Python程序设计之Numpy

今天药忘吃喽~ 2023-06-19 15:24 4阅读 0赞

Numpy是Python语言的一个扩充程序库。支持高级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内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

Numpy简单创建数组

import numpy as np
    # 创建简单的列表
    a = [1,2,3,4]
    # 将列表转换为数组
    b = np.array(a)
    
    if __name__ == '__main__':
        print(b)

输出结果：  
![在这里插入图片描述][20191207093736305.png]

Numpy查看数组属性

import numpy as np
    # 创建简单的列表
    a = [1,2,3,4]
    # 将列表转换为数组
    b = np.array(a)
    #数组元素的个数
    print(b.size)
    #数组形状
    print(b.shape)
    #数组维度
    print(b.ndim)
    #数组的元素类型
    print(b.dtype)

输出结果：

![在这里插入图片描述][20191207093746404.png]

快速创建N维数组的api函数

import numpy as np
    # 快速创建N维数组的api函数
    array_one = np.ones([10, 10])
    
    if __name__ == '__main__':
        print(array_one)

输出结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70]

创建10行10列的数值为浮点0的矩阵：

import numpy as np
    # 创建10行10列的数值为浮点0的矩阵
    array_zero = np.zeros([10, 10])
    
    if __name__ == '__main__':
        print(array_zero)

输出结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 1]

创建指定形状

import numpy as np
    # Numpy创建随机数组np.random
    # 均匀分布
    #创建指定形状(示例为10行10列)的数组(范围在0至1之间)
    print(np.random.rand(10, 10))

输出结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 2]

创建指定范围内的一个数

import numpy as np
    # Numpy创建随机数组np.random
    # 均匀分布
    # 创建指定范围内的一个数
    print(np.random.uniform(0, 100))

输出结果：  
![在这里插入图片描述][20191207093837261.png]

创建指定范围内的一个整数

import numpy as np
    # Numpy创建随机数组np.random
    # 均匀分布
    # 创建指定范围内的一个整数
    print(np.random.randint(0, 100))

输出结果：  
![在这里插入图片描述][20191207093850269.png]

给定均值/标准差/维度的正态分布

import numpy as np
    # Numpy创建随机数组np.random
    # 正态分布
    # 给定均值/标准差/维度的正态分布
    print(np.random.normal(1.75, 0.1, (2, 3)))

输出结果：  
![在这里插入图片描述][20191207093907472.png]

数组的索引，切片

import numpy as np
    # Numpy创建随机数组np.random
    # 正态分布
    # 数组的索引, 切片
    # 正态生成4行5列的二维数组
    arr = np.random.normal(1.75,0.1,(4,5))
    print(arr)
    # 截取第1至2行的第2至3列（从第0行算起）
    after_arr = arr[1:3,2:4]
    print(after_arr)

输出结果：  
![在这里插入图片描述][20191207093920267.png]

改变数组形状

import numpy as np
    # 改变数组形状(要求前后元素个数匹配)
    print("reshape函数的使用！")
    one_20 = np.ones([20])
    print("-->1行20列<--")
    print(one_20)
    
    one_4_5 = one_20.reshape([4,5])
    print("-->4行5列<--")
    print(one_4_5)

输出结果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 3]

Numpy计算

条件判断：
    import numpy as np
    # Numpy计算
    # 条件判断
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    print(stus_score > 80)

输出结果：  
![在这里插入图片描述][20191207093940686.png]

三目运算：

import numpy as np
    # Numpy计算
    # 三目运算
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    # 如果数值小于80，替换为0，如果大于80，替换为90
    print(np.where(stus_score<80,0,90))

输出结果：  
![在这里插入图片描述][20191207093950314.png]

求最大值

import numpy as np
    # Numpy计算
    # 统计运算 —— 求最大值
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    # 指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
    print("每一列的最大值为：")
    result = np.amax(stus_score, axis=0)
    print(result)
    
    print("每一行的最大值为：")
    result = np.amax(stus_score, axis=1)
    print(result)

输出结果：

![在这里插入图片描述][2019120709400719.png]

求最小值：

import numpy as np
    # Numpy计算
    # 统计运算 —— 求最小值
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    # 指定轴最小值amin(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
    print("每一列的最小值为：")
    result = np.amin(stus_score, axis=0)
    print(result)
    
    print("每一行的最小值为：")
    result = np.amin(stus_score, axis=1)
    print(result)

输出结果：  
![在这里插入图片描述][20191207094019897.png]

指定轴平均值mean

import numpy as np
    # Numpy计算
    # 统计运算 —— 求平均值
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    # 指定轴平均值mean(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
    print("每一列的平均值为：")
    result = np.mean(stus_score, axis=0)
    print(result)
    
    print("每一行的平均值为：")
    result = np.mean(stus_score, axis=1)
    print(result)

输出结果：

![在这里插入图片描述][20191207094030187.png]

方差std

import numpy as np
    # Numpy计算
    # 统计运算 —— 求方差
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    # 指定方差std(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)
    print("每一列的方差为：")
    result = np.std(stus_score, axis=0)
    print(result)
    
    print("每一行的方差为：")
    result = np.std(stus_score, axis=1)
    print(result)

输出结果：

![在这里插入图片描述][20191207094040183.png]

数组与数的运算

import numpy as np
    # Numpy计算
    # 统计运算 —— 数组与数的运算（加法）
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    
    print("加分前：")
    print(stus_score)
    
    # 为所有平时成绩都加5分
    stus_score[:,0] = stus_score[:,0]+5
    print("加分后：")
    print(stus_score)

输出结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 4]

import numpy as np
    # Numpy计算
    # 统计运算 —— 数组与数的运算（乘法）
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    
    print("减半前：")
    print(stus_score)
    
    # 为所有平时成绩都加5分
    stus_score[:,0] = stus_score[:,0]*0.5
    print("减半后：")
    print(stus_score)

输出结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 5]

数组间运算：

import numpy as np
    # Numpy计算
    # 统计运算 —— 数组间运算
    a = np.array([1,2,3,4])
    b = np.array([10,20,30,40])
    c = a + b
    d = a - b
    e = a * b
    f = a / b
    print("a+b为",c)
    print("a-b为",d)
    print("a*b为",e)
    print("a/b为",f)

输出结果：

![在这里插入图片描述][20191207094122661.png]

矩阵运算np.dot()

计算规则  
(M行, N列) \* (N行, Z列) = (M行, Z列)

import numpy as np
    # Numpy计算
    # 矩阵运算：总成绩
    # 计算规则
    # (M行, N列) * (N行, Z列) = (M行, Z列)
    stus_score = np.array([[80,88],[82,81],[84,75],[86,83],[75,81]])
    # 平时成绩占40% 期末成绩占60%，计算结果
    q = np.array([[0.4],[0.6]])
    result = np.dot(stus_score,q)
    print("最终结果为：")
    print(result)

输出结果：  
![在这里插入图片描述][20191207094140605.png]

矩阵拼接  
矩阵垂直拼接

import numpy as np
    # Numpy计算
    # 矩阵拼接
    # 矩阵垂直拼接
    print("v1为：")
    v1 = [[0,1,2,3,4,5],[6,7,8,9,10,11]]
    print(v1)
    print("v2为：")
    v2 = [[12,13,14,15,16,17],[18,19,20,21,22,23]]
    print(v2)
    #垂直拼接
    result = np.vstack((v1,v2))
    print("v1和v2垂直拼接的结果为")
    print(result)

输出结果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 6]

矩阵水平拼接

import numpy as np
    # Numpy计算
    # 矩阵拼接
    # 矩阵水平拼接
    print("v1为：")
    v1 = [[0,1,2,3,4,5],[6,7,8,9,10,11]]
    print(v1)
    print("v2为：")
    v2 = [[12,13,14,15,16,17],[18,19,20,21,22,23]]
    print(v2)
    #垂直拼接
    result = np.hstack((v1,v2))
    print("v1和v2水平拼接的结果为")
    print(result)

输出结果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 7]  
Numpy读取数据np.genfromtxt

![在这里插入图片描述][2019120709421130.png]

import numpy as np
    # Numpy读取数据np.genfromtxt
    # genfromtxt 设置csv文件读取路径，设置分隔符
    result = np.genfromtxt("./students_score.csv",delimiter=",")
    print(result)

输出结果：

![在这里插入图片描述][20191207094222948.png]

[20191207093736305.png]: https://img-blog.csdnimg.cn/20191207093736305.png
[20191207093746404.png]: https://img-blog.csdnimg.cn/20191207093746404.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191207093758867.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/2019120709380744.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191207093823483.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[20191207093837261.png]: https://img-blog.csdnimg.cn/20191207093837261.png
[20191207093850269.png]: https://img-blog.csdnimg.cn/20191207093850269.png
[20191207093907472.png]: https://img-blog.csdnimg.cn/20191207093907472.png
[20191207093920267.png]: https://img-blog.csdnimg.cn/20191207093920267.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191207093926602.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[20191207093940686.png]: https://img-blog.csdnimg.cn/20191207093940686.png
[20191207093950314.png]: https://img-blog.csdnimg.cn/20191207093950314.png
[2019120709400719.png]: https://img-blog.csdnimg.cn/2019120709400719.png
[20191207094019897.png]: https://img-blog.csdnimg.cn/20191207094019897.png
[20191207094030187.png]: https://img-blog.csdnimg.cn/20191207094030187.png
[20191207094040183.png]: https://img-blog.csdnimg.cn/20191207094040183.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/2019120709405216.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20191207094108364.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[20191207094122661.png]: https://img-blog.csdnimg.cn/20191207094122661.png
[20191207094140605.png]: https://img-blog.csdnimg.cn/20191207094140605.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20191207094156849.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20191207094206729.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1NjEzOTMx,size_16,color_FFFFFF,t_70
[2019120709421130.png]: https://img-blog.csdnimg.cn/2019120709421130.png
[20191207094222948.png]: https://img-blog.csdnimg.cn/20191207094222948.png