全世界都爱看：numpy基础知识必知必会！

我就是我 2023-07-10 05:15 21阅读 0赞

import numpy as np
    
    #创建一个一维数组
    array1=np.array([1,2,3,4,5])
    #print(array1)
    #创建一个二维数组
    array2=np.array([[1,2,3,4],[4,5,6,7],[5,6,7,8]])
    print(array2)
    #查看二维数组结构
    print(array2.shape)
    #查看二维数组类型
    print(array2.dtype)
    #查看二维数组个数
    print(array2.size)
    #查看数组每个元素的大小(字节大小)
    print(array2.itemsize)
    #查看数组的维度
    print(array2.ndim)
    #重新设置shape属性
    array2.shape=4,3
    print(array2)
    #使用arrange创建数组
    array3=np.arange(1,10,2)
    print(array3)
    #使用linspace创建数组,等差等距
    array4=np.linspace(1,10,50)
    print(array4)
    #使用logspace创建数组，等比
    array5=np.logspace(1,10,50)
    print(array5)
    #使用zeros函数创建数组，全为0
    array6=np.zeros((2,3))#注意里面是元组
    print(array6)
    #使用eyes函数创建数组，标准矩阵
    array7=np.eye(5)
    print(array7)
    #使用diag函数创建数组
    array8=np.diag([1,2,3,4])
    print(array8)
    """ [[1 0 0 0] [0 2 0 0] [0 0 3 0] [0 0 0 4]] """
    #使用ones函数创建全为1的矩阵
    array9=np.ones(5)
    print(array9)
    array91=np.ones([2,4])
    print(array91)
    #数组数据类型转换
    #将整型转化为浮点型
    print(np.float64(64))
    #将浮点型转化为整型
    print(np.int32(12.2))
    #将整型转为bool,浮点型同理
    print(np.bool(8))#True
    print(np.bool(0))#False
    #将bool型转化为整型，浮点型同理
    print(np.int32(True))#1
    print(np.int32(False))#0
    #创建一个存储餐饮企业库存信息的数据类型。其中，用一个长度为40个字符的字符串来记录商品的
    #名称，用一个64位的整数来记录商品的库存数量，最后用一个64位的单精度浮点数来记录商品的价格
    df=np.dtype([('name',np.str_,40),('count',np.int64),('price',np.float64)])
    print(df)
    """ [('name', '<U40'), ('count', '<i8'), ('price', '<f8')] """
    #查看数据类型
    print(df['name'])
    #插入数据
    items1=np.array([('apple',100,5),('pear',50,8)])
    items2=np.array([('apple',100,5),('pear',50,8)],dtype=df)
    print(items1)
    """ [['apple' '100' '5'] ['pear' '50' '8']] """
    print(items2)
    """ [('apple', 100, 5.) ('pear', 50, 8.)] """
    #创建一个0到1的随机数
    print(np.random.randint(100))#100个随机数
    print(np.random.randint(2,10,size=(2,5)))#2行5列2到10的随机数
    #创建一个0到1的随机数组
    print(np.random.random(100))
    #创建一个0到1的均匀分布的随机数组
    print(np.random.rand(100))#100个
    print(np.random.rand(10,5))#10行5列
    #创建一个服从正态分布的随机数组
    print(np.random.randn(10))#10个
    print(np.random.randn(5,5))#5行5列
    #一维数组的索引
    arry=np.arange(1,10)
    #print(arry)#[1 2 3 4 5 6 7 8 9]
    print(arry[0])#1
    print(arry[1:3])#[2 3]
    print(arry[:5])#[1 2 3 4 5]
    print(arry[-1])#9
    print(arry[:-1])#[1 2 3 4 5 6 7 8]
    print(arry[::-1])#[9 8 7 6 5 4 3 2 1]
    print(arry[-1:])#[9]
    print(arry[2::-1])#[3 2 1]
    #修改元素的值
    arry[2:4]=100,101
    print(arry)#[ 1 2 100 101 5 6 7 8 9]
    print(arry[5:1:-2])#[ 6 101]
    print(arry[5:-1:2])#[6 8]
    print(arry[5:-2:2])#[6]
    #多维数组的索引
    arr = np.array ( [ [1, 2, 3, 4, 5],[4, 5, 6, 7, 8], [7, 8, 9, 10, 11] ] )
    print(arr)
    print(arr[0,3:5])#[4 5]
    print(arr[1:,2:])# (hang,lie)
    """ [[ 6 7 8] [ 9 10 11]] """
    print(arr[:,2])#[3 6 9] 返回一个数组1行3列
    #从两个序列的对应位置取出两个整数来组成下标
    print(arr[[(0,1,2),(1,2,3)]])#[ 2 6 10]
    print(arr[1:,(0,2,3)])
    """ [[ 4 6 7] [ 7 9 10]] """
    #改变数组形状
    ar=np.arange(12)
    print(ar)
    print(ar.reshape(3,4))
    #ravel函数 展评数组
    print(ar.reshape(3,4).ravel())
    #flatten函数展评数组
    print(ar.reshape(3,4).flatten())#横向展平 默认'C'
    print(ar.reshape(3,4).flatten('F'))#纵向展平
    #组合数组
    #ar1=np.array([1,2,3,4])
    #ar2=np.array([[1,2,3,4],[2,3,4,5],[3,4,5,6]])
    #数组横向组合
    #print(np.hstack((ar1,ar2)))#此处不满足横向条件
    #print(np.concatenate((ar1,ar2),axis=1))#此处不满足横向条件
    #数组纵向组合
    #print(np.vstack((ar1,ar2)))
    #print(np.concatenate((ar1,ar2),axis=0))
    """ [[1 2 3 4] [1 2 3 4] [2 3 4 5] [3 4 5 6]] """
    #切割数组
    #横向切割数组
    a=np.arange(16).reshape(4,4)
    print(a)
    print(np.hsplit(a,2))
    """ [array([[ 0, 1], [ 4, 5], [ 8, 9], [12, 13]]), array([[ 2, 3], [ 6, 7], [10, 11], [14, 15]])] """
    #纵向切割数组
    print(np.vsplit(a,2))
    """ [array([[0, 1, 2, 3], [4, 5, 6, 7]]), array([[ 8, 9, 10, 11], [12, 13, 14, 15]])] """
    
    #numpy矩阵
    #使用mat 创建矩阵
    mat1=np.mat("3 2 1;6 5 4;9 8 7")
    print(mat1)
    print(mat1.dtype)
    """ [[3 2 1] [6 5 4] [9 8 7]] """
    #使用matrix创建矩阵
    matrix1=np.matrix([[1,2,3],[4,5,6],[7,8,9]])
    #print(matrix1)
    """ [[1 2 3] [4 5 6] [7 8 9]] """
    #使用bmat和成矩阵
    #print(np.bmat(("mat1,matrix1;mat1,matrix1")))
    """ [[3 2 1 1 2 3] [6 5 4 4 5 6] [9 8 7 7 8 9] [3 2 1 1 2 3] [6 5 4 4 5 6] [9 8 7 7 8 9]] """# print(np.bmat(("mat1,mat1;matrix1,matrix1")))
    """ [[3 2 1 3 2 1] [6 5 4 6 5 4] [9 8 7 9 8 7] [1 2 3 1 2 3] [4 5 6 4 5 6] [7 8 9 7 8 9]] """
    #矩阵的运算
    #矩阵与数相乘
    matrix_new=matrix1*3#加减法同理
    #print(matrix_new)
    """ [[ 3 6 9] [12 15 18] [21 24 27]] """
    #矩阵与矩阵相乘 涉及到线性代数矩阵知识
    matrix_new1=matrix1*matrix1
    #print(matrix_new1)
    """ [[ 30 36 42] [ 66 81 96] [102 126 150]] """
    #矩阵对应元素相乘
    matrix_new2=np.multiply(matrix1,matrix1)
    #print(matrix_new2)
    """ [[ 1 4 9] [16 25 36] [49 64 81]] """
    #矩阵特有属性
    #print(matrix1.T)#矩阵的转置
    """ [[1 4 7] [2 5 8] [3 6 9]] """
    #print(matrix1.I)#矩阵的逆矩阵
    """ [[ 3.15251974e+15 -6.30503948e+15 3.15251974e+15] [ -6.30503948e+15 1.26100790e+16 -6.30503948e+15] [ 3.15251974e+15 -6.30503948e+15 3.15251974e+15]] """
    #print(matrix1.H)#矩阵的共轭转置
    """ [[1 4 7] [2 5 8] [3 6 9]] """
    #print(matrix1.A)#返回自身数据的2维数组的一个视图
    """ [[1 2 3] [4 5 6] [7 8 9]] """
    #ufnc全称通用函数（universal function），是一种能够对数组中所有元素进行操作的函数。
    #x=np.array( [1,3,5] )
    #y=np.array( [2,4,3] )
    #print(np.any(x==y))
    """ False """
    #x=np.array( [1,3,5] )
    #y=np.array( [2,4,3] )
    #print(np.all(x==y))
    """ False """
    #x=np.array([[1,3,5],[1,1,1],[2,2,2],[3,3,3]])
    #y=np.array([2,4,3])
    #print(x)
    #print(y)
    #print(x+y)
    """ [[3 7 8] [3 5 4] [4 6 5] [5 7 6]] """
    #x=np.array([[0,0,0],[1,1,1],[2,2,2],[3,3,3]])
    #y=np.array([1,2,3,4]).reshape((4,1))
    #print(x)
    #print(y)
    #print(x+y)
    """ [[1 1 1] [3 3 3] [5 5 5] [7 7 7]] """
    #numpy读写文件
    """ save函数是以二进制的格式保存数据。 np.save ("../tmp/save_arr " , arr) Ø load函数是从二进制的文件中读取数据。 np.load("../tmp/ save_arr.npy") Ø savez函数可以将多个数组保存到一个文件中。 np.savez('../tmp/savez_arr' ,arr1,arr2) Ø 存储时可以省略扩展名，但读取时不能省略扩展名。 """
    #x=np.array([[0,0,0],[1,1,1],[2,2,2],[3,3,3]])
    #y=np.array([1,2,3,4]).reshape((4,1))
    #print(x)
    #print(y)
    #np.save("C:/Users/lenovo/Desktop/numpy读写.txt",x)
    #load_data=np.load("C:/Users/lenovo/Desktop/numpy读写.txt")
    
    #间接排序
    #a=np.array([3,2,6,4,5])
    #b=np.array([50,30,40,20,10,])
    #c=np.array([400,300,600,100,200])
    #d=np.argsort((a,b,c))#argsort函数返回值为重新排序值的下标。 arr.argsort()
    #print(d)
    """ [[1 0 3 4 2] [4 3 1 2 0] [3 4 1 0 2]] """
    #d=np.lexsort((a,b,c))#lexsort函数返回值是按照最后一个传入数据排序的。 np.lexsort((a,b,c))
    #print(d)
    """ [3 4 1 0 2] """
    #tile函数
    #a=np.arange(5)
    #print(np.tile(a,3))
    """ [0 1 2 3 4 0 1 2 3 4 0 1 2 3 4] """
    #repeat函数
    #a=np.arange(5)
    #print(np.repeat(a,3,axis=0))
    """ [0 0 0 1 1 1 2 2 2 3 3 3 4 4 4] """
    """ 这两个函数的主要区别在于，tile函数是对数组进行重复操作，repeat函数是对数组中的每个元素进行重复操作 """
     a=np.arange(16).reshape(4,4)
     print(a)
    """ [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]] """
     print(np.repeat(a,3,axis=0))#行方向
    """ [[ 0 1 2 3] [ 0 1 2 3] [ 0 1 2 3] [ 4 5 6 7] [ 4 5 6 7] [ 4 5 6 7] [ 8 9 10 11] [ 8 9 10 11] [ 8 9 10 11] [12 13 14 15] [12 13 14 15] [12 13 14 15]] """
     print(np.repeat(a,3,axis=1))# 列方向
    """ [[ 0 0 0 1 1 1 2 2 2 3 3 3] [ 4 4 4 5 5 5 6 6 6 7 7 7] [ 8 8 8 9 9 9 10 10 10 11 11 11] [12 12 12 13 13 13 14 14 14 15 15 15]] """
    #常见的统计函数
    """ sum 计算数组的和 mean 计算数组均值 std 计算数组标准差 var 计算数组方差 min 计算数组最小值 max 计算数组最大值 argmin 返回数组最小元素的索引 argmax 返回数组最大素的索引 cumsum 计算所有元素的累计和 cumprod 计算所有元素的累计积 """
    a=np.arange(20).reshape(4,5)
    print(np.sum(a))#190
    #数组纵轴的和
    print(np.sum(a,axis=0))
    """ [30 34 38 42 46] """
    #数组横轴的和
    print(np.sum(a,axis=1))
    """ [10 35 60 85] """