前言：
NumPy 是 Python 语言的一个扩充程序库，支持大量高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。同时NumPy 是机器学习必不可少的工具之一。
常用操作主要有：
- 创建数组数组运算数学函数数组切片和索引数组形状操作数组排序数组统计
环境
- Python>NumPy: 1.14.2
1、导包
import numpy as np
2、通过列表创建数组 array()
np.array([1, 2, 3]) #一维数组 np.array([(1, 2, 3), (4, 5, 6)]) #二维数组
3、0/1数组 zeros()、ones()
np.zeros((3, 3)) #3行3列 np.ones((2, 3, 4))
4、等差数组 arange() reshape()
#一维等差 np.arange(5) #array([0, 1, 2, 3, 4]) # 二维等差 np.arange(6).reshape(2, 3) 结果： array([[0, 1, 2], [3, 4, 5]])
5、单位矩阵 eye()
np.eye(3) 结果： array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
7、等间隔数组
#一维 np.linspace(1, 10, num=6) #array([ 1. , 2.8, 4.6, 6.4, 8.2, 10. ])
8、随机数组
np.random.rand(2, 3) array([[0.40360777, 0.74141574, 0.32018331], [0.15261484, 0.18692149, 0.19351765]])
9、随机整数数组
np.random.randint(10, size=(2, 3)) #数值小于10 array([[2, 1, 0], [2, 7, 5]])
10、依据函数创建数组
np.fromfunction(lambda i, j: i + j, (3, 6)) array([[0., 1., 2., 3., 4., 5.], [1., 2., 3., 4., 5., 6.], [2., 3., 4., 5., 6., 7.]])
数组运算
+-*/>
# 矩阵乘法 np.dot(A, B) # 如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算 np.mat(A) * np.mat(B)
转置:
A.T
矩阵求逆:
np.linalg.inv(A)
e^x
np.exp(a)
平方根:
np.sqrt(a)
三次方:
np.power(a, 3)
数组的切皮与索引
一维数组:
a = np.array([1, 2, 3, 4, 5]) # 一维数组索引 a[0], a[-1] # 一维数组切片 a[0:2], a[:-1]
二维数组;
a = np.array([(1, 2, 3), (4, 5, 6), (7, 8, 9)]) # 索引 a[0], a[-1] ######## 切片 # 取第二列 a[:, 1] #取第 2，3 行 a[1:3, :]
数组形状
形状（行列数）
a.shape
更改行列数
a.reshape(2, 3) #指向新对象， reshape 并不改变原始数组 # resize 会改变原始数组 a.resize(2, 3)
展平数组
a.ravel()
垂直拼合数组，摞起来
np.vstack((a, b))
水平拼合数组，挨着摆
np.hstack((a, b))
分割数组：
array([[5, 0, 2], [4, 2, 4], [4, 7, 9]]) # 沿横轴分割数组 np.hsplit(a, 3) [array([[5], [4], [4]]), array([[0], [2], [7]]), array([[2], [4], [9]])] # 沿纵轴分割数组 np.vsplit(a, 3) [array([[5, 0, 2]]), array([[4, 2, 4]]), array([[4, 7, 9]])]
数组排序：
# 生成示例数组 a = np.array(([1, 4, 3], [6, 2, 9], [4, 7, 2])) # #### 返回每列最大值 np.max(a, axis=0) # #### 返回每行最小值 np.min(a, axis=1) # #### 返回每列最大值索引 np.argmax(a, axis=0) # #### 返回每行最小值索引 np.argmin(a, axis=1)
数组统计：
# 继续使用上面的 a 数组 np.median(a, axis=0) # #### 统计数组各行的算术平均值 np.mean(a, axis=1) # #### 统计数组各列的加权平均值 np.average(a, axis=0) # #### 统计数组各行的方差 np.var(a, axis=1) # #### 统计数组各列的标准偏差 np.std(a, axis=0)
进阶：
# #### 51. 创建一个 5x5 的二维数组，其中边界值为1，其余值为0
# In[60]:
Z = np.ones((5,5))
Z[1:-1,1:-1] = 0
Z
# #### 52. 使用数字 0 将一个全为 1 的 5x5 二维数组包围
# In[61]:
Z = np.ones((5,5))
Z = np.pad(Z, pad_width=1, mode='constant', constant_values=0)
Z
# #### 53. 创建一个 5x5 的二维数组，并设置值 1, 2, 3, 4 落在其对角线下方
# In[62]:
Z = np.diag(1+np.arange(4),k=-1)
Z
# #### 54. 创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置
# In[63]:
Z = np.zeros((10,10),dtype=int)
Z[1::2,::2] = 1
Z[::2,1::2] = 1
Z
# #### 55. 创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数
# In[64]:
Z = np.arange(11)
Z[(1 < Z) & (Z <= 9)] *= -1
Z
# #### 56. 找出两个一维数组中相同的元
# In[65]:
Z1 = np.random.randint(0,10,10)
Z2 = np.random.randint(0,10,10)
print("Z1:", Z1)
print("Z2:", Z2)
np.intersect1d(Z1,Z2)
# #### 57. 使用 NumPy 打印昨天、今天、明天的日期
# In[66]:
yesterday = np.datetime64('today', 'D') - np.timedelta64(1, 'D')
today = np.datetime64('today', 'D')
tomorrow = np.datetime64('today', 'D') + np.timedelta64(1, 'D')
print("yesterday: ", yesterday)
print("today: ", today)
print("tomorrow: ", tomorrow)
# #### 58. 使用五种不同的方法去提取一个随机数组的整数部分
# In[67]:
Z = np.random.uniform(0,10,10)
print("原始值: ", Z)
print ("方法 1: ", Z - Z%1)
print ("方法 2: ", np.floor(Z))
print ("方法 3: ", np.ceil(Z)-1)
print ("方法 4: ", Z.astype(int))
print ("方法 5: ", np.trunc(Z))
# #### 59. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5
# In[68]:
Z = np.zeros((5,5))
Z += np.arange(1,6)
Z
# #### 60. 创建一个长度为 5 的等间隔一维数组，其值域范围从 0 到 1，但是不包括 0 和 1
# In[69]:
Z = np.linspace(0,1,6,endpoint=False)[1:]
Z
# #### 61. 创建一个长度为10的随机一维数组，并将其按升序排序
# In[70]:
Z = np.random.random(10)
Z.sort()
Z
# #### 62. 创建一个 3x3 的二维数组，并将列按升序排序
# In[71]:
Z = np.array([[7,4,3],[3,1,2],[4,2,6]])
print("原始数组: \n", Z)
Z.sort(axis=0)
Z
# #### 63. 创建一个长度为 5 的一维数组，并将其中最大值替换成 0
# In[72]:
Z = np.random.random(5)
print("原数组: ",Z)
Z[Z.argmax()] = 0
Z
# #### 64. 打印每个 NumPy 标量类型的最小值和最大值
# In[73]:
for dtype in [np.int8, np.int32, np.int64]:
print("The minimum value of {}: ".format(dtype), np.iinfo(dtype).min)
print("The maximum value of {}: ".format(dtype),np.iinfo(dtype).max)
for dtype in [np.float32, np.float64]:
print("The minimum value of {}: ".format(dtype),np.finfo(dtype).min)
print("The maximum value of {}: ".format(dtype),np.finfo(dtype).max)
# #### 65. 将 `float32` 转换为整型
# In[74]:
Z = np.arange(10, dtype=np.float32)
print(Z)
Z = Z.astype(np.int32, copy=False)
Z
# #### 66. 将随机二维数组按照第 3 列从上到下进行升序排列
# In[75]:
Z = np.random.randint(0,10,(5,5))
print("排序前：\n",Z)
Z[Z[:,2].argsort()]
# #### 67. 从随机一维数组中找出距离给定数值（0.5）最近的数
# In[76]:
Z = np.random.uniform(0,1,20)
print("随机数组: \n", Z)
z = 0.5
m = Z.flat[np.abs(Z - z).argmin()]
m
# #### 68. 将二维数组的前两行进行顺序交换
# In[77]:
A = np.arange(25).reshape(5,5)
print(A)
A[[0,1]] = A[[1,0]]
print(A)
# #### 69. 找出随机一维数组中出现频率最高的值
# In[78]:
Z = np.random.randint(0,10,50)
print("随机一维数组:", Z)
np.bincount(Z).argmax()
# #### 70. 找出给定一维数组中非 0 元素的位置索引
# In[79]:
Z = np.nonzero([1,0,2,0,1,0,4,0])
Z
# #### 71. 对于给定的 5x5 二维数组，在其内部随机放置 p 个值为 1 的数
# In[80]:
p = 3
Z = np.zeros((5,5))
np.put(Z, np.random.choice(range(5*5), p, replace=False),1)
Z
# #### 72. 对于随机的 3x3 二维数组，减去数组每一行的平均值
# In[81]:
X = np.random.rand(3, 3)
print(X)
Y = X - X.mean(axis=1, keepdims=True)
Y
# #### 73. 获得二维数组点积结果的对角线数组
# In[82]:
A = np.random.uniform(0,1,(3,3))
B = np.random.uniform(0,1,(3,3))
print(np.dot(A, B))
# 较慢的方法
np.diag(np.dot(A, B))
# In[83]:
# 较快的方法
np.sum(A * B.T, axis=1)
# In[84]:
# 更快的方法
np.einsum("ij, ji->i", A, B)
# #### 74. 找到随机一维数组中前 p 个最大值
# In[85]:
Z = np.random.randint(1,100,100)
print(Z)
p = 5
Z[np.argsort(Z)[-p:]]
# #### 75. 计算随机一维数组中每个元素的 4 次方数值
# In[86]:
x = np.random.randint(2,5,5)
print(x)
np.power(x,4)
# #### 76. 对于二维随机数组中各元素，保留其 2 位小数
# In[87]:
Z = np.random.random((5,5))
print(Z)
np.set_printoptions(precision=2)
Z
# #### 77. 使用科学记数法输出 NumPy 数组
# In[88]:
Z = np.random.random([5,5])
print(Z)
Z/1e3
# #### 78. 使用 NumPy 找出百分位数（25%，50%，75%）
# In[89]:
a = np.arange(15)
print(a)
np.percentile(a, q=[25, 50, 75])
# #### 79. 找出数组中缺失值的总数及所在位
# In[90]:
# 生成含缺失值的 2 维数组
Z = np.random.rand(10,10)
Z[np.random.randint(10, size=5), np.random.randint(10, size=5)] = np.nan
Z
# In[91]:
print("缺失值总数: \n", np.isnan(Z).sum())
print("缺失值索引: \n", np.where(np.isnan(Z)))
# #### 80. 从随机数组中删除包含缺失值的行
# In[92]:
# 沿用 79 题中的含缺失值的 2 维数组
Z[np.sum(np.isnan(Z), axis=1) == 0]
# #### 81. 统计随机数组中的各元素的数量
# In[93]:
Z = np.random.randint(0,100,25).reshape(5,5)
print(Z)
np.unique(Z, return_counts=True) # 返回值中，第 2 个数组对应第 1 个数组元素的数量
# #### 82. 将数组中各元素按指定分类转换为文本值
# In[94]:
# 指定类别如下
# 1 → 汽车
# 2 → 公交车
# 3 → 火车
Z = np.random.randint(1,4,10)
print(Z)
label_map = {1: "汽车", 2: "公交车", 3: "火车"}
[label_map[x] for x in Z]
# #### 83. 将多个 1 维数组拼合为单个 Ndarray
# In[95]:
Z1 = np.arange(3)
Z2 = np.arange(3,7)
Z3 = np.arange(7,10)
Z = np.array([Z1, Z2, Z3])
print(Z)
np.concatenate(Z)
# #### 84. 打印各元素在数组中升序排列的索引
# In[96]:
a = np.random.randint(100, size=10)
print('Array: ', a)
a.argsort()
# #### 85. 得到二维随机数组各行的最大值
# In[97]:
Z = np.random.randint(1,100, [5,5])
print(Z)
np.amax(Z, axis=1)
# #### 86. 得到二维随机数组各行的最小值（区别上面的方法）
# In[98]:
Z = np.random.randint(1,100, [5,5])
print(Z)
np.apply_along_axis(np.min, arr=Z, axis=1)
# #### 87. 计算两个数组之间的欧氏距离
# In[99]:
a = np.array([1, 2])
b = np.array([7, 8])
# 数学计算方法
print(np.sqrt(np.power((8-2), 2) + np.power((7-1), 2)))
# NumPy 计算
np.linalg.norm(b-a)
# #### 88. 打印复数的实部和虚部
# In[100]:
a = np.array([1 + 2j, 3 + 4j, 5 + 6j])
print("实部：", a.real)
print("虚部：", a.imag)
# #### 89. 求解给出矩阵的逆矩阵并验证
# In[101]:
matrix = np.array([[1., 2.], [3., 4.]])
inverse_matrix = np.linalg.inv(matrix)
# 验证原矩阵和逆矩阵的点积是否为单位矩阵
assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))
inverse_matrix
# #### 90. 使用 Z-Score 标准化算法对数据进行标准化处理
# Z-Score 标准化公式：
# $$Z = \frac{X-\mathrm{mean}(X)}{\mathrm{sd}(X)}$$
# In[102]:
# 根据公式定义函数
def zscore(x, axis = None):
xmean = x.mean(axis=axis, keepdims=True)
xstd = np.std(x, axis=axis, keepdims=True)
zscore = (x-xmean)/xstd
return zscore
# 生成随机数据
Z = np.random.randint(10, size=(5,5))
print(Z)
zscore(Z)
# #### 91. 使用 Min-Max 标准化算法对数据进行标准化处理
# Min-Max 标准化公式：
# $$Y = \frac{Z-\min(Z)}{\max(Z)-\min(Z)}$$
# In[103]:
# 根据公式定义函数
def min_max(x, axis=None):
min = x.min(axis=axis, keepdims=True)
max = x.max(axis=axis, keepdims=True)
result = (x-min)/(max-min)
return result
# 生成随机数据
Z = np.random.randint(10, size=(5,5))
print(Z)
min_max(Z)
# #### 92. 使用 L2 范数对数据进行标准化处理
# L2 范数计算公式：
# $$L_2 = \sqrt{x_1^2 + x_2^2 + \ldots + x_i^2}$$
# In[104]:
# 根据公式定义函数
def l2_normalize(v, axis=-1, order=2):
l2 = np.linalg.norm(v, ord = order, axis=axis, keepdims=True)
l2[l2==0] = 1
return v/l2
# 生成随机数据
Z = np.random.randint(10, size=(5,5))
print(Z)
l2_normalize(Z)
# #### 93. 使用 NumPy 计算变量直接的相关性系数
# In[105]:
Z = np.array([
[1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A
[2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B
[2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 C
np.corrcoef(Z)
# 相关性系数取值从 `[-1, 1]` 变换，靠近 1 则代表正相关性较强，-1 则代表负相关性较强。结果如下所示，变量 A 与变量 A 直接的相关性系数为 `1`，因为是同一个变量。变量 A 与变量 C 之间的相关性系数为 `0.97`，说明相关性较强。
# ```
# [A] [B] [C]
# array([[ 1. , -0.06, 0.97] [A]
# [-0.06, 1. , -0.01], [B]
# [ 0.97, -0.01, 1. ]]) [C]
# ```
# #### 94. 使用 NumPy 计算矩阵的特征值和特征向量
# In[106]:
M = np.matrix([[1,2,3], [4,5,6], [7,8,9]])
w, v = np.linalg.eig(M)
# w 对应特征值，v 对应特征向量
w, v
# 我们可以通过 `P'AP=M` 公式反算，验证是否能得到原矩阵。
# In[107]:
v * np.diag(w) * np.linalg.inv(v)
# #### 95. 使用 NumPy 计算 Ndarray 两相邻元素差值
# In[108]:
Z = np.random.randint(1,10,10)
print(Z)
# 计算 Z 两相邻元素差值
print(np.diff(Z, n=1))
# 重复计算 2 次
print(np.diff(Z, n=2))
# 重复计算 3 次
print(np.diff(Z, n=3))
# #### 96. 使用 NumPy 将 Ndarray 相邻元素依次累加
# In[109]:
Z = np.random.randint(1,10,10)
print(Z)
"""
[第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...]
"""
np.cumsum(Z)
# #### 97. 使用 NumPy 按列连接两个数组
# In[110]:
M1 = np.array([1, 2, 3])
M2 = np.array([4, 5, 6])
np.c_[M1, M2]
# #### 98. 使用 NumPy 按行连接两个数组
# In[111]:
M1 = np.array([1, 2, 3])
M2 = np.array([4, 5, 6])
np.r_[M1, M2]
# #### 99. 使用 NumPy 打印九九乘法表
# In[112]:
np.fromfunction(lambda i, j: (i + 1) * (j + 1), (9, 9))
# #### 100. 使用 NumPy 将实验楼 LOGO 转换为 Ndarray 数组
# In[113]:
from io import BytesIO
from PIL import Image
import PIL, requests
# 通过链接下载图像
URL = 'https://www.easck.com/d/file/p/2022/09-25/202209251728564305.jpg'
response = requests.get(URL)
# 将内容读取为图像
I = Image.open(BytesIO(response.content))
# 将图像转换为 Ndarray
shiyanlou = np.asarray(I)
shiyanlou
# In[114]:
# 将转换后的 Ndarray 重新绘制成图像
from matplotlib import pyplot as plt
get_ipython().run_line_magic('matplotlib', 'inline')
plt.imshow(shiyanlou)
plt.show()
到此这篇关于python中numpy 常用操作总结的文章就介绍到这了,更多相关python numpy内容请搜索易采站长站以前的文章或继续浏览下面的相关文章希望大家以后多多支持易采站长站！
