作者：J哥
來源：菜J學(xué)Python
本文目錄
基本類型
類型轉(zhuǎn)換
j = np.arange(3)
print(j)
print('查看數(shù)據(jù)類型：\n',j.dtype)
print('-'*20)
g = j.astype('float') #轉(zhuǎn)換為float類型
print('查看轉(zhuǎn)換后類型：\n',g.dtype)
[0 1 2]
查看數(shù)據(jù)類型：
int64
--------------------
查看轉(zhuǎn)換后類型：
float64
創(chuàng)建數(shù)組
#方法一、將列表或元組傳入np.array()來創(chuàng)建
print(np.array([1,2,3]))
#方法二、初始化數(shù)組的值,只需傳入元素個(gè)數(shù)即可
print(np.ones(3))
print(np.zeros(3))
print(np.random.random(3))
[1 2 3]
[1. 1. 1.]
[0. 0. 0.]
[0.71318806 0.95903425 0.75384478]
數(shù)組運(yùn)算
#首先創(chuàng)建兩個(gè)數(shù)組
data1 = np.array([1,2])
data2 = np.ones(2)
print(data1,data2)[1 2] [1. 1.]
#數(shù)組間加減乘除
jia = data1+data2
jian = data1-data2
cheng = data1*data2
chu = data1/data2
#數(shù)組與單個(gè)數(shù)值的操作
shuzhi1 = data1*100
shuzhi2 = data1/100
print(jia,jian,cheng,chu,shuzhi1,shuzhi2)
[2. 3.] [0. 1.] [1. 2.] [1. 2.] [100 200] [0.01 0.02]
數(shù)組切片
#類似列表操作進(jìn)行索引和切片
data3 = np.array([1,2,3,4,5])
print(data3)
print(data3[0])
print(data3[2:4])
print(data3[2:])
print(data3[:4])
[1 2 3 4 5]
1
[3 4]
[3 4 5]
[1 2 3 4]
聚合函數(shù)
data4 = np.array([1,2,3,4,5])
print(data4.max()) #最大值
print(data4.min()) #最小值
print(data4.mean()) #均值
print(data4.sum()) #求和
print(data4.std()) #標(biāo)準(zhǔn)差
5
1
3.0
15
1.4142135623730951
創(chuàng)建矩陣
#方法一、通過將二維列表傳給Numpy來創(chuàng)建矩陣
print(np.array([[1,2],[3,4]]))
#方法二、傳入一個(gè)元組來描述矩陣的維度
print(np.ones((3,2))) #3行2列矩陣
print(np.zeros((3,2)))
print(np.random.random((3,2)))
[[1 2]
[3 4]]
[[1. 1.]
[1. 1.]
[1. 1.]]
[[0. 0.]
[0. 0.]
[0. 0.]]
[[0.2928769 0.24093443]
[0.06189287 0.62359846]
[0.80539105 0.81706549]]
矩陣運(yùn)算
#相同大小矩陣的加減乘除
data5 = np.array([[1,2],[3,4]])
data6 = np.ones((2,2))
jia1 = data5 + data6
cheng1 = data5 * data6
print(jia1,'\n',cheng1)
[[2. 3.]
[4. 5.]]
[[1. 2.]
[3. 4.]]
#不同大小矩陣的加減乘除（僅兩個(gè)矩陣秩數(shù)為1時(shí)）
data7 = np.array([[1,2],[3,4],[5,6]])
data8_1 = np.ones((1,2)) #行秩為1
data8_2 = np.ones((3,1)) #列秩為1
print(data7 + data8_1)
print('-'*20)
print(data7 + data8_2)
[[2. 3.]
[4. 5.]
[6. 7.]]
--------------------
[[2. 3.]
[4. 5.]
[6. 7.]]
#矩陣乘法，dot()方法
data9 = np.array([[1,2,3]]) #1*3的矩陣
data10 = np.array([[1,2],[3,4],[5,6]]) #3*2的矩陣
data11 = data9.dot(data10) #1*2的矩陣
print(data11)
[[22 28]]
矩陣切片和聚合
#可以在不同維度上使用索引操作來對(duì)數(shù)據(jù)進(jìn)行切片
data12 = np.array([[1,2],[3,4],[5,6]])
print(data12)
print(data12[0,1]) #1行2列數(shù)據(jù)
print(data12[1:3]) #2-3行
print(data12[0:2,0]) #1-2行，1列
[[1 2]
[3 4]
[5 6]]
2
[[3 4]
[5 6]]
[1 3]
#可以像聚合向量一樣聚合矩陣
print(data12.max())
print(data12.min())
print(data12.sum())
print(data12.mean())
print(data12.std())
#還可以使用axis參數(shù)指定行和列的聚合
print(data12.max(axis = 0)) #縱向執(zhí)行
print(data12.max(axis = 1)) #橫向執(zhí)行
6
1
21
3.5
1.707825127659933
[5 6]
[2 4 6]
矩陣轉(zhuǎn)置和重構(gòu)
#NumPy數(shù)組的屬性T可用于獲取矩陣的轉(zhuǎn)置
print('轉(zhuǎn)置前：\n',data12)
print('轉(zhuǎn)置后：\n',data12.T)
轉(zhuǎn)置前：
[[1 2]
[3 4]
[5 6]]
轉(zhuǎn)置后：
[[1 3 5]
[2 4 6]]
In:
#在較為復(fù)雜的用例中，可能需要使用NumPy的reshape()方法改變某個(gè)矩陣的維度
data13 = np.array([1,2,3,4,5,6])
print('重構(gòu)前：\n',data13)
print('重構(gòu)后：\n',data13.reshape(2,3))
print('重構(gòu)后：\n',data13.reshape(3,2))
Out:
重構(gòu)前：
[1 2 3 4 5 6]
重構(gòu)后：
[[1 2 3]
[4 5 6]]
重構(gòu)后：
[[1 2]
[3 4]
[5 6]]
In:
#上文中的所有功能都適用于多維數(shù)據(jù),其中心數(shù)據(jù)結(jié)構(gòu)稱為ndarray（N維數(shù)組）
data14 = np.array([[[1,2],[3,4]],[[5,6],[7,8]]])
print(data14)
print('-'*20)
#改變維度只需在NumPy函數(shù)的參數(shù)中添加一個(gè)逗號(hào)和維度
print(np.ones((4,3,2)))
print('-'*20)
print(np.zeros((4,3,2)))
print('-'*20)
print(np.random.random((4,3,2)))
Out:
[[[1 2]
[3 4]]
[[5 6]
[7 8]]]
--------------------
[[[1. 1.]
[1. 1.]
[1. 1.]]
[[1. 1.]
[1. 1.]
[1. 1.]]
[[1. 1.]
[1. 1.]
[1. 1.]]
[[1. 1.]
[1. 1.]
[1. 1.]]]
--------------------
[[[0. 0.]
[0. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]
[0. 0.]]]
--------------------
[[[0.37593802 0.42651876]
[0.74639264 0.19783467]
[0.787414 0.63820259]]
[[0.84871262 0.46467497]
[0.54633954 0.4376995 ]
[0.71988166 0.9306682 ]]
[[0.6384108 0.74196991]
[0.73857164 0.38450555]
[0.68579442 0.64018511]]
[[0.60382775 0.35889667]
[0.8625612 0.86523028]
[0.83701853 0.08289658]]]
In:
#在NumPy中可以很容易地實(shí)現(xiàn)均方誤差。
np_1 = np.ones(3)
np_2 = np.array([1,2,3])
error = (1/3) * np.sum(np.square(np_1 - np_2))
print(error)
Out:
1.6666666666666665
電子表格和數(shù)據(jù)表
音頻和時(shí)間序列
圖像
黑白圖像
彩色圖像
聯(lián)系客服
