NumPy库的学习

这篇具有很好参考价值的文章主要介绍了NumPy库的学习。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

本文主要记录的是笔者在B站自学Numpy库的学习笔记。

引入numpy库

import numpy as np

矩阵的创建

创建一个二行三列的矩阵。

array = np.array([[1,2,3],
                 [2,3,4]])

查看array的行数、形状、元素数量

print("number of dim:",array.ndim) 
print("shape:",array.shape)
print("size:",array.size)

执行结果:
NumPy库的学习
其中
ndim显示的是它的行数;
shape显示的是它的形状(2行3列的矩阵);
size显示的是它的元素数量(6个)

创建0矩阵

array = np.zeros((4,5)) #4行5列的0矩阵

执行结果:
NumPy库的学习

创建全1矩阵

array = np.ones((4, 5),dtype=int)  # 4行5列的全1矩阵并用dtype属性设置成int类型

执行结果:
NumPy库的学习

创建有步长的一维矩阵

array = np.arange(1,22,3)  # [1,22)步长为3的一维矩阵

执行结果
NumPy库的学习

用reshape方法创建多维矩阵

array = np.arange(20).reshape((4,5))  # 4行5列0~19的矩阵

执行结果
NumPy库的学习

创建一维序列线段

array = np.linspace(10,30,6)  # 一行从10到30,6个步长的序列线段

执行结果
NumPy库的学习

创建多维序列线段

array = np.linspace(10, 30, 6).reshape((3,2))  # 3行2列从10到30,6个步长的序列线段

执行结果
NumPy库的学习

生成多维随机数矩阵

array = np.random.random((3,5))  # 3行5列从0到1的随机数

我们还可以使用numpy内置的一些方法进行数值计算,比如求和、搜索最大值、走索最小值、按行求和、按列求最小值、按行求最大值等等(axis=1时表示横向,axis=0表示纵向)。

np.sum(array) #将元素求和
np.min(array)  # 将元素求最小值
np.max(array)  # 将元素求最大值
np.sum(array,axis=1)  # 按行求和
np.min(array, axis=0)  # 按列求最小值
np.max(array, axis=1)  # 按行求最大值

执行结果
NumPy库的学习

矩阵相加

矩阵相加,只需要简单的用+号就可以完成。

a = np.array([4,5,6,7,8])
b = np.arange(5)
c = a+b

执行结果
NumPy库的学习

矩阵点乘

矩阵点乘指的是矩阵之间对应位置元素相乘。
用刚才的b矩阵点乘自身。

b = b**2

执行结果
NumPy库的学习

c = np.array([[1,1,1],
             [0,1,2],
             [2,3,4]])
d = np.arange(9).reshape((3,3))
e = c*d #c矩阵和d矩阵进行点乘

运行结果:
NumPy库的学习

矩阵叉乘

矩阵叉乘就是我们在线性代数里面学的“矩阵乘法”。
叉乘使用的方法是dot()。两种写法:

dot = np.dot(c,d)
dot = c.dot(d) 

执行结果:
NumPy库的学习

矩阵的元素布尔判断

判断a矩阵里的元素是否比6大

a > 6

执行结果:
NumPy库的学习

一些常用的运算

例如找最大元素的索引、最小元素索引、计算平均值、计算中位数、计算逐项累加值、计算逐项差值、寻找非0元素下索引、逐行排序、矩阵转置、矩阵自叉乘、按列计算平均值、滤波操作等。

array = np.arange(2, 14).reshape((3, 4))

np.argmax(array)   # 最大值索引
np.argmin(array)  # 最小值索引
array.mean()  # 计算平均值
np.average(array)  # 计算平均值
np.median(array)  # 计算中位数
pnp.cumsum(array)  # 计算逐项累加值
np.diff(array)  # 计算逐项差值
np.nonzero(array)  # 给出非0元素的下标
np.sort(array)  # 逐行排序
np.transpose(array)  # 矩阵的转置
array.transpose()  # 矩阵的转置
array.T  # 矩阵的转置
(array.T).dot(array)  # 矩阵转置后叉乘
np.mean(array, axis=0)  # 按列计算平均值
np.clip(array, 5, 9)  # 滤波,设置小于5的数等于5,大于9的数等于9

运行结果:
NumPy库的学习
关于非0元素下标,输出的是两个一位数组,分别代表非0元素的x轴位置和y轴位置。

矩阵索引

array = np.arange(0,16).reshape((4,4)) 

array[2]	#获取第二行的所有元素
array[2][1]	#获取第2行第1列的元素
array[2,1]   #也可以这么写
array[:,1]   #第1列所有数
array[1, 1:3]  # 第1行第1列到第3列之前所有数
array.flatten()  #拉平矩阵

运行结果:
NumPy库的学习

矩阵的合并

a = np.array([1,2,3])
b = np.array([4,5,6])
np.vstack((a, b))  # 上下合并 v:vertical
np.hstack((a, b))  # 左右合并 h:horizontal

运行结果
NumPy库的学习

一维矩阵的转置

对单行序列不可以通过转置的方式得到单列的序列,直接写a.T是转置不了a的。通过a.shape可以得到:(3,),说明现在只有一个维度,而转置是两个维度的事情。所以可以通过newaxis的方式添加纵向维度来达到转置的目的。

a[:,np.newaxis] #[横向维度,纵向维度]

如果还要转置回来,a.T可不可以达到目的呢?也不可以。通过a.shape还是会得到:(3,),说明此时a还是被看作是一维的数组。再转置回来怎么办?那就通过添加横向纬度来转置!

a[np.newaxis,:]

运行结果:
NumPy库的学习

矩阵的分割

用split、vsplit、hsplit可以进行等份分割,用array_split可以进行不等份分割

a = np.arange(20).reshape((4, 5))
np.split(a, 5, axis=1)  # 分割后成横向排列,也就是对列进行等分分割,分割成5部分
np.split(a, 2, axis=0)   # 分割后成纵向排列,也就是对行进行等分分割,分割成2部分
#等效写法:
np.vsplit(a, 2)   #等份分割后成纵向
np.hsplit(a, 5)   #等份分割后成横向
#不等分划分
np.array_split(a, 3, axis=1)  #不等份分割成4份后成横向

运行结果:
NumPy库的学习
“成横向”的意思是分割完毕后每一组是横向摆,同理“成纵向”是分割完毕后每一组是纵向摆。

浅拷贝与深拷贝

假设现在有两个矩阵array1,array2。
浅拷贝的写法是:array2 = array1; 这种写法只是array2对array1的简单引用,也就意味着对array1的属性进行修改时,array2的属性也会跟着变,说白了此时array2就是array1。类似于C语言的地址传递(实参传递)。
深拷贝的写法是:array2 = array1.copy(); 这种写法是将array1的所有属性及参数一并拷贝给array2,但是array2并不对array1进行引用。这也就意味着,array1的属性改变时,不会影响array2的属性。类似于C语言的值传递(形参传递)

array1 = np.arange(4)
os.system("cls")
print("当前array1:\n",array1,"\n")
array2 = array1  #  浅拷贝。类似于地址传递,实参赋值
print("array2浅拷贝array1:\n",array2,"\n") 
array2[2] = 6
print("array2[2]修改后的array2:\n",array2,"\n") 
print("array2[2]修改后的array1:\n",array1,"\n") #  array2 和 array是同一个东西
array1[1:3] = [8,9]
print("array1[1:3]修改后的array1:\n",array1,"\n") 
print("array1[1:3]修改后的array2:\n",array2,"\n") 

# 深拷贝
array3 = array1.copy()
print("array3深拷贝array1:\n",array3,"\n") 
array1[0] = 7
print("array1[0]修改后的array1:\n",array1,"\n")
print("array1[0]修改后的array3:\n",array3,"\n")

运行结果:
NumPy库的学习

敬请批评指正。文章来源地址https://www.toymoban.com/news/detail-478494.html

到了这里,关于NumPy库的学习的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • NumPy和Pandas库的基本用法,用于数据处理和分析

    当涉及到数据处理和分析时,NumPy和Pandas是两个非常常用的Python库。下面是它们的基本用法: NumPy(Numerical Python): 导入NumPy库:在代码中使用import numpy as np导入NumPy库。 创建NumPy数组:使用np.array()函数可以创建一个NumPy数组。例如,arr = np.array([1, 2, 3, 4, 5])创建一个包含整数

    2024年02月11日
    浏览(42)
  • numpy版本不兼容解决方法记录

    首先,numpy版本和scipy版本不兼容。 且因为小白阶段反复pip和conda重复安装了不同版本numpy,因此先卸载所有numpy版本。 卸载过程中,查看conda list和pip list,发现确实存在版本不一致情况,而且遇到warning提醒tensorflow版本不匹配,这里没有卸载tensorflow,不知道为什么出现这个情

    2024年02月15日
    浏览(52)
  • 系统学习Numpy(一)——numpy的安装与基础入门[向量、矩阵]

    numpy的安装与基础入门[向量、矩阵与维度] numpy是科学计算以及机器学习深度学习的基础必备工具,本文将介绍numpy的安装,以及关于向量、矩阵相关的基础知识。 在conda下使用 conda install numpy 安装。 如果没有conda可以使用 pip install numpy 安装。 我们将使用 import numpy as np 对nu

    2024年02月16日
    浏览(33)
  • 【深度学习】 Python 和 NumPy 系列教程(十二):NumPy详解:4、数组广播;5、排序操作

    目录 一、前言 二、实验环境 三、NumPy 0、多维数组对象(ndarray) 多维数组的属性 1、创建数组 2、数组操作 3、数组数学 4、数组广播 5、排序操作 1. np.sort() 函数 2. np.argsort() 函数 3. ndarray.sort() 方法 4. 按列或行排序 5. np.lexsort() 函数 6. np.partition() 函数 7. np.argpartition() 函

    2024年02月08日
    浏览(62)
  • 三分钟学习一个python小知识4-----------我的对python中numpy的理解, 我列举了关于numpy常用的10个例子来深入理解numpy

    NumPy 是专门用于数值计算的Python库。它提供了实现向量、矩阵和高维数组的高效数据结构和函数,以及用于数学计算的工具。NumPy使得Python语言与MATLAB和R语言相比,更适合探索性数据分析、科学计算和大规模数据处理等领域。 NumPy中的核心数据结构是 ndarray (N维数组),它是

    2024年02月10日
    浏览(89)
  • 【深度学习实验】NumPy的简单用法

    目录 一、NumPy介绍 1. 官网 2. 官方教程 二、实验内容 1. 导入numpy库 2. 打印版本号 3. arange 函数 4. array函数 5. reshape函数 6. 矩阵点乘(逐元素相乘) 7. 矩阵乘法       NumPy是一个常用于科学计算的Python库,尤其在深度学习和机器学习中应用广泛。 NumPyhttps://numpy.org/   NumPy:初

    2024年02月10日
    浏览(39)
  • 深度学习:探究Tensor和Numpy

    目录 引言 1 pytorch中Tensor 1.1 什么是Tensor 1.2 为什么需要Tensor 1.3 如何创建Tensor 1.3.1 从已有其他数据结构转化创建为Tensor 1.3.2 随机初始化一个Tensor 1.3.3 从已保存文件加载一个Tensor 1.4 Tensor的特性 1.4.1 丰富的常用函数操作 1.4.2 灵活的dtype和CPU/GPU自由切换 1.4.3 自动梯度求解 2 Nu

    2024年02月14日
    浏览(39)
  • Numpy的学习 第一课 了解以及使用

    1.编辑模式 绿色 2.命令模式 蓝色 查看函数帮助文档命令 help(函数) 单问号与多问号 单问号显示文档 多问号显示文档+代码 3.shift+tab 显示参数 4.运行外部文件 %run +路径,可绝对可相对 这里运行了就相当于方法了,或者是类似于导入库 5.统计时间 %time 无法精确统计 纳秒为0 %time

    2024年01月20日
    浏览(39)
  • Python学习(2)-NumPy矩阵与通用函数

    文章首发于:My Blog 欢迎大佬们前来逛逛 data:表示输入的 数组 或者 字符串 ,使用‘,’分割列,使用‘;’分割行 创建两个普通的矩阵: 需要注意:mat创建的矩阵是不会产生副本的,即 共享内存 : matrix也是创建矩阵的: data:数组或者字符串,与mat一样 copy:表示创建

    2024年03月25日
    浏览(31)
  • 数据分析-python学习 (1)numpy相关

    内容为:https://juejin.cn/book/7240731597035864121的学习笔记 numpy数组创建 创建全0数组,正态分布、随机数组等就不说了,提供了相应的方法 通过已有数据创建有两种 arr1=np.array([1,2,3,4,5]) 或者data=np.loadtxt(‘C:/Users/000001_all.csv’,dtype=‘float’,delimiter=‘,’,skiprows=1) (data=np.genfromtxt(‘

    2024年02月13日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包