当前位置:首页 >> 脚本专栏

python中numpy包使用教程之数组和相关操作详解

前言

大家应该都有所了解,下面就简单介绍下Numpy,NumPy(Numerical Python)是一个用于科学计算第三方的Python包。

NumPy提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。下面本文将详细介绍关于python中numpy包使用教程之数组和相关操作的相关内容,下面话不多说,来一起看看详细的介绍:

一、数组简介

Numpy中,最重要的数据结构是:多维数组类型(numpy.ndarray

ndarray由两部分组成:

  • 实际所持有的数据;
  • 描述这些数据的元数据(metadata)

数组(即矩阵)的维度被称为axes,维数称为rank

ndarray 的重要属性包括: 

  • ndarray.ndim:数组的维数,也称为rank
  • ndarray.shape:数组各维的大小,对一个n行m列的矩阵来说, shape 为 (n,m)
  • ndarray.size:元素的总数。
  • ndarray.dtype:每个元素的类型,可以是numpy.int32, numpy.int16, and numpy.float64等
  • ndarray.itemsize:每个元素占用的字节数。
  • ndarray.data:指向数据内存。

二、数组的使用

使用numpy前要先导入模块,使用下面的语句导入模块:

improt numpy as np #其中np为numpy的别名,是一种习惯用法 

1.使用array方法生成数组

array,也就是数组,是numpy中最基础的数据结构,最关键的属性是维度和元素类型,在numpy中,可以非常方便地创建各种不同类型的多维数组,并且执行一些基本基本操作,生成数组的方法有一下几种:
以list或tuple变量产生以为数组:

> print np.array([1,2,3,4]) 
[1 2 3 4] 
> print np.array((1.2,2,3,4)) 
[ 1.2 2. 3. 4. ] 

以list或tuple变量为元素产生二维数组或者多维数组:

> x = np.array(((1,2,3),(4,5,6))) 
> x 
array([[1, 2, 3], 
 [4, 5, 6]]) 
> y = np.array([[1,2,3],[4,5,6]]) 
> y 
array([[1, 2, 3], 
 [4, 5, 6]]) 

2.使用numpy.arange方法生成数组

> print np.arange(15) 
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] 
> print type(np.arange(15)) 
<type 'numpy.ndarray'> 

3.使用内置函数生成特殊矩阵(数组)

零矩阵

> print np.zeros((3,4)) 
[[ 0. 0. 0. 0.] 
 [ 0. 0. 0. 0.] 
 [ 0. 0. 0. 0.]] 

一矩阵

> print np.ones((3,4)) 
[[ 1. 1. 1. 1.] 
 [1. 1. 1. 1.] 
 [ 1. 1. 1. 1.]] 

单位矩阵

> print np.eye(3) 
[[ 1. 0. 0.] 
 [0. 1. 0.] 
 [ 0. 0. 1.]] 

4.索引与切片

> x = np.array(((1,2,3),(4,5,6))) 
> x[1,2] #获取第二行第三列的数 
6 
> y=x[:,1] #获取第二列 
> y 
array([2, 5]) 

与python语法一致,不再举例。

5.获取数组属性

> a = np.zeros((2,2,2)) 
> print a.ndim #数组的维数 
3 
> print a.shape #数组每一维的大小 
(2, 2, 2) 
> print a.size #数组的元素数 
8 
> print a.dtype #元素类型 
float64 
> print a.itemsize #每个元素所占的字节数 
8 

6.数组变换

多维转换为一维:

> x 
array([[1, 2, 3], 
  [4, 5, 6]]) 
> x.flatten() 
array([1, 2, 3, 4, 5, 6]) 

一维转换为多维:

> print np.arange(15).reshape(3,5) #改变形状,将一维的改成三行五列 
[[ 0 1 2 3 4] 
 [ 5 6 7 8 9] 
 [10 11 12 13 14]] 

转置:

> x 
array([[1, 2, 3], 
  [4, 5, 6]]) 
> x.transpose() 
array([[1, 4], 
  [2, 5], 
  [3, 6]]) 

7.数组组合

水平组合:

> y=x 
> numpy.hstack((x,y)) 
array([[1, 2, 3, 1, 2, 3], 
  [4, 5, 6, 4, 5, 6]] 

垂直组合

> numpy.vstack((x,y)) 
array([[1, 2, 3], 
  [4, 5, 6], 
  [1, 2, 3], 
  [4, 5, 6]]) 

用concatenate函数可以同时实现这两种方式,通过指定axis参数,默认为0,垂直组合。

> numpy.concatenate((x,y)) 
array([[1, 2, 3], 
  [4, 5, 6], 
  [1, 2, 3], 
  [4, 5, 6]]) 
> numpy.concatenate((x,y),axis=1) 
array([[1, 2, 3, 1, 2, 3], 
  [4, 5, 6, 4, 5, 6]]) 

8.数组分割

垂直分割

> z 
array([[1, 2, 3], 
  [4, 5, 6], 
  [1, 2, 3], 
  [4, 5, 6]]) 
> numpy.vsplit(z,2) #注意这里设置的分割数目必须可以被行数整除 
[array([[1, 2, 3], 
  [4, 5, 6]]), array([[1, 2, 3], 
  [4, 5, 6]])] 

水平分割

> numpy.hsplit(z,3) 
[array([[1], 
  [4], 
  [1], 
  [4]]), array([[2], 
  [5], 
  [2], 
  [5]]), array([[3], 
  [6], 
  [3], 
  [6]])] 

用split函数可以同时实现这两个效果,通过设置其axis参数区别,与组合类似,这里不在演示。

三、矩阵

通过上面对数组的操作可以知道,numpy中可以通过数组模拟矩阵,但是numpy也有专门处理矩阵的数据结构——matrix。

1.生成矩阵

> numpy.mat('1 2 3;4 5 6;7 8 9') 
matrix([[1, 2, 3], 
  [4, 5, 6], 
  [7, 8, 9]]) 

2.数组矩阵转化

矩阵转数组

> m=numpy.mat('1 2 3;4 5 6;7 8 9') 
> numpy.array(m) 
array([[1, 2, 3], 
  [4, 5, 6], 
  [7, 8, 9]]) 

数组转矩阵

> n=numpy.array(m) 
> numpy.mat(n) 
matrix([[1, 2, 3], 
  [4, 5, 6], 
  [7, 8, 9]]) 

3.矩阵方法

求逆:

> m.I 
matrix([[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15], 
  [ 9.00719925e+15, -1.80143985e+16, 9.00719925e+15], 
  [ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15]]) 

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流,谢谢大家对的支持