numpy ------ 强大的python扩展库

今天来整理一下numpy 数学库，主要用于数组计算
整理一下知识，使用更加得心应手。
有兴趣的码友一起学习一下吧。
点赞收藏关注。以资鼓励，谢谢~~~~

一： Numpy 对象

N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
ndarray 中的每个元素在内存中都有相同存储大小的区域
ndarray 内部由以下内容组成：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针数据类型或 dtype，描述在数组中的固定大小值的格子
• 一个表示数组形状（shape）的元组，表示各维度大小的元组
• 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数

二： Numpy创建

numpy.array 构造器来创建
numpy.empty方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组
numpy.zeros创建指定大小的数组，数组元素以 0 来填充

#order:创建数组的样式，C为行方向，F为列方向，A为任意方向

numpy.array(object, dtype = None, copy = True, order = None, subok = False,ndmin = 0)
1
2
3

#比如
a = np.array([1,2,3])
a = np.array([[1, 2], [3, 4]]) #两个维度2x2
a = np.array([1, 2, 3], dtype = complex) #复数
1
2
3
4

#order - "C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
numpy.empty(shape, dtype = float, order = 'C')
1
2

#比如
x = np.empty([3,2], dtype = int)
1
2

numpy.ones创建指定形状的数组，数组元素以 1 来填充
numpy.arange创建数值范围并返回 ndarray 对象

三： Numpy索引

通过冒号分隔切片参数 start:stop:step 来进行切片操作。
切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它
将返回包含行中元素的 ndarray。

四：Numpy常用操作

numpy.reshape 函数可以在不改变数据的条件下修改形状
numpy.transpose 函数用于对换数组的维度,numpy.ndarray.T 类似 numpy.transpose

numpy.zeros(shape, dtype = float, order = 'C')
#比如
y = np.zeros((5,), dtype = np.int)
numpy.ones(shape, dtype = None, order = 'C')
#比如
x = np.ones([2,2], dtype = int)
1
2
3
4
5
6

#根据 start 与 stop 指定的范围以及 step 设定的步长，dtype数据类型生成ndarray
numpy.arange(start, stop, step, dtype)
1
2

#比如
x = np.arange(10,20,2)
x = np.arange(5)
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a)
1
2
3
4
5

• 从某个索引处开始切割

print('从数组索引 a[1:] 处开始切割')
print(a[1:])
print (a[...,1]) # 第2列元素
print (a[1,...]) # 第2行元素
print (a[...,1:]) # 第2列及剩下的所有元素
numpy.reshape(arr, newshape, order='C')
1
2
3
4
5
6

#比如
a = np.arange(8)
print ('原始数组：')
print (a)
print ('\n')
b = a.reshape(4,2)
print ('修改后的数组：')
print (b)
numpy.transpose(arr, axes)
#比如
import numpy as np
a = np.arange(12).reshape(3,4)
print ('原数组：')
print (a )
print ('\n')
print ('对换数组：')
print (np.transpose(a))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

numpy.expand_dims 函数通过在指定位置插入新的轴来扩展数组形状
numpy.expand_dims(arr, axis)

#比如
x = np.array(([1,2],[3,4]))
print ('数组 x：')
print (x)
print ('\n')
y = np.expand_dims(x, axis = 0)
print ('数组 y：')
print (y)
print ('\n')
print ('数组 x 和 y 的形状：')
print (x.shape, y.shape)
print ('\n')
1
2
3
4
5
6
7
8
9
10
11
12

numpy.squeeze 函数从给定数组的形状中删除一维的条目
numpy.squeeze(arr, axis)

#比如
x = np.arange(9).reshape(1,3,3)
print ('数组 x：')
print (x)
print ('\n')
y = np.squeeze(x)
print ('数组 y：')
print (y)
print ('\n')
print ('数组 x 和 y 的形状：')
print (x.shape, y.shape)
1
2
3
4
5
6
7
8
9
10
11

numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组
numpy.concatenate((a1, a2, …), axis)

#比如
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])
print (np.concatenate((a,b),axis = 1))
1
2
3
4

如有帮助，点赞收藏关注！！！
如需转载，请注明出处！！！