【NumPy系列】基本操作 - 一

这篇具有很好参考价值的文章主要介绍了【NumPy系列】基本操作 - 一。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。

前言

大家好!我是初心,本期给大家带来的是【【NumPy系列】基本操作 - 一。
作者的【 Python 数据分析】专栏正在火热更新中,如果本文对您有帮助,欢迎大家点赞 + 评论 + 收藏 !

每日金句分享:选择你所喜欢的,爱你所选择的。』—— 托尔斯泰「托尔斯泰

一、NumPy介绍

NumPy( Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。

NumPy主要用于数组计算,包含
一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能

1.1 导入NumPy库

导入 NumPy 库是我们的第一步准备工作。在此,还一并导入了以后会用到的 Pandas 库、 MatplotLib 库的 pyplot 模块。

# 导入数据分析 ‘三剑客’
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt

1.2 查看NumPy版本

# 注意左右都是双下划线 ~ ~
np.__version__

1.3 读取图片返回NumPy数组

通过 pyplot 读取到的图片,返回的就是一个 NumPy 数组。

这是我事先准备好的一张图片 —— tangsan.jpg:
【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘
接下来通过 plt 对象读取:

n = plt.imread('pic\\tangsan.jpg')
n

输出过多,这里只展示首尾:

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘
【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘
查看数组形状:

n.shape

再次显示图片:

plt.imshow(n)

二、创建NumPy数组的十二种方式

2.1 array 和 full

array 函数用法:numpy.array(object, dtype=None),object 可以为单个值、元组、列表、多维可迭代对象等可迭代对象,作用是创建数组。

list_one = [1,2,3,4]
# 列表创建
n1 = np.array(list_one)
tuple_one = (1,3,2)
# 元组创建
n2 = np.array(tuple_one,dtype=np.int16)
display(n1,n2)

下面是运行结果:

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

full 函数用法:numpy.full(shape, fill_value, dtype=None),shape 是数组形状(可以理解为几维几列,一般以元组形式给出),fill_value 是填充的值,dtype 是类型,作用是创建一个值全为同一个的数组。

# 创建一个二维三列的数组
n2 = np.full(shape=(2,3),fill_value=1,dtype=np.int16)
n2

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

2.2 zeros 和 ones

zeros 函数用法:zeros(shape, dtype=float, order=‘C’),返回一个给定形状和类型的用0填充的数组。

n3 = np.zeros((3,3))
n3

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

ones 函数用法:np.ones(shape, dtype=None, order=‘C’),返回一个指定形状和类型的用1填充的数组。

n4 = np.ones((3,2),dtype=np.float)
n4

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

2.3 随机数数组

randint 函数用法:randint(low, high=None, size=None, dtype=‘l’),low 为随机数最小值,high 为最大值(取不到),size 在这里等价于 shape ,返回一个指定维度且元素位于 low~high 之间的随机数组。

n5 = np.random.randint(1,10,(3,4))
n5

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

random 函数用法:random(size),size 等价于 shape ,为行列数,返回一个0~1之间指定形状的数组。

n6 = np.random.random((4,2))
n6

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

rand 函数用法:rand(d0, d1, …, dn),d0,d1,dn 分别表示1~n个维度的维数,返回一个0-1之间指定维度的数组,区别于 random 的是,这个函数传参不能传入带 ()的元组。

n7 = np.random.rand(3,3)
n7

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

2.4 服从正态分布的数组

randn() 函数用法:randn(d0, d1, …, dn),创建一个服从标准正态分布(X ~ N(0,1))的多维数组。也就是说,产生的数据大部分生成在0左右。

n8 = np.random.randn(2,3)
n8

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

normal()函数用法:normal(loc=0.0, scale=1.0, size=None),loc 表示均值,scale 表示标准差,size等价于 shape ,创建一个服从正态分布的多维数组。

n9 = np.random.normal(1,2,(2,3))
n9

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

2.5 arrange 和 eye、linspace

eye()函数用法:np.eye(N, M=None, k=0, dtype=<class ‘float’>, order=‘C’),N 是行数,M 是列数,K 是偏移量,创建一个单位矩阵数组。

n10 = np.eye(5,5)
n10

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

linspace()函数用法:np.linspace(start,stop,num),创建一个包含 num 个数的等差数列,公差 d 等于多少由系统计算。

n11 = np.linspace(1,20,3)
n11

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

arrange()函数用法:arange([start,] stop[, step,], dtype=None),start 为起始数,stop 为结束数,创建一个连续的一维数组。

n12 = np.arange(1,10,dtype=np.int16)
n12

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

三、ndarray属性

维度:ndim ,直接返回维度数
形状:shape,数字有几个就表示几维数组
总长度:size,返回总数据量
元素类型:dtype

n1 = np.random.randint(1,10,(3,5))
display(n1)
print("维度:%d,形状:%s,总长度:%s,元素类型:%s"%(n1.ndim,n1.shape,n1.size,n1.dtype))

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

四、ndarray基本操作

4.1 索引

在 ndarray 数组中,索引的使用有两种等价方式,即 n [M,N] = n [M][N],M表示第一个维度,N表示第二个维度,若不止二维,以此类推,n[M,N,P,……]。

n1 = np.random.randint(1,10,(3,5))
print(n1)
print("n1[2,3]=%s,n1[2][3]=%s"%(n1[2,3],n1[2][3]))

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

4.2 切片

切片包括行、列切片,可以实现取连续或不连续的行或列,也可以复制、翻转数组,如果是:, 的写法,表示第一个维度全取,并且,切片操作都是左闭右开。

一维数组
  • <1> 一个参数:a[i],返回一个数
  • <2> 两个参数:a[start:stop],对数组进行切片
  • <3>三个参数:a[start,stop,step],对数组进行切片,step 为步长,当 step = -1 时表示翻转。
二维数组
  • <1> 取元素:a[i,j],返回第 i 行的第 j 个数
  • <2> 切片:a[xi:xj,yi:yj],返回第 xi ~ xj 行的第 yi ~ yj 列,两个维度都是左闭右开。
  • <3> 切片特殊情况:左边从0开始可以省略,右边到结尾可以省略,即 X[:e0,s1:e1] ,表示第1维从第1行开始到第 e0 行;X[s0:,s1:e1],表示从第 s0 行到最后一行。

常用的切片操作如下所示(以二维数组为例,n1 数组就是4.1索引中创建的),具体运行结果,这里不再展示。

print(n1[1:]) # 行切片,取第二行到最后一行
print(n1[:,2:]) # 列切片,取第三列到最后一列
print(n1[:]) # 复制数组
print(n1[[0,2]]) # 取不连续的行,用两个括号
print(n1[:,[0,2]])# 取不连续的列
print(n1[::-1]) # 行翻转
print(n1[:,::-1]) # 列翻转
print(n1[::-1,::-1]) # 行列都翻转

如果对某些切片操作有疑问,欢迎大家联系我,文末附联系方式,我看到后一定会第一时间为大家解答的。

五、实例 - 图片翻转

我们依旧采用 1.3 中的 tangsan.jpg 图片,通过对 ndarray 数据切片实现图片翻转效果,这里只展示上下翻转的效果,大家也可以换图片尝试。

# 读取图片
nd = plt.imread('pic/tangsan.jpg')
# 显示原图
plt.imshow(nd)
# 上下翻转,通过改变 nd 数组,将纵轴翻转,也就是横轴逆序实现
plt.imshow(nd[::-1])

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

plt.imshow(nd[:,::-1]) # 左右翻转

六、变形

通过 reshape 函数,我们可以改变数组的形状,或者说维度,注意改变后需要重新赋值给数组。

首先创建好如下的数组:

n1 = np.array([
    [3,5],
    [4,2],
    [2,3]
])
n1

然后改变形状:

n1.reshape((6,1))

让行或列自适应,通过维数写 - 1 实现:

n1.reshape((2,-1)) # 行数为2,列数自适应
n1.reshape(-1,2) # 列数为2,行数自适应

七、合并与拆分

7.1 合并

concatenate 函数用法:concatenate((a1, a2, …), axis=0, out=None),a1,a2 表示数组,axis 表示轴,值为0表示横向合并,值为1表示纵向合并。

n1 = n1.reshape((2,3))
n2 = np.random.randint(0,10,(2,3))
display(n1,n2)
n3 = np.concatenate((n1,n2),axis=0) # 行合并
n4 = np.concatenate((n1,n2),axis=1) # 列合并
display(n3,n4)

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

此外,还可以使用 hstack 函数和 vstack 函数单独实现水平合并和垂直合并。相比,concatenate 函数会更方便些。

n2 = np.random.randint(0,10,(2,3))
n1 = np.random.randint(0,10,(2,3))
display(n1,n2)
n3 = np.hstack((n1,n2)) # 水平合并
n4 = np.vstack((n1,n2)) # 垂直合并
display(n3,n4)

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

7.2 拆分

split 函数用法:np.split(ary, indices_or_sections, axis=0),ary:要切分的数组,indices_or_sections:填入一个整数或者一个可迭代对象,如果是整数,就切分为整数个子数组;如果是可迭代对象,就在该索引位置切分。

将数组进行拆分为多个数组,通过 axis (轴),可以控制水平或垂直拆分,具体请看下面的示例。

n3 = n3.reshape((6,2))
display(n3) # 1.查看 n3 数组
n5 = np.split(n3,2,axis=0) # 横向切分,均分为2部分
n6 = np.split(n3,1,axis=1) # 纵向切分,均分为1部分
print(n5)
print(n6)
n7 = np.split(n3,[1,3],axis=0) # 在索引为 0 和 3 处切分,切分为3部分
print(n7)

运行结果:

【NumPy系列】基本操作 - 一,Python数据分析,数据分析,numpy,数据挖掘

和合并一样,也有单独进行水平拆分和垂直拆分的方法,分别是:hsplit 和 vsplit ,函数用法参数都是 np.hsplit(ary, indices_or_sections) ,具体用法这里不再展示。

八、数组拷贝

使用 copy 函数创建一个数组的副本。

n4 = np.copy(n3) # 数组拷贝

结语

本期跟大家分享的 “芝士” 就到此结束了,关于 NumPy 的基本操作,你学会了吗?

💕 好啦,这就是今天要分享给大家的全部内容了,我们下期再见! ✨
🍻 如果你喜欢的话,就不要吝惜你的一键三连了~ 🍻

如果文中有些地方不清楚的话,欢迎联系我,我会给大家提供思路及解答。文章来源地址https://www.toymoban.com/news/detail-626994.html

相关导读

文章直达 链接
上期回顾 【数据分析 - 基础入门之NumPy③】- 日常难疑解决
下期预告 【数据分析 - 基础入门之NumPy⑤】- NumPy基本操作 - 二

到了这里,关于【NumPy系列】基本操作 - 一的文章就介绍完了。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

  • TiDB数据库从入门到精通系列之四:SQL 基本操作

    成功部署 TiDB 集群之后,便可以在 TiDB 中执行 SQL 语句了。因为 TiDB 兼容 MySQL,你可以使用 MySQL 客户端连接 TiDB,并且大多数情况下可以直接执行 MySQL 语句。 SQL 是一门声明性语言,它是数据库用户与数据库交互的方式。它更像是一种自然语言,好像在用英语与数据库进行对

    2024年02月12日
    浏览(60)
  • 探索MATLAB世界:掌握基础知识与实用技能(1. MATLAB环境与基本操作 2. 数据类型与变量 3. 条件与循环,1. 数据分析与统计 2. 图像处理与计算机视觉 3. 信号处理与控制系统)

    欢迎阅读本篇博客,我们将深入探讨MATLAB语言的基础知识与实用技能,旨在帮助初学者、初中级MATLAB程序员以及在校大学生系统地掌握这门强大的科学计算与数据可视化工具。 一、MATLAB的基础知识 1. MATLAB环境与基本操作 2. 数据类型与变量 3. 条件与循环 二、MATLAB的实用技能

    2024年03月12日
    浏览(62)
  • Python 中空间数据的 10 个基本操作

    读取几何图形 首先,让我们从阅读几何图形开始。 来自 csv 想象一下文件在列几何体下包含多边形 , 我们现在必须将它们转换为几何类型(默认情况下它们将被读取为字符串)。通常,几何图形将以wkt格式,我们用 shapely 库进行转换 来自形状文件 如果您要读取的文件是

    2024年04月28日
    浏览(24)
  • Python操作Neo4j数据库:从安装到基本操作

    介绍 Neo4j是一款强大的图数据库,它以图的形式存储数据,非常适用于处理具有复杂关系的数据。本篇博客将介绍如何使用Python与Neo4j数据库交互,包括安装Neo4j、连接数据库、执行基本的查询和更新操作。 1. 安装Neo4j数据库 首先,需要在Neo4j官网下载并安装Neo4j数据库。根据

    2024年04月15日
    浏览(45)
  • 【MySQL系列】表的学习及基本操作

    「前言」文章内容大致是数据库表的基本操作 「归属专栏」MySQL 「主页链接」个人主页 「笔者」枫叶先生(fy) 「枫叶先生有点文青病」「句子分享」 人生当苦无妨,良人当归即好。 ——烽火戏诸侯《雪中悍刀行》 创建表语法: 说明 : field 表示列名 datatype 表示列的类型

    2024年02月13日
    浏览(42)
  • 【MySQL系列】表内容的基本操作(增删查改)

    「前言」文章内容大致是对MySQL表内容的基本操作,即增删查改。 「归属专栏」MySQL 「主页链接」个人主页 「笔者」枫叶先生(fy) 表内容的增删查改简称 CRUD : Create (新增), Retrieve (查找), Update (修改), Delete (删除) DML【data manipulation language】 数据操纵语言,用

    2024年02月12日
    浏览(71)
  • 【MySQL系列】MySQL库的学习及基本操作(增删查改)

    「前言」文章内容大致是数据库的基本操作 「归属专栏」MySQL 「主页链接」个人主页 「笔者」枫叶先生(fy) 「枫叶先生有点文青病」「句子分享」 哪里会有人喜欢孤独,不过是不喜欢失望罢了。 ——村上春树《挪威的森林》 创建数据库语法: create_specification 的选项: 说明

    2024年02月15日
    浏览(40)
  • 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(43)
  • Elasticsearch使用系列-ES增删查改基本操作+ik分词

    ES是一个NoSql数据库应用。和其他数据库一样,我们为了方便操作查看它,需要安装一个可视化工具 Kibana。 官网: https://www.elastic.co/cn/downloads/kibana 和前面安装ES一样,选中对应的环境下载,这里选择windows环境,注意安装的版本一定要和ES的版本一致,不然可能会启动不起来。

    2024年02月01日
    浏览(56)
  • Spring系列(八) --- 详述 SpringAOP--面向切面编程的相关概念及基本操作

      AOP 其实就是针对程序中的某一个类或者某一个功能做统一的处理, 如针对登录功能在前后端之间可以做一些验证操作, 验证用户名或者密码是否正确. 切面: AOP 主要是针对的某一个功能进行的操作或者定义, 而这个功能就称之为是一个切面, 如用户登录功能, 这就是一个切面

    2023年04月09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