前言
在沒給大家介紹 numpy 之前先給大家說下 Python 的基本概念。
Python 是一種高級的,動態(tài)的,多泛型的編程語言。Python 代碼很多時候看起來就像是偽代碼一樣,因此你可以使用很少的幾行可讀性很高的代碼來實現(xiàn)一個非常強大的想法。
numpy 很簡單,numpy 是 Python 的一個科學計算的庫,提供了矩陣運算的功能,其一般與 Scipy、matplotlib 一起使用。其實,list 已經提供了類似于矩陣的表示形式,不過 numpy 為我們提供了更多的函數。
小編在這給大家總結了一些 numpy 的常用操作。
首先,要引入 numpy 包:
一、在numpy中N維數組對象叫做ndarrey,關于它的一些操作:
1.ndarry對象的屬性:
屬性 |
說明 |
.ndim |
秩,即軸的數量或維度的數量 |
.shape |
ndarray對象的尺度,對于矩陣,n行m列 |
.size |
ndarray對象元素的個數,相當于.shape中n*m的值 |
.dtype |
ndarray對象的元素類型 |
.itemsize |
ndarray對象中每個元素的大小,以字節(jié)為單位 |
2.ndarry的元素類型(1):
數據類型 |
說明 |
bool |
布爾類型,True或False |
intc |
與C語言中的int類型一致,一般是int32或int64 |
intp |
用于索引的整數,與C語言中ssize_t一致,int32或int64 |
int8 |
字節(jié)長度的整數,取值:[‐128, 127] |
int16 |
16位長度的整數,取值:[‐32768, 32767] |
int32 |
32位長度的整數,取值:[‐231, 231‐1] |
int64 |
64位長度的整數,取值:[‐263, 263‐1] |
2.ndarry的元素類型(1):
數據類型 |
說明 |
bool |
布爾類型,True或False |
intc |
與C語言中的int類型一致,一般是int32或int64 |
intp |
用于索引的整數,與C語言中ssize_t一致,int32或int64 |
int8 |
字節(jié)長度的整數,取值:[‐128, 127] |
int16 |
16位長度的整數,取值:[‐32768, 32767] |
int32 |
32位長度的整數,取值:[‐231, 231‐1] |
int64 |
64位長度的整數,取值:[‐263, 263‐1] |
3.ndarry的元素類型(2):
數據類型 |
說明 |
uint8 |
8位無符號整數,取值:[0, 255] |
uint16 |
16位無符號整數,取值:[0, 65535] |
uint32 |
32位無符號整數,取值:[0, 232‐1] |
uint64 |
32位無符號整數,取值:[0, 264‐1] |
float16 |
16位半精度浮點數:1位符號位,5位指數,10位尾數 |
float32 |
32位半精度浮點數:1位符號位,8位指數,23位尾數 |
float64 |
64位半精度浮點數:1位符號位,11位指數,52位尾數 |
complex64 |
復數類型,實部和虛部都是32位浮點數 |
complex128 |
復數類型,實部和虛部都是64位浮點數 |
4.ndarry常用函數總結:
函數 |
說明 |
np.arange(n) |
類似range()函數,返回ndarray類型,元素從0到n‐1 |
np.ones(shape) |
根據shape生成一個全1數組,shape是元組類型 np.zeros(shape)根據shape生成一個全0數組,shape是元組類型 |
np.full(shape,val) |
根據shape生成一個數組,每個元素值都是val |
np.eye(n) |
創(chuàng)建一個正方的n*n單位矩陣,對角線為1,其余為0 |
np.ones_like(a) |
根據數組a的形狀生成一個全1數組 |
np.zeros_like(a) |
根據數組a的形狀生成一個全0數組 |
np.full_like(a,val) |
根據數組a的形狀生成一個數組,每個元素值都是val |
np.linspace() |
根據起止數據等間距地填充數據,形成數組 |
np.concatenate() |
將兩個或多個數組合并成一個新的數組 |
.reshape(shape) |
不改變數組元素,返回一個shape形狀的數組,原數組不變 |
.resize(shape) |
與.reshape()功能一致,但修改原數組 |
.swapaxes(ax1,ax2) |
將數組n個維度中兩個維度進行調換 |
.flatten() |
對數組進行降維,返回折疊后的一維數組,原數組不變 |
np.abs(x) np.fabs(x) |
計算數組各元素的絕對值 |
np.sqrt(x) |
計算數組各元素的平方根 |
np.square(x) |
計算數組各元素的平方 |
np.log(x) np.log10(x) np.log2(x) |
計算數組各元素的自然對數、10底對數和2底對數 |
np.ceil(x) np.floor(x) |
計算數組各元素的ceiling值或floor值 |
np.rint(x) |
計算數組各元素的四舍五入值 |
np.modf(x) |
將數組各元素的小數和整數部分以兩個獨立數組形式返回 |
np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) |
計算數組各元素的普通型和雙曲型三角函數 |
np.exp(x) |
計算數組各元素的指數值 |
np.sign(x) |
計算數組各元素的符號值,1(+), 0, ‐1(‐) |
+ ‐* / ** |
兩個數組各元素進行對應運算 |
np.maximum(x,y) np.fmax() np.minimum(x,y)np.fmin() |
元素級的最大值/最小值計算 |
np.mod(x,y) |
元素級的模運算 |
np.copysign(x,y) |
將數組y中各元素值的符號賦值給數組x對應元素 |
> < >= <= == != |
算術比較,產生布爾型數組 |
二、在numpy中隨機函數庫的函數總結:
1.np.random的隨機函數(1):
函數 |
說明 |
rand(d0,d1,..,dn) |
根據d0‐dn創(chuàng)建隨機數數組,浮點數,[0,1),均勻分布 |
randn(d0,d1,..,dn) |
根據d0‐dn創(chuàng)建隨機數數組,標準正態(tài)分布 |
randint(low[,high,shape]) |
根據shape創(chuàng)建隨機整數或整數數組,范圍是[low, high) |
seed(s) |
隨機數種子,s是給定的種子值 |
2.np.random的隨機函數(2):
函數 |
說明 |
shuffle(a) |
根據數組a的第1軸進行隨排列,改變數組x |
permutation(a) |
根據數組a的第1軸產生一個新的亂序數組,不改變數組x |
choice(a[,size,replace,p]) |
從一維數組a中以概率p抽取元素,形成size形狀新數組 replace表示是否可以重用元素,默認為False |
3.np.random的隨機函數(3):
函數 |
說明 |
uniform(low,high,size) |
產生具有均勻分布的數組,low起始值,high結束值,size形狀 |
normal(loc,scale,size) |
產生具有正態(tài)分布的數組,loc均值,scale標準差,size形狀 |
poisson(lam,size) |
產生具有泊松分布的數組,lam隨機事件發(fā)生率,size形狀 |
三、在numpy中統(tǒng)計函數總結:
函數 | 說明 |
---|
sum(a, axis=None) | 根據給定軸axis計算數組a相關元素之和,axis整數或元組 |
mean(a, axis=None) | 根據給定軸axis計算數組a相關元素的期望,axis整數或元組 |
average(a,axis=None,weights=None) | 根據給定軸axis計算數組a相關元素的加權平均值 |
std(a, axis=None) | 根據給定軸axis計算數組a相關元素的標準差 |
var(a, axis=None) | 根據給定軸axis計算數組a相關元素的方差 |
min(a) max(a) | 計算數組a中元素的最小值、最大值 |
argmin(a) argmax(a) | 計算數組a中元素最小值、最大值的降一維后下標 |
unravel_index(index, shape) | 根據shape將一維下標index轉換成多維下標 |
ptp(a) | 計算數組a中元素最大值與最小值的差 |
median(a) | 計算數組a中元素的中位數(中值) |
np.gradient(f) | 計算數組f中元素的梯度,當f為多維時,返回每個維度梯度 |