Numpy是用于數據科學計算的基礎模塊，不但能夠完成科學計算的任務，而且能夠被用作高效的多維數據容器，可用作存儲和處理大型矩陣，它的運算速度會比Python自帶的列表運算速度要快。Numpy的數據容器可用來存儲多種類型數據，這使得Numpy可以快速并且無縫整合各種類型數據。Numpy本身并沒有提供很多高級的數據分析功能，理解Numpy數組及數組計算有助于更加高效地使用諸如pandas等數據處理工具。

1掌握Numpy數組對象ndarray

ndarray（數組）是存儲單一數據類型的多維數組。

1.1創建數組

1.1.1numpy.array()創建數組

numpy.array(object, dtype=None, copy=True, order='K',subok=False, ndmin=0)

import numpy as np#一維數組 arr1 = np.array([1, 2, 3, 4]) arr1#二維數組 arr2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) arr2

數組屬性：

arr2.shape #數組形狀 arr2.ndim #數組維度 arr2.size #數組個數 arr2.dtype #元素類型

1.1.2arange、linspace創建數組（等差數組）

numpy.arange([start, ]stop, [step, ]dtype=None)

參數說明：

（1）start:可忽略不寫，默認從0開始;起始值；

（2）stop:結束值；生成的元素不包括結束值；

（3）step:可忽略不寫，默認步長為1；步長；

（4）dtype:默認為None，設置顯示元素的數據類型。

------------------

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

參數說明：

start：開始數值；

stop：結束數值；

num：默認是50個樣本點（數據），為正整數；

endpoint：默認為True，如果改為Fasle取不到右端點；

restep：步長，如第一個數據和第二個數據之間的距離；

dtype：可以設置數值類型。

np.arange(0, 1, 0.1) #第三個參數設置的是步長 np.linspace(0, 1, 10) #第三個參數設置的是生成個數 np.linspace(0, 1, 10, endpoint=False) #endpoint：默認為True，如果改為Fasle取不到右端點

1.1.3logspace創建數組（等比數列）

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0)

參數說明：

• start：代表間隔的起始值。
• stop：代表以區間為基礎的間隔的停止值。
• num：默認是50個樣本點（數據），為正整數。
• endpoint：默認為True，如果改為Fasle取不到右端點。
• base：代表日志空間的底數，默認是以10為底。
• dtype：可以設置數值類型。

np.logspace(0, 4, 5, base=2) #以base=2為底，0-4之間生成等差的5個值（0，1,2,3,4）作為指數

1.1.4特殊數組

（1）numpy.zeros(shape, dtype=float, order='C')：返回來一個給定形狀和類型的用0填充的數組。

參數說明：

shape:形狀；

dtype:數據類型，可選參數，默認numpy.float64；

order:可選參數，c代表與c語言類似，行優先；F代表列優先。

（2）numpy.eye(N, M=None, k=0, dtype=, order=‘C’)：返回一個二維數組，其對角線元素為1，其余位置元素為0。

參數說明：

N：返回數組的行數

k：對角線的索引，0（默認值）代表主對角線，正整數代表上三角內的對角線，負整數代表下三角內的對角線。

dtype：返回數組的數值類型

order：是否在內存中以C或fortran(行或列)順序存儲多維數據，版本1.14.0中的新特性

（3）numpy.diag(v,k=0)：以一維數組的形式返回方陣的對角線（或非對角線）元素，或將一維數組轉換成方陣（非對角線元素為0）.兩種功能角色轉變取決于輸入的v。

參數說明：

v : 如果v是二維數組，返回k位置的對角線。如果v是一維數組，返回一個v作為k位置對角線的2維數組。

k : 對角線的位置，大于零位于對角線上面，小于零則在下面。

（4）numpy.ones(shape, dtype=None, order='C')

shape：設置形狀；

dtype：指定數組的數據類型；

np.zeros(shape=(2,3)) #全零數組 np.eye(3) #對角線設置為1，其余位置為0 np.diag([1, 2, 3, 4]) #對角線設置數值，其余位置為0 np.ones(shape=(3,2)) #全為1的數組

1.2數組數據類型

#----整型轉變為浮點型 arr1 = np.array([1, 2, 3], dtype='int') arr1.dtype arr1 = np.float64(arr1) arr1.dtype#----浮點型轉變為整型 arr1 = np.array([1, 2, 3], dtype='float32') arr1.dtype arr1 = np.int64(arr1) arr1.dtype

1.3生成隨機數

#無約束條件下生成隨機數 np.random.random(size=(4,3)) #生成服從正態分布的隨機數 np.random.randn(3, 4) #生成給定上下范圍的隨機數 np.random.randint(1, 5, size=(2,3)) #最小值不低于1，最大值不高于5，生成2行3列數組

1.4通過索引訪問數組

1.4.1一維數組索引

arr1 = np.arange(10) arr1[-1] arr1[2:4] arr1[2:8:2] arr1[2:4] = 3,5

1.4.2多維數組的索引

arr2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) arr2[1,1:3] arr2[1,(1,2)] arr2[2, :] arr2[0::2, :]

1.5變換數組的形狀

1.5.1轉換為數組形狀

arr1 = np.arange(12) #一維數組 arr1.ndim #一維的#第一種：使用shape屬性 arr1.shape = 3,4 arr1 arr1.shape #(3, 4)#第二種：reshape方法 arr1 = arr1.reshape(2, 6) #需要賦值給原始數據才能生效 arr1 arr1.shape #(2, 6)

1.5.2展平數組

arr1.ravel() #橫向展平 arr1.flatten() #橫向展平 arr1.flatten('F') #縱向展平

1.5.3組合數組

arr1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) arr2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) np.hstack((arr1, arr2)) #橫向組合 np.vstack((arr1, arr2)) #縱向組合 np.concatenate((arr1, arr2), axis=1) #橫向組合 np.concatenate((arr1, arr2), axis=0) #縱向組合

1.5.4切割數據

np.hsplit(arr1, 2) #橫向分割 np.vsplit(arr1, 3) #縱向分割 np.split(arr1, 2, axis=1) #橫向分割 np.split(arr1, 3, axis=0) #縱向分割

2掌握Numpy矩陣與通用函數

2.1創建矩陣

matr1 = np.mat("1 2 3;4 5 6;7 8 9") matr2 = np.matrix([[1, 2, 3],[4, 5, 6],[2, 2, 3]])arr1 = np.array([[1, 2, 3],[4, 5, 6]]) arr2 = np.array([[1, 3, 4],[7, 5, 9]]) np.bmat("arr1 arr2;arr2 arr1")

2.2矩陣的運算

2.2.1加減乘除

matr1 + matr2 matr1 - matr2 matr1 * matr2 #矩陣意義上的相乘 np.multiply(matr1, matr2) #對應位置元素的相乘 matr1 * 2

2.2.2特有屬性

matr1.T #自身的轉置mat = np.matrix([[1, 1],[-1, 1]]) mat.I #自身的逆矩陣

3練習

創建一個8?8的全零數組，并把1，3，5，7行和2，4，6列的元素設置為1。之后將數組的形狀轉變為4?16。

a = np.zeros((8, 8)) a[1::2 , 2::2] = 1 #a.shape = 4,16 a = a.reshape(4, 16) #賦值回原始數據才會生效

?

總結

以上是生活随笔為你收集整理的Python—实训day7上—Nmupy数值计算基础的全部內容，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。