Numpy基础教程

骑猪看日落 2021-05-12 11:49 713阅读 0赞

# Numpy基础教程 #

#### 目录 ####

基本概念

numpy中的array创建

numpy中的array形状，纬度，大小

numpy中的array加减法，次方，三角函数，乘法

numpy中的最大小值，求和，平均值，中位数

numpy中值对应的索引

numpy中的累和，累差

numpy中判断非零元素

numpy中Transpose

numpy中np.clip 大小阈值

numpy中索引对应的值

numpy中的迭代

numpy中的数组矩阵合并

numpy中的数组矩阵分割

numpy中的赋值和deepcopy

### 基本概念： ###

数组：具有相同类型的数据组成的序列，且该序列是有序集合。
    数组中的每一个数据称为数据元素。
    数组元素由其所在的位置序号来区分。
    一维数组是向量，二维数组是矩阵，三维数组.........

### 首先需要导入： ###

import numpy as np

### numpy中的array创建： ###

*      # 创建一维数组
        array_1 = np.array([1,2,3])
    
    ![在这里插入图片描述][20200128212637667.png]
 *      # 创建二维数组（多维数组也同理）
        array_2 = np.array([[1,2,3],
                           	[4,5,6]])  # 可以放在同一排，也可以对齐
    
    ![在这里插入图片描述][20200128212645436.png]
 *      # 生成全零的形状为[2,3]的数组，用括号也可以(2,3)
        o = np.zeros([2,3])
    
    ![在这里插入图片描述][20200128212659697.png]
 *      # 生成全一的形状为[3,4]的数组
        one = np.ones([3,4])
    
    ![在这里插入图片描述][20200128212716491.png]
 *      # 生成全为空的[3,3]的数组，其实是生成很小很小的数
        empty = np.empty([3,3])
 *      # 生成有序的一维数组
        youxu = np.arange(10)  # 0-9总的10个数
        # 将一维数组重成其他形状
        a = np.array(12)
        b = a.reshape([3,4])
    
    ![在这里插入图片描述][20200128212814495.png]
    
    ### numpy中的array形状，纬度，大小： ###
 *      # 数组的形状，维度，大小
        print(array_2.shape)
        print(array_2.ndim)
        print(array_2.size)
    
    ![在这里插入图片描述][20200128212832712.png]
    
    ### numpy中的array加减法，次方，三角函数，乘法： ###
 *      # array的减法和加法
        a = np.array([10,20,30,40])
        b = np,arange(4)
        c = a-b
        d = a+b
    
    ![在这里插入图片描述][20200128212848418.png]
 *      # array的次方
        a = np.array([10,20,30,40])
        b = a**2
        print(b)
    
    ![在这里插入图片描述][2020012821291351.png]
 *      # numpy中的三角函数sin cos tan
        a = np.array([[1,2,3],[2,3,4],[3,4,5]])
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70]
 *      # 判断各个数，返回True Flase
        a = np.arange(4)
        print(a<3)
        print(a>3)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 1]
 *      # numpy 的乘法（每个元素相乘和矩阵相乘）
        a = np.array([[2,3],[3,4]])
        b = np.arange(4).reshape([2,2])
        # 每个元素相乘
        c = a*b
        # 矩阵相乘
        d = np.dot(a,b)
        d_2 = a.dot(b)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 2]
    
    ### numpy中的最大小值，求和，平均值，中位数： ###
 *      # 矩阵元素的最大值最小值,求和，平均值，中位数
        # 最大值
        a = np.arange(2,14).reshape([3,4])
        np.max(a)  # 全部元素的最大值
        np.max(a,axis=0) # 按列 每列的最大值
        np.max(a,axis=1) # 按行 每行的最大值
        # 最小值同理
        np.min(a)
        np.min(a,axis=0)
        np.min(a,axis=1)
        # 求和同理
        np.sum(a)
        np.sum(a,axis=0)
        np.sum(a,axis=1)
        # 平均值同理
        np.mean(a)
        np.average(a)
        # 中位数同理
        np.median(a)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 3]
    
    ### numpy中值对应的索引： ###
 *      # 返回索引
        # 最大值索引
        np.argmax(a)  # 全部元素最大值的索引
        np.argmax(a,axis=0)  # 按列 每列的最大值索引
        np.argmax(a,axis=1)  # 按行 每行的最大值索引
        # 最小值索引同理
        np.argmin(a)
        np.argmin(a,axis=0)
        np.argmin(a,axis=1)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 4]
    
    ### numpy中的累和，累差： ###
 *      # 求累和和累差
        a = np.arange(2,14).reshape([3,4])
        # 累和
        np.cumsum(a)
        # 累差
        np.diff(a)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 5]
    
    ### numpy中判断非零元素： ###
 *      # 判断元素非零
        a = np.array([[1,2],[0,3]])
        np.nonzero(a)
        # 0行0列非零，0行1列非零，1行1列非零
    
    ![在这里插入图片描述][20200128213004601.png]
    
    ### numpy中Transpose： ###
 *      # 矩阵的转置，行变列，列变行
        a = np.arange(6).reshape([2,3])
        print(a,a.shape)
        b = np.transpose(a)
        print(b,b.shape)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 6]
    
    ### numpy中np.clip 大小阈值： ###
 *      # np.clip 给定min和max，小于最小值元素的变为最小值，大于最大值的元素变为最大值，介于中介的保持不变
        a = np.array([[2,3,4],[3,7,8],[20,45,6]])
        np.clip(a,6,10)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 7]
    
    ### numpy中索引对应的值： ###
 *      # numpy的索引
        # 一维数组的索引
        one_array = np.arange(2,14)
        print(one_array)
        print(one_array[3]) # 想要显示5的话
    
    ![在这里插入图片描述][20200128213039505.png]
 *      # 二维数组的索引
        two_array = np.arange(2,14).reshape([3,4])
        print(two_array)
        # 想要显示第二行
        print(two_array[1])  
        print(two_array[1,:])
        # 想要显示第三列
        print(two_array.T[2])   
        # 想要显示10
        print(two_array[2][0])  
        print(two_array[2,0])  
        # 想要显示[11,12,13]
        print(two_array[2,1:4])
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 8]
    
    ### numpy中的迭代： ###
 *      two_array = np.arange(2,14).reshape([3,4])
        # 迭代行
        for row in two_array:
            print(row)
        # 迭代列
        for col in two_array.T:
            print(col)
        # 迭代每一个元素
        print(two_array.flatten())
        for item in two_array.flat:
            print(item)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 9]
    
    ### numpy中的数组矩阵合并： ###
 *      # 合并
        # a，b是一维数组
        a = np.array([1,1,1])
        b = np.array([2,2,2])
        # 上下合并后变成二维矩阵
        print(np.hstack((a,b)))   # horizontal stack 左右合并
        print(np.vstack((a,b)))   # vertical stack 上下合并
        
        # 直接给一维数组增加新的纬度
        print(a[np.newaxis,:])   # 在行上增加
        print(a[:,np.newaxis])   # 在列上增加
        c = a[:,np.newaxis]
        d = b[:,np.newaxis]
        merge_vstack = np.vstack((c,d,d,c))   # 上下合并
        merge_hstack = np.hstack((c,d,d,c))   # 左右合并
        merge_axis0 = np.concatenate((c,d,d,c), axis=0)  # axis=0 上下合并
        merge_axis1 = np.concatenate((c,d,d,c), axis=1)  # axis=1 左右合并
        print("merge_vstack:",merge_vstack )  
        print("merge_hstack:",merge_hstack)
        print("merge_axis0:",merge_axis0)
        print("merge_axis1:",merge_axis1)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 10]
    
    ### numpy中的数组矩阵分割： ###
 *      # 分割
        a = np.arange(12).reshape([3,4])
        # 水平均等分割
        print(np.split(a,2,axis=1))
        print(np.hsplit(a,2))
        # 上下均等分割
        print(np.split(a,3,axis=0))
        print(np.vsplit(a,3))
        # 不均等分割不能用np.split(),要用np.array_split()
        print(np.split(a,3,axis=1))  # 这句会报错
        print(np.array_split(a,3,axis=1))
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 11]
    
    ### numpy中的赋值和deepcopy： ###
 *      # 赋值 a,b,c,都会关联
        a = np.arange(4)
        b = a
        c = a
        d = b
        b is a
        d is a
        a[0] = [13]
        print(a)
        print(b)
        print(c)
        print(d)
        # deep copy 不关联
        b = a.copy()  # deep copy
        b is a
        print(a)
        print(b)
        a[1:3] = [100,99]
        print(a)
        print(b)
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 12]

[20200128212637667.png]: /images/20210511/e2eaeb9bc09f43429ad0e8437e4e9a0e.png
[20200128212645436.png]: /images/20210511/67b31729a5d348db866ff5817f0a4929.png
[20200128212659697.png]: /images/20210511/640c95cf521d4ae6b1544b2237a8e256.png
[20200128212716491.png]: /images/20210511/7b4521eaec3b456aad64e8aa6af887a7.png
[20200128212814495.png]: /images/20210511/01406816679f4e40893e8594c9b65eac.png
[20200128212832712.png]: /images/20210511/adc7a3d47476486b8c30095fde02cadb.png
[20200128212848418.png]: /images/20210511/32d846789fe844b4bff294de3216b22a.png
[2020012821291351.png]: /images/20210511/eb6085bb84864c9184827a8119c9be9a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70]: /images/20210511/12cfd53200ff454cb0d119ae0244ac74.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 1]: /images/20210511/0d1f1f386006488b9cf1fa8fbd03e9c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 2]: /images/20210511/85dc3287848a4d72af2dc43c5f06e938.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 3]: /images/20210511/de49eb19049c49b59526c44a4901d836.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 4]: /images/20210511/3915878a06c2414eb84c220a207079aa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 5]: /images/20210511/70452b6e67c446598ca00b677374470e.png
[20200128213004601.png]: /images/20210511/9da0bbf877764983a4281a8410b6bf94.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 6]: /images/20210511/b606c7adec244c5c97729e7ed0b8ec8a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 7]: /images/20210511/3139f04187b1458cb38c01fdd95cb827.png
[20200128213039505.png]: /images/20210511/3fcb3bd14eea4f9eaebf60765ac23178.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 8]: /images/20210511/62d0c555ffd74887bce0ebd9f04ab4e8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 9]: /images/20210511/a05c3afeeb2a46ca97bc12d149420054.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 10]: /images/20210511/8017e72e6fed4146b2bb2cd386c3d7a8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 11]: /images/20210511/fe4eb3c4e1bf44d7923bd5849fb8ea1d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDkxMjE1OQ_size_16_color_FFFFFF_t_70 12]: /images/20210511/780a855ca620485d96687f6a866a4a5f.png