python numpy包以及数组的一些操作

本是古典何须时尚 2022-05-28 04:22 204阅读 0赞

## python中numpy包的简单使用 ##

###### 今天整理一下python中numpy包的一些简单的使用方法。当然以题为例了。。jupyter notebook为编译环境。以下是一些小题目 ######

首先引入包

from numpy  import  * 
    import numpy as np

（1）用0~19的数字生成(4,5)的数组命名为a,查看a的维度；查看a的轴的个数；查看a元素的总个数; 查看a中每个元素的字节大小。

*  生成数组  
    `a = arange(20).reshape(4,5)`  
    reshape()方法是重塑的意思，将数组构造成想要的形状。  
    ![这里写图片描述][70]
 *  查看维度  
    `print a.ndim`  
    ![这里写图片描述][70 1]
 *  查看轴的个数  
    `print a.shape`  
    ![这里写图片描述][70 2]
 *  查看数组的元素总数  
    `print a.size`  
    ![这里写图片描述][70 3]
 *  查看每个字节的大小  
    `print a.itemsize`  
    ![这里写图片描述][70 4]

（2）创建元素为1,2,3,4的(2,2)的数组 b，查看b中元素类型。

*  构建数组
    
    `b = arange(1,5,1).reshape(2,2)`
    
        arange（a,b,c）第三个参数的意思是两个数之间的间隔差
        可以用来构造等差数列
    
    ![b][]
    
        b中的元素类型
    
    ![这里写图片描述][70 5]

（3）创建一个全1的（4,4）的数组c;创建一个内容随机的(3,2)数组d，并打印d。

*  全1数组  
    `c = ones((4,4),dtype = int16)`
 *  随机数组  
    `d = np.random.random((3,2))`

（4）用0~11的数，创建一个3\*4的数组n1，计算每一列的和；计算每一行的最小值。

*  创建数组求和  
    `n1 = arange(12).reshape(3,4)`  
    `print n1.sum(axis = 0)`
 *  求最小值  
    `n1.min(axis = 1)`

（5）生成一个3个元素的数组n2,通过常用函数计算每个元素的平方根；每个元素的标准差。

*  生成数组计算平方根  
    `n2 = arange(3)`  
    `np.sqrt(n2)`
 *  计算标准差  
    `np.std(n2)`

（6）生成一个9个（可以从0~8）元素的数组n3,  
计算每个元素的平方；取出位置2的元素；  
取出位置2至5 之间的元素。

*  生成数组
    
    `n3 = arange(9)`  
    `np.sqrt(n3)`  
    `n3[2]`  
    `n3[2:5]`

（7）随机生成2个3\*3的数组n4和n5，将n4和n5进行垂直合并形成n6;  
将n4和n5进行水平合并形成n7。  
`n4 = np.random.random((3,3))`  
`n5 = np.random.random((3,3))`  
`n6 = np.concatenate((n4,n5),axis = 0)`

![这里写图片描述][70 6]

`n7 = np.concatenate((n4,n5),axis = 1)`

![这里写图片描述][70 7]  
axis 指定  
（8）创建一个2行3列的零矩阵命名为z,将z的2行3列的位置值置成1。

`z = zeros((2,3))`  
`z[1,2] = 1`

（9）生成4\*4的对角矩阵，以\[1,2,3,4\]为对角线,其他位置用0填充，命名为z1 。

`z1 = np.diag((1,2,3,4))`

![这里写图片描述][70 8]  
（10）用0~8的数，创建成3\*3的矩阵，命名为z2;用随机数，创建4\*4的矩阵，命名为z3。

`z2 = np.random.randint(0,8,size = [3,3])`  
`z3 = np.random.random((4,4))`

numpy包还有很多的功能，这里只列出了一小部分的操作。比较具体的还可去看官方文档，讲的比较明细，总之numpy包在数据统计计算领域还是很好用的。

[70]: /images/20220528/248c750d396844b8bba3b16df33eb97b.png
[70 1]: /images/20220528/606d44b4f0d040c9a146474c9d466f8a.png
[70 2]: /images/20220528/ea48bf593c5b4134b4559708299e5bd0.png
[70 3]: /images/20220528/85ab1638dea0481e9bbcc2942817cf62.png
[70 4]: /images/20220528/569f7d444b654ddda0d26811f2d1168c.png
[b]: /images/20220528/b86e70ebe9ee4b899118dc00d32df1d1.png
[70 5]: /images/20220528/8a9d8ae6a0c042f6a9131dae3becb039.png
[70 6]: /images/20220528/c82544d72ef048958e84445dffab935a.png
[70 7]: /images/20220528/6aaf964add9b4dc093e8d32a293e95ff.png
[70 8]: /images/20220528/f150660ea3e149f0b729fdec85f4391a.png