-index 每次迭代可以跟踪一种索引类型
external_loop 给出的值是具有多个值的一维数组,而不是零维数组
for x in np.nditer(a, flags = ['external_loop'], order = 'F'):
#------广播迭代
a = np.arange(0,60,5)
a = a.reshape(3,4)
print ('第一个数组为:')
print (a)
print ('\n')
print ('第二个数组为:')
b = np.array([1, 2, 3, 4], dtype = int)
print (b)
print ('\n')
print ('修改后的数组为:')
for x,y in np.nditer([a,b]):
print ("%d:%d" % (x,y), end=", " )
第一个数组为: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] 第二个数组为: [1 2 3 4] 修改后的数组为: 0:1, 5:2, 10:3, 15:4, 20:1, 25:2, 30:3, 35:4, 40:1, 45:2, 50:3, 55:4,
//===========================数组操作
#------修改数组形状
reshape 不改变数据的条件下修改形状
flat 数组元素迭代器
flatten 返回一份数组拷贝,对拷贝所做的修改不会影响原始数组
ravel 返回展开数组
b = a.reshape(4,2)
order:'C' -- 按行,'F' -- 按列,'A' -- 原顺序,'k' -- 元素在内存中的出现顺序。
#------数组元素迭代器
for element in a.flat:
#------展开的数组
a.flatten()
order:'C' -- 按行,'F' -- 按列,'A' -- 原顺序,'K' -- 元素在内存中的出现顺序。
a = np.arange(8).reshape(2,4)
print ('原数组:')
print (a)
print ('\n')
# 默认按行
print ('展开的数组:')
print (a.flatten())
print ('\n')
print ('以 F 风格顺序展开的数组:')
print (a.flatten(order = 'F'))
原数组: [[0 1 2 3] [4 5 6 7]] 展开的数组: [0 1 2 3 4 5 6 7] 以 F 风格顺序展开的数组: [0 4 1 5 2 6 3 7]
#------展平的数组元素
顺序通常是"C风格",返回的是数组视图(view),修改会影响原始数组。
order:'C' -- 按行,'F' -- 按列,'A' -- 原顺序,'K' -- 元素在内存中的出现顺序。
a.ravel()
[0 1 2 3 4 5 6 7]
#------翻转数组
transpose 对换数组的维度
ndarray.T 和 self.transpose() 相同
rollaxis 向后滚动指定的轴
swapaxes 对换数组的两个轴
对换数组的维度
np.transpose(a)
a.T =====> np.transpose(a)
向后滚动特定的轴到一个特定位置
numpy.rollaxis(arr, axis, start)
以索引为轴的:https://blog.csdn.net/kieven2008/article/details/80035668
arr:数组
axis:要向后滚动的轴,其它轴的相对位置不会改变
start:默认为零,表示完整的滚动。会滚动到特定位置。
print (np.rollaxis(a,2))
print (np.rollaxis(a,2,1))
交换数组的两个轴
numpy.swapaxes(arr, axis1, axis2)
arr:输入的数组
axis1:对应第一个轴的整数
axis2:对应第二个轴的整数
#------修改数组维度
broadcast 产生模仿广播的对象
broadcast_to 将数组广播到新形状
expand_dims 扩展数组的形状
squeeze 从数组的形状中删除一维条目
????????????????????????????
#------连接数组
concatenate 连接沿现有轴的数组序列
stack 沿着新的轴加入一系列数组。
hstack 水平堆叠序列中的数组(列方向)
vstack 竖直堆叠序列中的数组(行方向)
numpy.concatenate((a1, a2, ...), axis)
a1, a2, ...:相同类型的数组
axis:沿着它连接数组的轴,默认为 0
np.concatenate((a,b)) #沿行索引加入
np.concatenate((a,b),axis = 1) ##沿列索引加入
stack 沿新轴连接数组序列
numpy.stack(arrays, axis)
arrays相同形状的数组序列
axis:返回数组中的轴,输入数组沿着它来堆叠
hstack 通过水平方向堆叠来生成数组
np.hstack((a,b))
第一个数组: [[1 2] [3 4]] 第二个数组: [[5 6] [7 8]] 水平堆叠: [[1 2 5 6] [3 4 7 8]]
vstack 通过垂直方向堆叠来生成数组
np.vstack((a,b))
第一个数组: [[1 2] [3 4]] 第二个数组: [[5 6] [7 8]] 竖直堆叠: [[1 2] [3 4] [5 6] [7 8]]
#------分割数组
split 将一个数组分割为多个子数组
hsplit 将一个数组水平分割为多个子数组(按列)
vsplit 将一个数组垂直分割为多个子数组(按行)
numpy.split(ary, indices_or_sections, axis)
ary:被分割的数组
indices_or_sections:果是一个整数,就用该数平均切分,如果是一个数组,为沿轴切分的位置(左开右闭)
axis:沿着哪个维度进行切向,默认为0,横向切分。为1时,纵向切分
用于水平方向分割数组
np.hsplit(harr, 3)
沿着垂直方向分割
np.vsplit(a,2)
#------数组元素的添加与删除
resize 返回指定形状的新数组
append 将值添加到数组末尾
insert 沿指定轴将值插入到指定下标之前
delete 删掉某个轴的子数组,并返回删除后的新数组
unique 查找数组内的唯一元素
np.resize(a, (3,2))
b = np.resize(a,(3,3)) #不够大的,重复一次获取(从0开始)
在数组的末尾添加值
print (np.append(a, [7,8,9])) #向数组添加元素
print (np.append(a, [[7,8,9]],axis = 0)) #沿轴 0 添加元素
print (np.append(a, [[5,5,5],[7,8,9]],axis = 1)) #沿轴 1 添加元素
在给定索引之前,沿给定轴在输入数组中插入值。
numpy.insert(arr, obj, values, axis)
arr:输入数组
obj:在其之前插入值的索引
values:要插入的值
axis:沿着它插入的轴,如果未提供,则输入数组会被展开
a = np.array([[1,2],[3,4],[5,6]])
print ('第一个数组:')
print (a)
print ('\n')
print ('未传递 Axis 参数。 在插入之前输入数组会被展开。')
print (np.insert(a,3,[11,12]))
print ('\n')
print ('传递了 Axis 参数。 会广播值数组来配输入数组。')
print ('沿轴 0 广播:')
print (np.insert(a,1,[11],axis = 0))
print ('\n')
print ('沿轴 1 广播:')
print (np.insert(a,1,11,axis = 1))
第一个数组: [[1 2] [3 4] [5 6]] 未传递 Axis 参数。 在插入之前输入数组会被展开。 [ 1 2 3 11 12 4 5 6] 传递了 Axis 参数。 会广播值数组来配输入数组。 沿轴 0 广播: [[ 1 2] [11 11] [ 3 4] [ 5 6]] 沿轴 1 广播: [[ 1 11 2] [ 3 11 4] [ 5 11 6]]
返回从输入数组中删除指定子数组的新数组
Numpy.delete(arr, obj, axis)
arr:输入数组
obj:可以被切片,整数或者整数数组,表明要从输入数组删除的子数组
axis:沿着它删除给定子数组的轴,如果未提供,则输入数组会被展开
a = np.arange(12).reshape(3,4)
print ('第一个数组:')
print (a)
print ('\n')
print ('未传递 Axis 参数。 在插入之前输入数组会被展开。')
print (np.delete(a,5))
print ('\n')
print ('删除第二列:')
print (np.delete(a,1,axis = 1))
print ('\n')
print ('包含从数组中删除的替代值的切片:')
a = np.array([1,2,3,4,5,6,7,8,9,10])
print (np.delete(a, np.s_[::2]))
第一个数组: [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 未传递 Axis 参数。 在插入之前输入数组会被展开。 [ 0 1 2 3 4 6 7 8 9 10 11] 删除第二列: [[ 0 2 3] [ 4 6 7] [ 8 10 11]] 包含从数组中删除的替代值的切片: [ 2 4 6 8 10]
去除数组中的重复元素
numpy.unique(arr, return_index, return_inverse, return_counts)
arr:输入数组,如果不是一维数组则会展开
return_index:如果为true,返回新列表元素在旧列表中的位置(下标),并以列表形式储
return_inverse:如果为true,返回旧列表元素在新列表中的位置(下标),并以列表形式储
return_counts:如果为true,返回去重数组中的元素在原数组中的出现次数
np.unique(a)
去重数组的索引数组
u,indices = np.unique(a, return_index = True)
去重数组的下标
u,indices = np.unique(a,return_inverse = True)
使用下标重构原数组
u[indices]
返回去重元素的重复数量
u,indices = np.unique(a,return_counts = True)
//===========================字符串函数
add() 对两个数组的逐个字符串元素进行连接
multiply() 返回按元素多重连接后的字符串
center() 居中字符串
capitalize() 将字符串第一个字母转换为大写
title() 将字符串的每个单词的第一个字母转换为大写
lower() 数组元素转换为小写
upper() 数组元素转换为大写
split() 指定分隔符对字符串进行分割,并返回数组列表
splitlines() 返回元素中的行列表,以换行符分割
strip() 移除元素开头或者结尾处的特定字符
join() 通过指定分隔符来连接数组中的元素
replace() 使用新字符串替换字符串中的所有子字符串
decode() 数组元素依次调用str.decode
encode() 数组元素依次调用str.encode
#------字符串连接
print (np.char.add(['hello'],[' xyz']))
['hello xyz']
print (np.char.add(['hello', 'hi'],[' abc', ' xyz']))
['hello abc' 'hi xyz']
#------执行多重连接
print (np.char.multiply('Runoob ',3))
Runoob Runoob Runoob
#------将字符串居中,并使用指定字符在左侧和右侧进行填充。
# str: 字符串,width: 长度,fillchar: 填充字符
print (np.char.center('Runoob', 20,fillchar = '*'))
*******Runoob*******
#------第一个字母转换为大写
print (np.char.capitalize('runoob'))
Runoob
#------将字符串的每个单词的第一个字母转换为大写
print (np.char.title('i like runoob'))
I Like Runoob
#------对数组的每个元素转换为小写
print (np.char.lower(['RUNOOB','GOOGLE']))
['runoob' 'google']
print (np.char.lower('RUNOOB'))
runoob
#------对数组的每个元素转换为大写
print (np.char.upper(['runoob','google']))
['RUNOOB' 'GOOGLE']
#------
指定分隔符对字符串进行分割,并返回数组。默认情况下,分隔符为空格。
print (np.char.split ('i like runoob?'))
['i', 'like', 'runoob?']
print (np.char.split ('www.runoob.com', sep = '.'))
['www', 'runoob', 'com']
#------以换行符作为分隔符来分割字符串,并返回数组。
\n,\r,\r\n 都可用作换行符。
print (np.char.splitlines('i\nlike runoob?'))
print (np.char.splitlines('i\rlike runoob?'))
['i', 'like runoob?'] ['i', 'like runoob?']
#------用于移除开头或结尾处的特定字符
# 移除字符串头尾的 a 字符
print (np.char.strip('ashok arunooba','a'))
# 移除数组元素头尾的 a 字符
print (np.char.strip(['arunooba','admin','java'],'a'))
shok arunoob ['runoob' 'dmin' 'jav']
#------通过指定分隔符来连接数组中的元素或字符串
# 操作字符串
print (np.char.join(':','runoob'))
# 指定多个分隔符操作数组元素
print (np.char.join([':','-'],['runoob','google']))
r:u:n:o:o:b ['r:u:n:o:o:b' 'g-o-o-g-l-e']
#------使用新字符串替换字符串中的所有子字符串。
print (np.char.replace ('i like runoob', 'oo', 'cc'))
i like runccb
#------默认编码是 utf-8,可以使用标准 Python 库中的编解码器。
a = np.char.encode('runoob', 'cp500')
b'\x99\xa4\x95\x96\x96\x82'
a = np.char.encode('runoob', 'cp500')
print (a)
print (np.char.decode(a,'cp500'))
b'\x99\xa4\x95\x96\x96\x82' runoob
//===========================数学函数
包括三角函数,算术运算的函数,复数处理函数等。
a = np.array([0,30,45,60,90])
print (np.sin(a*np.pi/180))
print ('数组中角度的余弦值:')
print (np.cos(a*np.pi/180))
print ('数组中角度的正切值:')
print (np.tan(a*np.pi/180))
不同角度的正弦值: [0. 0.5 0.70710678 0.8660254 1. ] 数组中角度的余弦值: [1.00000000e+00 8.66025404e-01 7.07106781e-01 5.00000000e-01 6.12323400e-17] 数组中角度的正切值: [0.00000000e+00 5.77350269e-01 1.00000000e+00 1.73205081e+00 1.63312394e+16]
arcsin,arccos,和 arctan 函数返回给定角度的 sin,cos 和 tan 的反三角函数。
inv = np.arcsin(sin)
numpy.degrees() 函数将弧度转换为角度。
print (np.degrees(inv))
#------舍入函数
返回指定数字的四舍五入值。
numpy.around(a,decimals)
a: 数组
decimals: 舍入的小数位数。 默认值为0。 如果为负,整数将四舍五入到小数点左侧的位置
a = np.array([1.0,5.55, 123, 0.567, 25.532])
print (np.around(a))
print (np.around(a, decimals = 1))
print (np.around(a, decimals = -1))
[ 1. 6. 123. 1. 26.] [ 1. 5.6 123. 0.6 25.5] [ 0. 10. 120. 0. 30.]
#------数字的下舍整数。
a = np.array([-1.7, 1.5, -0.2, 0.6, 10])
print (np.floor(a))
[-2. 1. -1. 0. 10.]
#------返回数字的上入整数。
a = np.array([-1.7, 1.5, -0.2, 0.6, 10])
print (np.ceil(a))
[-1. 2. -0. 1. 10.]
//===========================算术函数
#------加减乘除: add(),subtract(),multiply() 和 divide()。
print ('两个数组相加:')
print (np.add(a,b))
print ('两个数组相减:')
print (np.subtract(a,b))
print ('两个数组相乘:')
print (np.multiply(a,b))
print ('两个数组相除:')
print (np.divide(a,b))
#------返回参数逐元素的倒数
a = np.array([0.25, 1.33, 1, 100])
print (np.reciprocal(a))
[4. 0.7518797 1. 0.01 ]
#------将第一个输入数组中的元素作为底数,计算它与第二个输入数组中相应元素的幂。
a = np.array([10,100,1000])
print ('调用 power 函数:')
print (np.power(a,2))
print ('第二个数组:')
b = np.array([1,2,3])
print (b)
print ('再次调用 power 函数:')
print (np.power(a,b))
调用 power 函数: [ 100 10000 1000000] 第二个数组: [1 2 3] 再次调用 power 函数: [ 10 10000 1000000000]
#------计算输入数组中相应元素的相除后的余数。 函数 numpy.remainder() 也产生相同的结果。
a = np.array([10,20,30])
b = np.array([3,5,7])
print (np.mod(a,b))
print (np.remainder(a,b))
调用 mod() 函数: [1 0 2] 调用 remainder() 函数: [1 0 2]
//===========================统计函数
#------从给定数组中的元素沿指定轴返回最小值和最大值
numpy.amin() 和 numpy.amax()
print np.amin(a,1) #axis=1,1轴的最小值
print np.amin(a,0) #axis=0,0轴的最小值
print np.amax(a) #所有元素的最大值
print np.amax(a, axis = 0) #axis=0,0轴的最大值
#------返回沿轴的值的范围(最大值 - 最小值)
print np.ptp(a) #所有元素的范围(最大值 - 最小值)
print np.ptp(a, axis = 1) #axis=1,1轴的范围
print np.ptp(a, axis = 0) #axis=0,0轴的范围
#------求取a数列第几分位的数值
numpy.percentile(a, q, axis)
a 输入数组
q 要计算的百分位数,在 0 ~ 100 之间
axis 沿着它计算百分位数的轴
print np.percentile(a,50) #
print np.percentile(a,50, axis = 1)
print np.percentile(a,50, axis = 0)
#------将数据样本的上半部分与下半部分分开的值
numpy.median()
print np.median(a)
print np.median(a, axis = 0)
print np.median(a, axis = 1)
#------数组中元素的算术平均值
print np.mean(a)
print np.mean(a, axis = 0)
print np.mean(a, axis = 1)
#------加权平均值是由每个分量乘以反映其重要性的因子得到的平均值
加权平均值 = (1*4+2*3+3*2+4*1)/(4+3+2+1) #(4+3+2+1)加权和
print np.average(a) #不指定权重时相当于 mean 函数
wts = np.array([4,3,2,1])
print np.average(a,weights = wts)
print np.average([1,2,3, 4],weights = [4,3,2,1], returned = True) #同时返回权重的和
权重的和: (2.0, 10.0)
print np.average(a, axis = 1, weights = wt)
print np.average(a, axis = 1, weights = wt, returned = True)
#------标准差
标准差是与均值的偏差的平方的平均值的平方根。(方差后的开方),标准差是方差的平方根。
print np.std([1,2,3,4])
#------方差
方差是偏差的平方的平均值
print np.var([1,2,3,4])
//===========================排序、搜索和计数函数
#------返回输入数组的排序副本,按值大小排序
numpy.sort(a, axis, kind, order)
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,,0表示按行,1表示按列,None表示展开来排序,默认值为-1,表示沿最后的轴排序
kind 默认为'quicksort'(快速排序)
order 如果数组包含字段,则是要排序的字段
print np.sort(a)
print np.sort(a, axis = 0)
我们的数组是: [[3 7] [9 1]] 调用 sort() 函数: [[3 7] [1 9]] 沿轴 0 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 '我们的数组是:'
print a
print '按 name 排序:'
print np.sort(a, order = 'name')
我们的数组是: [('raju', 21) ('anil', 25) ('ravi', 17) ('amar', 27)] 按 name 排序: [('amar', 27) ('anil', 25) ('raju', 21) ('ravi', 17)]
y = np.argsort(x) #返回的是数组值从小到大的索引值
numpy.argmax() 和 numpy.argmin()函数分别沿给定轴返回最大和最小元素的索引。
numpy.nonzero() #函数返回输入数组中非零元素的索引。
(array([0, 0, 1, 1, 2, 2]), array([0, 1, 1, 2, 0, 2]))
numpy.where() 函数返回输入数组中满足给定条件的元素的索引。
(array([1, 1, 2, 2, 2]), array([1, 2, 0, 1, 2]))
numpy.extract() 函数根据某个条件从数组中抽取元素,返回满条件的元素。
????????????????????
//===========================副本和视图
副本是一个数据的完整的拷贝
#------视图或浅拷贝
创建一个新的数组对象,该方法创建的新数组的维数更改不会更改原始数据的维数。
b = a.view()
#------副本或深拷贝
ndarray.copy() 函数创建一个副本,对副本数据进行修改,不会影响到原始数据,它们物理内存不在同一位置。
b = a.copy()
//===========================矩阵库(Matrix)
NumPy 中包含了一个矩阵库 numpy.matlib,该模块中的函数返回的是一个矩阵,而不是 ndarray 对象。
numpy.matlib.empty(shape, dtype, order)
shape: 定义新矩阵形状的整数或整数元组
Dtype: 可选,数据类型
order: C(行序优先) 或者 F(列序优先)
print (np.matlib.empty((2,2)))
# 填充为随机数据
print (np.matlib.zeros((2,2)))
[[0. 0.] [0. 0.]]
numpy.matlib.ones()函数创建一个以 1 填充的矩阵。
[[1. 1.] [1. 1.]]
numpy.matlib.eye() 函数返回一个矩阵,对角线元素为 1,其他位置为零。
numpy.matlib.eye(n, M,k, dtype)
n: 返回矩阵的行数
M: 返回矩阵的列数,默认为 n
k: 对角线的索引
dtype: 数据类型
print (np.matlib.eye(n = 3, M = 4, k = 0, dtype = float))
[[1. 0. 0. 0.] [0. 1. 0. 0.] [0. 0. 1. 0.]]
numpy.matlib.identity() 函数返回给定大小的单位矩阵。
print (np.matlib.identity(5, dtype = float))
[[ 1. 0. 0. 0. 0.] [ 0. 1. 0. 0. 0.] [ 0. 0. 1. 0. 0.] [ 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 1.]]
numpy.matlib.rand() 函数创建一个给定大小的矩阵,数据是随机填充的。
print (np.matlib.rand(3,3))
[[0.23966718 0.16147628 0.14162 ] [0.28379085 0.59934741 0.62985825] [0.99527238 0.11137883 0.41105367]]
矩阵总是二维的,而 ndarray 是一个 n 维数组。
i = np.matrix('1,2;3,4')
print (i)
[[1 2] [3 4]]
j = np.asarray(i)
print (j)
[[1 2] [3 4]]
k = np.asmatrix (j)
print (k)
[[1 2] [3 4]]
//===========================线性代数
NumPy 提供了线性代数函数库 linalg
dot 两个数组的点积,即元素对应相乘。
vdot 两个向量的点积
inner 两个数组的内积
matmul 两个数组的矩阵积
determinant 数组的行列式
solve 求解线性矩阵方程
inv 计算矩阵的乘法逆矩阵
?????????????????????????????
//===========================NumPy IO
发表评论
-
python 基础
2018-11-13 22:14 342python 基础 //================= ... -
python 知识点
2018-10-23 21:42 284python 知识点 切片操作 [开始位置:结束位置:每次 ... -
Numpy 小结
2018-09-27 10:24 272Numpy 小结 Numpy Numpy(Numerica ... -
python mysql 示例
2018-09-16 15:03 305#!/usr/bin/python3 import py ... -
selenium例子
2018-09-16 15:02 438from selenium import webdriver ... -
pyspider示例
2018-09-16 14:58 735#!/usr/bin/env python # -*- en ... -
pyspider流程
2018-09-15 09:54 743pyspider流程 process组件,result组件 ... -
python 爬虫相关技术
2018-09-14 14:28 360python 爬虫相关技术 phantomjs :一个基于 ... -
python 应用
2018-07-20 16:36 372python 应用 爬虫框架Scr ...
相关推荐
一、Numpy基础知识 1. 数组对象(Array Object):Numpy的核心是多维数组对象,也称为ndarray。它是一个同构的数据集,所有元素都具有相同的类型,可以是整数、浮点数或复数。数组的形状表示为一个整数元组,例如(3...
Python-Numpy基础练习代码 Python-Numpy基础练习代码 Python-Numpy基础练习代码 Python-Numpy基础练习代码 Python-Numpy基础练习代码 Python-Numpy基础练习代码 Python-Numpy基础练习代码 Python-Numpy基础练习代码 ...
在深度学习中,Numpy是一个不可或缺的基础工具,尤其在数据预处理和构建计算模型时发挥着重要作用。Numpy是Python的一个开源库,专为进行大规模数值计算而设计,提供了高效的多维数组对象和矩阵运算功能。 首先,...
**numpy基础全方位解析** 在数据科学和机器学习领域,`numpy`是一个不可或缺的库,它为Python提供了高效、强大的数值计算能力。`numpy`的名字来源于“Numerical Python”,它是Python科学计算的核心库,广泛用于...
配合博客用,numpy基础回顾代码,方便初学者参照,水平有限,请指教
### Python 数据科学速查表 — Numpy 基础 #### 概述 NumPy 是一个用于 Python 的开源库,它极大地简化了数值计算过程,尤其是对于大型多维数组的操作。NumPy 提供了一个高性能的多维数组对象 `ndarray` 以及一...
NumPy 基础入门 100 关 NumPy 是 Python 中一种非常流行的科学计算库,它提供了多种高效的数据结构和操作方法,可以应用于科学计算、数据分析、人工智能等多个领域。下面是 NumPy 基础入门 100 关的知识点总结: 1...
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
数据分析 Numpy+Scipy+Matplotlib+Pandas ...四、Numpy基础 1.数组对象 1)用np.ndarray类的对象表示n维数组 实际数据:数组中元素 元数据:描述数组中的元素 将实际数据与元数据分开存放,一方面提高了内存空间
3. **Scipy**: 建立在Numpy基础上的科学计算库,包括优化、插值、统计、信号处理等高级功能。 4. **TensorFlow, PyTorch**: 在深度学习框架中,Numpy是构建和预处理数据的基础。 **六、Numpy的优化与性能** 1. **...
第三章 numpy基础.ipynb
Python是一种多范式编程语言,既适合面向对象编程,也...3. Numpy基础 - 安装Numpy及其应用场景 - Numpy的ndarray数据结构(创建、访问、运算等) - 数据索引与切片 - 通用函数(对数组执行快速运算) - 广播(Broadcast)
标题《Numpy基础总结(博客资源备份)》和描述《博客资源备份,ta好的资料 值得收藏》都指向了文件的核心内容,即为Numpy(Numerical Python)的基础教程和关键知识点的整理。Numpy是一个广泛应用于科学计算的Python...
《numpy基础:Python人工智能的核心工具》 在Python的人工智能领域,numpy库是不可或缺的基础工具。它提供了高效的多维数组对象以及对数组进行各种数学运算的功能,为机器学习、数据分析等任务提供了强大的支持。CS...
实验1 Numpy基础 (2).ipynb