本文主要是介绍numpy笔记，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

numpy简介

numpy是数学科学最基本的python库，底层是c语言实现，运行效率堪比C/Matlab，主要是做矩阵运算

矩阵常识(二维数组)

• 向量：1*N或N*1的矩阵
• 标量：1*1矩阵
• 数组：N维数组，矩阵延申
• 特殊矩阵：全0或全1矩阵
• 单位矩阵：任何矩阵乘单位矩阵等于其自身

常见创建数组的方法

• 通过其他数据类型转换
  • np.array([0, 1, 2])
  • np.array((0, 1, 2))
• 通过原生数组创建
  • np.zeros(n) # 创建n个0的数组
  • np.ones(n) # 创建n个1的数组
  • np.full((x, y), z) # 创建一个以z填充,形状为x*y的数组
  • np.zeros_like/ones_like/full_like() # like后缀：用与传入数据相同的数据结构和类型生成数组
  • np.arange(a, b, c) # 生成从a到b的数组，c是跨度，为可选参数
  • np.arange(a) # 生成从[0, a)的数组
  • np.linspace(开始, 结束, 生成个数) # 创建等差数列
  • np.eye(10, 10, 2) # 生成对角矩阵（可调对角线位置
• 通过特殊库函数（random
  • np.random.
    • rand(3, 3) # 生成3*3的数组，每个数都是0-1的随机数
    • randint(n) # 生成[0, n)之间的随机数
    • randint(a, b,(c*d)) # 生成c*d维数组，每个数都是[a, b)之间的随机数
    • randn(a, b) # 生成a*b正态分布数组（指矩阵内数据出现的次数呈正态分布

常见属性

• np对象.dtype   # 数组数据类型
• np对象.ndim   # 数组维度
• np对象.shape   # 形状（n*n
• np对象.size     # 大小(有多少个元素)
• np对象.itemsize   # 每个数据占的字节大小
• np对象.nbytes   # 全部数据占的字节大小

访问数组元素的方式

np对象[0][2]
# 等价于
np对象[0, 2]

运算（所有操作都是对数组内全部数据操作

a = np.full((2, 2), 1.2, dtype = float)

a + 10
# 等价于
np.add(a, 10)

比较

# ><==：返回bool类型的数组，此数组内每个值反映原数组内每个值是否符合条件

# 返回bool值，判断数组内全部值是否都符合条件
np.all(数组对象 操作符 条件) 

# 返回bool值，判断数组内是否有一个值符合条件
np.any(数组对象 操作符 条件)

排序

• 不改变原数组

  对每一行进行排序

  np.sort(数组对象)

  对列进行排序

  np.sort(a, axis=0)

• 改变原数组排序（python内置函数

  数组对象.sort() # 列排序
  数组对象.sort(axis = 0)

统计数据方法

• 注意

  • np.sum比sum效率高很多
  • np统计方法加参数axis=1求每行和/每行最大值

• 求和

  • sum求多维数组和时默认求每列和

  数组一维/多维求和

  np.sum(数组对象)

  sum求第n行和

  sum(数组对象[n])
  等于
  sum(数组对象[n, :])

  sum求第n列和

  sum(数组对象[:,n])

• 求最大值

  np.max(c)

切片

• 只有冒号代表忽略行/列

  以n*n的方式顺着或倒着切

  np对象[n:, n:]

  切第N行

  np对象[n, :]

  切第N列

  np对象[:, n]

  只切行不切列

  np对象[2:][1:]

拼接

a = np.array([[0, 2, 4],[1, 3, 5]])

# 按行拼接（axis默认0
np.concatenate([a, a, a])
array([[0, 2, 4],
       [1, 3, 5],
       [0, 2, 4],
       [1, 3, 5],
       [0, 2, 4],
       [1, 3, 5]])

# 按列拼接
np.concatenate([a, a, a], axis = 1)
array([[0, 2, 4, 0, 2, 4, 0, 2, 4],
       [1, 3, 5, 1, 3, 5, 1, 3, 5]])

序列化文件

# 保存
np.save(文件名, 数组)

# 加载
np.load(文件名.npy, 数组)

# 序列化多个array
np.savez(文件名, 名字1 = 数组1, 名字2 = 数组2)

# 加载具有多个array的文件
np.load(文件名.npz)
根据名字访问对应数组
np.load(文件名.npz)[名字]

这篇关于numpy笔记的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！