一.導入庫

import numpy as np

二.創建

1.numpy中只有一種數據類型：ndarray,表示n維數組

創建ndarray數組：

-由列表或者元組類型創建數組

-有元組類型創建數組

-創建特殊數組

2.采用np.array函數來創建，語法為：

np.array(列表或元組)

將參數列表或者元組轉換成ndarray類型.相當于強制類型轉換

a=np.array([1,2,3,5,19]) 由列表創建一維數組

b=np.array([[1,1,1],[2,2,2],[3,3,3]]) 由列表創建二維數組

a=np.array((1,2,3,5,19)) 由元組創建一維數組

b=np.array(((1,1,1),(2,2,2),(3,3,3))) 由元組創建二維數組

b=np.array(([1,1,1],(2,2,2),[3,3,3])) 混搭的。。。

創建數組時，可以用dtype指定數據類型：

a=np.array([1,2,3,5,19],dtype=np.int32)

當不指定dtype的時候，numpy會根據數據自動匹配合適的類型

三.數組類型的屬性

生成一個數組 : b=np.array([[1,1,1],[2,2,2],[3,3,3]])

.ndim：數據是幾維的：b.ndim的值為2

.shape：數據的形狀，即尺寸：b.shape的結果為（3，3）

.size： 數組中元素的數量 b.size的值為9

.dtype: 數組元素的數據類型 b.dtype 的結果為 int32

.itemsize：數組中元素所占的字節數

四.利用函數創建特殊數組

1.全零數組

①np.zeros(shape, dtype = float)

shape為數組的形狀，是列表類型或者元組類型

dtype是數據的類型，可以是整數或者實數,該參數可以省略

例子：a=np.zeros((3,3),dtype=int),則a里面是一個3*3的全零數組

②np.zeros_like(a)

a為一個已知的數組，np.zeros_like(a)生成一個與a形狀相同的全零數組

a=np.array([[1,2],[2,3],[3,5]]) # a是一個三行兩列的矩陣

則np.zeros_like(a) 生成一個三行兩列的全零數組

2.全1數組

①numpy.ones(shape, dtype)

np.ones: 創建指定形狀的數組，數組元素以 1 來填充

例如:np.ones([5,5],dtype=np.int32) #五行五列全是1的數組

②np.ones_like(a)

參數a為一個已知的數組，該函數根據數組a的形狀生成一個全1的數組

3.全是某個值的數組

①np.full(shape,fill_value)

根據指定的shape生成一個全是fill_value的數組

例如:np.full((4,7),8) #四行七列全是8的數組

②np.full_like(a,8) 生成一個與數組a相同，且里面元素都是8的數組

5.np.eye生成單位矩陣

np.eye(n)

生成一個n行n列的單位矩陣

6.np.arange選定數值范圍創建數組

語法 np.arange(start, stop, step, dtype)

start ：起始值，默認為0

stop : 終止值（不包含）

step : 步長，默認為1

dtype ：類型，可以省

例子：

np.arange(10) 　 　　　　　　　#輸出array([0,1,2,3,4,5,6,7,8,9])

np.arange(2,15) 　 　　　　　　#輸出array([2,3,4,5,6,7,8,9,10,11,12,13,14])

np.arange(3,20,5) 　　　　　　 #輸出array([3,8,13,18])

c=np.arange(9).reshape(3,3)#輸出array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

注意：使用np.arange生成的數組都是一維的，如何變成多維呢？使用數組的reshape方法

例如：np.arange(100).reshape(10,10)

方法的調用!!!! 用變量名.方法名

七.創建線性一維數組

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

start : 序列的起始值

stop : 序列的終止值,如果endpoint為true,該值包含于數列中

num : 要生成的等步長的樣本數量,默認為50

endpoint : 該值為True時,數列中包含stop值,反之不包含,默認是True

retstep : 如果為True時,生成的數組中會顯示間距,反之不顯示

dtype : ndarray的數據類型

例如:a = np.linspace(1,10,10) array([1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])

八.生成隨機數組

1.numpy中有個隨機數子庫，叫做np.random。

里面包含很多隨機數生成算法，使用的時候，采用 np.random.方法名 的形式去使用。

①np.random.rand(d0,d1,...dn) 根據d0,d1,...dn的值生成[0,1)之間均勻分布的隨機數組。

②np.random.randn(d0,d1,...dn) 根據d0,d1,...dn的值生成[0,1)之間標準正太分布的隨機數組。

③np.random.randint(low,high,shape)在[low,high）區間生成shape形狀的隨機數組

例如:np.random.randint(1,10,[5,5])

np.random.randint(1,10) 生成1-10之間的隨機整數（一個整數）

④np.random.seed(s) 隨機數種子函數 : 參數必須是整數類型

⑤np.random.shuffle(a) 把數組a打亂順序

⑥np.random.choice(a,size,replace=False)

解釋:從數組a中，隨機等概率選取數據，構成shape形狀的數組。

當replace的值默認為True，此時，數據可以被重復選取，當不希望重復選取數據的時候，修改replace=False

⑦np.random.uniform(low,high,size)：在[low，high)之間等概率的抽取元素，產生形狀為size的數組。

⑧np.random.normal(loc,scale,size)：產生均值為loc，方差為scale的尺寸為size的符合正態分布的數組

⑨np.poisson:生成泊松分布的數組

九.數組的變換-改變形狀

1.reshape函數： 改變數組的形狀，不改變數組元素的個數，原數組不變，生成一個和原數組數據一樣的新數組。

有兩種reshape。一種是np的函數，一種是數組的方法.

假設a=np.arange(100)， 則a為含有100個元素的一維數組。則改變a為10*10的數組，

方法有：

b=np.reshape(a,(10,10)) 　　# np的函數

b=a.reshape(10,10) 　　　　# 數組的方法

b=a.reshape((10,10))

執行完上面的代碼后，b為10*10的數組，而a還是含有100個元素的1維數組

2.resize((shape),refcheck=True) #refcheck默認是true,自身調用時須改成false

功能與reshape相同，但是改變原數組

a.resize((1,9)) a變為一維數組了。

①當resize()是用np調用的時候，這時需要第一個參數是矩陣本身，然后記得加括號，是改正后 的矩陣維度, 這時有返回值，可以打印出

例如:>>>a=np.arange(100)

>>> b=np.resize(a,(1,9))

>>> b

輸出:array([[0, 1, 2, 3, 4, 5, 6, 7, 8]])

②當resize()是矩陣自己調用自己時，函數沒有返回值,因此是None,但是也改變了ndarray的值，

這時再打印ndarray就是被resize()改變后的值 ***自身調用時,refcheck=False

例如:>>>a=np.arange(100)

>>>a.resize((1,9),refcheck=False)

>>>a

結果:array([[0, 1, 2, 3, 4, 5, 6, 7, 8]])

十.數組的變換-扁平化

1.flatten()函數，數組扁平化，也就是把多維數組變成一維數組，但是原數組不變。

假設a是一個二維數組，則a.flatten()，得到一個按行展開的一維數組

例如:>>>a=np.random.randint(1,5,[3,3])

>>>a

結果:array([[4, 2, 2],

[4, 1, 1],

[1, 3, 2]])

>>>a.flatten()

結果:array([4, 2, 2, 4, 1, 1, 1, 3, 2])

>>>a

結果:array([[4, 2, 2],

[4, 1, 1],

[1, 3, 2]])

2.a.astype()函數 改變類型的函數

b=a.astype(np.float16)，生成一個新數組，新數組中與原數組元素相同，類型不同。

注意：原數組類型不發生變化

例如:>>>a=np.random.randint(1,5,[3,3])

>>>a

結果:array([[4, 2, 4],

[2, 3, 4],

[1, 1, 4]])

>>>a.astype(np.float16)

結果:array([[4., 2., 4.],

[2., 3., 4.],

[1., 1., 4.]], dtype=float16)

>>>a

結果:array([[4, 2, 4],

[2, 3, 4],

[1, 1, 4]])

3.a.tolist()函數 把數組a變成列表

a.T 與a.transpose() 數組的轉置 ,都不改變原數組

例如:>>>a=np.random.randint(1,5,[3,3])

>>>a

結果:array([[4, 4, 4],

[3, 4, 2],

[3, 3, 1]])

>>>a.tolist()

結果:[[4, 4, 4], [3, 4, 2], [3, 3, 1]]

>>>a.T

結果:array([[4, 3, 3],

[4, 4, 3],

[4, 2, 1]])

>>>a.transpose()

結果:array([[4, 3, 3],

[4, 4, 3],

[4, 2, 1]])

>>>a

結果:array([[4, 4, 4],

[3, 4, 2],

[3, 3, 1]])

十一.常用函數及其使用

1.統計函數

使用方法:①np.函數名 ②數組變量.函數名

sum

求和

mean

求平均值

std

求標準差

var

求方差

median

求中位數

max

求最大值

min

求最小值

average()

加權平均數

舉例:

求和：

np.sum(a) 和 a.sum()： 求數組a中所有元素的和。

np.sum(a,axis=0)和 a.sum(axis=0) ： 對數組a按行求和

np.sum(a,axis=1)和 a.sum(axis=0) ： 對數組a按列求和

求均值

np.mean(a)和a.mean() 求數組a中所有元素的均值

np.mean(a，axis=0)和a.mean(axis=0) 求數組a中所有列的均值

np.mean(a，axis=1)和a.mean(axis=1) 求數組a中所有行的均值

其它統計函數的用法類似

2.數學函數

np.sin()

正弦

np.cos()

余弦

np.tan()

正切

np.arcsin()

反正弦

np.arccos()

反余弦

np.arctan()

反正切

np.degree()

將弧度轉換為角度

np.ptp(a)

計算數組a種最大值與最小值的差

3.舍入函數

np.around()

四舍五入

np.floor()

向下取整

np.ceil()

向上取整

4.排序函數

np.sort(a, axis, kind)：對數組a按axis所指定的軸進行排序，排序采用kind參數指定的算法。kind參數可以省略

十二.數組的索引與切片

1.一維數組的索引和切片

索引：a[0]，a[-1]

切片：數組名[起始位置：結束位置：步長] a[1:10:2]

2.多維數組的索引和切片

索引：a[0,5,7] 多個維度之間用逗號分隔。

a[0,5,7]表示 第一維數據，選第0個，第2維數據，選第5個，第三維數據，選第7個

切片: ①選擇多行: a[起始行：結束行]

②格式: a[m:n，p:q] 第一維選擇m到n行，不包括n，第2維選擇p到q列，不包括q

3.列表做索引:

①選擇多行，把多行包裝成列表，作為索引，

如：a[[0,3]]表示選擇第0行和第3行。當選擇整行，不考慮列的時候，可以不寫列

②np.ix_函數: 能把兩個一維數組 轉換為 一個用于選取方形區域的索引器。

實際意思就是，直接往np.ix_()里扔進兩個一維數組[1,3]，[2,4,5]，就能先選1，3行，再選2，4，5列。

④布爾索引--條件索引

大于5的數: a[a>5]

能被5整除的數a[a%5==0]

既能被2整除，又大于5的數：b=a[a%2==0] c=b[b>5]

十三.ndarray類型數據的運算

1.數組與標量（單個數據）之間的運算：相當于數組中的每個元素與標量之間的運算，例如：a=np.arange(10).reshape(2,5) a+5，相當于a中每個元素都加了5，

2.數據規范化

如何規范化：隨機生成一個二維數組，對數組進行規范化，即數組中每個元素減去數組元素的均值除以數組元素的方差：

a=a.mean()/a.std()

3.numpy中一元函數：作用到元素上

對數組運算，實際上是對數組中每個數據進行運算。

np.abs() 求數組中各個元素的絕對值，結果可以是整數或者實數

np.fabs() 求數組中各個元素的絕對值，結果是實數

np.sqrt() 求數組中各個元素的平方根

np.log np.log10 np.log2 計算數組中各個元素的自然對數、以10為底的對數， 以2為底的對數

np.ceil()和np.floor分別表示的是對數組中各個元素進行取整

np.rint()對數組中每個元素進行四舍五入

np.sin() np.cos() np.tan() np.cosh() np.sinh() np.tanh() 對數組中的每個元素進行三角運算。

np.sign() 計算數組中每個元素的符號值，結果為1，0，或-1分別表示正數，0和負數

np.exp() 計算數組中每個元素的指數值

4.numpy中的二元函數和二元運算

兩個同尺寸的數組加減乘除，相當于對應元素的加減乘除

np.maximum(a,b) 求兩個數組a和b對應元素的最大值

np.minimum(a,b) 求兩個數組a和b對應元素的最小值

np.mod(a,b) a中元素除以b中元素的余數

np.copysign(x,y) 將數組y中各元素的符號賦值給x中元素的符號

關系運算符號：> 、>=、< 、<= 、 ==、 !=對應元素進行比較

a[a>b] 在a中找出比數組b大的數

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python numpy库作用_python Numpy库的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。