首页 / PYTHON / Python NumPy使用
Python NumPy使用
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python NumPy使用，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6554字，纯文字阅读大概需要10分钟。
内容图文
以下学习参考菜鸟教程https://www.runoob.com/numpy/numpy-advanced-indexing.html
1、一维（多维）数组
# -*- encoding=utf-8 -*-
import numpy
def f1(): # 一维数组
print(numpy.array([1, 2, 3]))
print(numpy.array(['1', '2', '3']))
print(numpy.array(['a', 'b', 'c']))
def f2(): # 二维数组
print(numpy.array([[1, 2, 3], [4, 5, 6]]))
print(numpy.array([[1, 2, 3], ['a', 'b', 'c']]))
def f3(): # 指定最小维度
print(numpy.array([1, 2, 3], ndmin=2))
def f4(): # 指定数据类型
print(numpy.array([1, 2, 3], dtype=complex))
if __name__ == '__main__':
pass
f1()
f2()
f3()
f4()
运行
[1 2 3] ['1' '2' '3'] ['a' 'b' 'c'] [[1 2 3] [4 5 6]] [['1' '2' '3'] ['a' 'b' 'c']] [[1 2 3]] [1.+0.j 2.+0.j 3.+0.j]
2、映射C语言中的结构体
# -*- encoding=utf-8 -*-
import numpy
def f1():
pass
print(numpy.dtype(numpy.int8)) # 8位int型，即字节型
print(numpy.dtype(numpy.int16)) # 16位int型
print(numpy.dtype(numpy.int32)) # 32位int型
print(numpy.dtype(numpy.int64)) # 64位int型
print(numpy.dtype(numpy.int_)) # 32或64位int型
print(numpy.dtype('i1')) # 对应int8
print(numpy.dtype('i2')) # 对应int16
print(numpy.dtype('i4')) # 对应int32
print(numpy.dtype('i8')) # 对应int64
def f2():
dt = numpy.dtype([('age', numpy.int8)]) # 定义年龄age，类型是int8
print(dt)
data = numpy.array([[(10,), (20,), (30,)]], dtype=dt) # 指定类型为age,int8型
print(data)
print(data['age']) # 取出所有的age
pass
def f3():
# 定义学生结构体，姓名name String 20,年龄age int8,分数grade int16
stu = numpy.dtype([('name', 'S20'), ('age', numpy.int8), ('grade', numpy.int16)])
# 添加三个学生数据
data = numpy.array([('xiao', 20, 80), ('hong', 21, 88), ('lan', 20, 90)], dtype=stu)
print(data)
print(data['name'])
print(data['age'])
print(data['grade'])
print(type(data['grade']))
pass
def f4():
pass
if __name__ == '__main__':
pass
f1()
f2()
f3()
f4()
运行
int8
int16
int32
int64
int32
int8
int16
int32
int64
[('age', 'i1')]
[[(10,) (20,) (30,)]]
[[10 20 30]]
[(b'xiao', 20, 80) (b'hong', 21, 88) (b'lan', 20, 90)]
[b'xiao' b'hong' b'lan']
[20 21 20]
[80 88 90]
<class 'numpy.ndarray'>
3、更改数组的行列数（例如2行3列变为3行二列，1行12列变为2行6列）
# -*- encoding=utf-8 -*-
import numpy
def f1():
pass
a = numpy.array([[2, 3, 1], [4.5, 5, 1], [2, 3, 1]])
print(a)
print(a.ndim) # 表示维度，例如二维数组
print(a.shape) # 返回数组的行和列，例如3行3列
def f2():
pass
a = numpy.array([[2, 3, 1], [4.5, 5, 1]])
print(a)
print(a.ndim) # 表示维度，
print(a.shape) # 原来是2行三列
a.shape = (3, 2) # 调整为3行两列
print(a)
print(a.shape)
b = a.reshape(2, 3) # 也可通过reshape调整
print(b)
print(b.shape)
def f3():
pass
'''itemsize 以字节的形式返回数组中每一个元素的大小。
例如，一个元素类型为 float64 的数组 itemsiz 属性值为 8
(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），
又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。'''
# 数组的 dtype 为 int8（一个字节）
x = numpy.array([1, 2, 3, 4, 5], dtype=numpy.int8)
print(x.itemsize)
# 数组的 dtype 现在为 float64（八个字节）
y = numpy.array([1, 2, 3, 4, 5], dtype=numpy.float64)
print(y.itemsize)
def f4():
pass
if __name__ == '__main__':
pass
f1()
f2()
f3()
f4()
运行
[[2. 3. 1. ] [4.5 5. 1. ] [2. 3. 1. ]] 2 (3, 3) [[2. 3. 1. ] [4.5 5. 1. ]] 2 (2, 3) [[2. 3. ] [1. 4.5] [5. 1. ]] (3, 2) [[2. 3. 1. ] [4.5 5. 1. ]] (2, 3) 1 8
4、创建数组
# -*- encoding=utf-8 -*-
import numpy
def f1():
pass
# 创建未初始化的数组
print(numpy.empty(3)) # 默认浮点型，未初始化，所以用随机数填充
# 使用arange创建
print(numpy.arange(0, 10, 2, dtype=float))
def f2():
pass
# 创建初始化为0的数组
a = numpy.zeros(shape=[2, 2], dtype=int) # 创建2行2列的int型数组，
print(a)
b = numpy.zeros(shape=[2, 3],
dtype=[('name', int), ('age', int), ('grade', int)]) # 创建2行3列的student型数组，
print(b)
# 创建初始化为1的数组
a = numpy.ones(shape=[2, 2], dtype=int) # 创建2行2列的int型数组，
print(a)
b = numpy.ones(shape=[2, 3],
dtype=[('name', int), ('age', int), ('grade', int)]) # 创建2行3列的student型数组，
print(b)
def f3():
pass
# 字符串转ndarray
my_str = b'hello world1'
a = numpy.frombuffer(my_str, dtype='S1')
print(a)
print(type(a))
print(a.shape) # 转为3维数组
a.shape = (3, 4)
print(a)
def f4():
pass
if __name__ == '__main__':
pass
f1()
f2()
f3()
f4()
运行
[0. 0. 0.]
[0. 2. 4. 6. 8.]
[[0 0]
[0 0]]
[[(0, 0, 0) (0, 0, 0) (0, 0, 0)]
[(0, 0, 0) (0, 0, 0) (0, 0, 0)]]
[[1 1]
[1 1]]
[[(1, 1, 1) (1, 1, 1) (1, 1, 1)]
[(1, 1, 1) (1, 1, 1) (1, 1, 1)]]
[b'h' b'e' b'l' b'l' b'o' b' ' b'w' b'o' b'r' b'l' b'd' b'1']
<class 'numpy.ndarray'>
(12,)
[[b'h' b'e' b'l' b'l']
[b'o' b' ' b'w' b'o']
[b'r' b'l' b'd' b'1']]
5、等比，等差数列
# -*- encoding=utf-8 -*-
import numpy
def f1():
pass
# 创建等差数列
# linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None,axis=0)
# 参数依次为起始值，终止值，需要的个数，是否包含终止值，是否显示间距，数据类型，
a = numpy.linspace(1, 10, 5, )
print(a)
b = numpy.linspace(1, 10, 5, endpoint=False, retstep=True) # 不包含终止值且显示步长
print(b)
def f2():
pass
# 等比数列，默认log底数为10，起始值和终止值为底数的次方
a = numpy.logspace(1, 2, 5, dtype=int) # 定义由10-100的5个等比（10**1至10**2）
print(a)
# 定义由2-2的十次方的5个等比，设置底数为2（2**1至2**10）
a = numpy.logspace(1, 10, 5, dtype=int, base=2)
print(a)
def f3():
pass
def f4():
pass
if __name__ == '__main__':
pass
f1()
f2()
f3()
f4()
运行
[ 1. 3.25 5.5 7.75 10. ] (array([1. , 2.8, 4.6, 6.4, 8.2]), 1.8) [ 10 17 31 56 100] [ 2 9 45 215 1024]
6、切片（同string split一样）
# -*- encoding=utf-8 -*-
import numpy
def f1():
pass
a = numpy.array([0, 1, 2, 3, 4])
print(a[1:3]) # 切片和string spilt一样
print(a[0:5:2]) # 步长为2，从0切到5
def f2():
pass
a = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(a)
print(a.shape) # 3行3列
print(a[1, ...]) # 切第二行
print(a[1:]) # 第二行以及以后
print(a[..., 1]) # 切第二列
print(a[..., 1:]) # 切第二列以及以后
def f3():
pass
a = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(a[0, 0]) # 取0,0,
print(a[[0, 0, 2], [1, 2, 2]]) # 取0,1和0,2和2,2
print(a[[[0, 0], [2, 2]], [[0, 2], [0, 2]]]) # 0,0 0,2, 2,0, 2,2取四个角
# 可以看做是前一个list元素+后一个list元素
def f4():
pass
x = numpy.arange(32).reshape((8, 4))
print(x)
print(x[[4, 2, 1, 7]]) # 取1,2,4,7行
print((x[x > 5])) # 取元素大于5的
if __name__ == '__main__':
pass
f1()
f2()
f3()
f4()
运行
[1 2]
[0 2 4]
[[1 2 3]
[4 5 6]
[7 8 9]]
(3, 3)
[4 5 6]
[[4 5 6]
[7 8 9]]
[2 5 8]
[[2 3]
[5 6]
[8 9]]
1
[2 3 9]
[[1 3]
[7 9]]
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]]
[ 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
30 31]
7、还可计算方差，加权平均值，标准差等，需要可参考菜鸟教程
内容总结
以上是互联网集市为您收集整理的Python NumPy使用全部内容，希望文章能够帮你解决Python NumPy使用所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。