numpy-----01

1 import numpy as np
2 
3 def npSum():
4     a=np.array([0,1,2,3,4])
5     b=np.array([9,8,7,6,5])
6     c=a**2+b**3
7     return c
8 
9 print(npSum())

NumPy是一个开源的Python科学计算基础库，包含：
• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合C/C++/Fortran代码的工具
• 线性代数、傅里叶变换、随机数生成等功能
NumPy是SciPy、Pandas等数据处理或科学计算库的基础

ndarray实例

轴（axis）:保存的数据的维度

秩（rank）:轴的数量

属性	说明
.ndim	秩，轴的数量或者维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象的元素的个数。相当于.shape中的n*m
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

numpy-----01

 1 Microsoft Windows [版本 10.0.17134.407]
 2 (c) 2018 Microsoft Corporation。保留所有权利。
 3 
 4 D:python入门>python
 5 Python 3.7.0 (default, Jun 28 2018, 08:04:48) [MSC v.1912 64 bit (AMD64)] :: Anaconda, Inc. on win32
 6 Type "help", "copyright", "credits" or "license" for more information.
 7 >>> import numpy as np
 8 >>> x=np.array([[0,1,2,3,4],[9,8,7,6]])
 9 >>> x.shape
10 (2,)
11 >>> x.dtype
12 dtype('O')
13 >>> x.itemsize
14 8
15 >>> x
16 array([list([0, 1, 2, 3, 4]), list([9, 8, 7, 6])], dtype=object)
17 >>> x.size
18 2
19 >>> x=np.array([[0,1,2,3,4],[9,8,7,6,5]])
20 >>> x.shape
21 (2, 5)
22 >>> x.dtype
23 dtype('int32')
24 >>> x.itemsize
25 4
26 >>> x.size
27 10
28 >>>

ndarrary的创建

从Python中的列表、元组等类型创建ndarray数组

从Python中的列表、元组等类型创建ndarray数组x= np.array(list/tuple) x= np.array(list/tuple, dtype=np.float32)
当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型

• 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等

numpy-----01

• 从字节流（raw bytes）中创建ndarray数组
• 从文件中读取特定格式，创建ndarray数组

运算

a
Out[35]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

a.mean()#求数组的平均数
Out[36]: 11.5

a=a/a.mean()

a
Out[38]: 
array([[[0.        , 0.08695652, 0.17391304, 0.26086957],
        [0.34782609, 0.43478261, 0.52173913, 0.60869565],
        [0.69565217, 0.7826087 , 0.86956522, 0.95652174]],

       [[1.04347826, 1.13043478, 1.2173913 , 1.30434783],
        [1.39130435, 1.47826087, 1.56521739, 1.65217391],
        [1.73913043, 1.82608696, 1.91304348, 2.        ]]])

numpy-----01

np.ceil(x) 不超过这个元素的整数值

np.floor(x) 小于这个元素的最大整数值

numpy-----01

numpy读取保存文件

np.savetxt(frame, array, fmt='%.18e', delimiter=None)
• frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
• array : 存入文件的数组
• fmt : 写入文件的格式，例如：%d %.2f %.18e
• delimiter : 分割字符串，默认是任何空格

Python 3.6.6 (v3.6.6:4cf1f54eb7, Jun 27 2018, 03:37:03) [MSC v.1900 64 bit (AMD64)] on win32
Type "copyright", "credits" or "license()" for more information.
>>> import numpy as np
>>> a=np.arange(100).reshape(5,20)
>>> a
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15,
        16, 17, 18, 19],
       [20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35,
        36, 37, 38, 39],
       [40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55,
        56, 57, 58, 59],
       [60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75,
        76, 77, 78, 79],
       [80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95,
        96, 97, 98, 99]])
>>> np.savetxt('a.csv',a,fmt='%d',delimiter=',')
>>>

np.loadtxt(frame, dtype=np.float, delimiter=None， unpack=False)
• frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
• dtype : 数据类型，可选
• delimiter : 分割字符串，默认是任何空格
• unpack : 如果True，读入属性将分别写入不同变量

CSV只能有效存储一维和二维数组
np.savetxt() np.loadtxt()只能有效存取一维和二维数组

a.tofile(frame, sep='', format='%s')
• frame : 文件、字符串
• sep : 数据分割字符串，如果是空串，写入文件为二进制
• format : 写入数据的格式

np.fromfile(frame, dtype=float, count=‐1, sep='')
• frame : 文件、字符串
• dtype : 读取的数据类型
• count : 读入元素个数，‐1表示读入整个文件
• sep : 数据分割字符串，如果是空串，写入文件为二进制

该方法需要读取时知道存入文件时数组的维度和元素类型 a.tofile() 和np.fromfile()需要配合使用可以通过元数据文件来存储额外信

np.save(fname, array) 或 np.savez(fname, array)
• fname : 文件名，以.npy为扩展名，压缩扩展名为.npz
• array : 数组变量
np.load(fname)
• fname : 文件名，以.npy为扩展名，压缩扩展名为.npz

NumPy的random子库

np.random.*
np.random.rand()
np.random.randn()
np.random.randint()

numpy-----01

NumPy直接提供的统计类函数

np.*
np.std() np.var() np.average()

numpy-----01

>>> a=np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a.dtype
dtype('int32')
>>> b=np.ones(2,3)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "D:UsersadminAnaconda3libsite-packages
umpycore
umeric.py", line 203, in ones
    a = empty(shape, dtype, order)
TypeError: data type not understood
>>> b=np.ones((2,3))
>>> b
array([[1., 1., 1.],
       [1., 1., 1.]])
>>> b.dtype
dtype('float64')
>>> c=np.zeros((2,3))
>>> c
array([[0., 0., 0.],
       [0., 0., 0.]])
>>> c.dtype
dtype('float64')
>>> d=full((2,4,9))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'full' is not defined
>>> d=full((2,4),9)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'full' is not defined
>>> np.eye(5)
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])
>>> d=full(2,4)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
NameError: name 'full' is not defined
>>> d=np.full((2,4),9)
>>> d
array([[9, 9, 9, 9],
       [9, 9, 9, 9]])
>>> d.dtype
dtype('int32')
>>> np.linspace(4,9,2)
array([4., 9.])
>>> np.linspace(4,9,5)
array([4.  , 5.25, 6.5 , 7.75, 9.  ])
>>> np.linspace(4,9,4)
array([4.        , 5.66666667, 7.33333333, 9.        ])
>>> np.linspace(4,9,6)
array([4., 5., 6., 7., 8., 9.])
>>> np.linspace(4,9,6)
array([4., 5., 6., 7., 8., 9.])
>>> np.linspace(5,9,5)
array([5., 6., 7., 8., 9.])
>>> np.linspace(5,9,3)
array([5., 7., 9.])
>>> np.linspace(5,9,3,endpoint=False)
array([5.        , 6.33333333, 7.66666667])
>>> np.linspace(5,9,4,endpoint=False)
array([5., 6., 7., 8.])
>>> a=np.linspace(1,7,5)
>>> a
array([1. , 2.5, 4. , 5.5, 7. ])
>>> b=np.linspace(8,10,4)
>>> b
array([ 8.        ,  8.66666667,  9.33333333, 10.        ])
>>> c=np.concatenate
>>> c
<built-in function concatenate>
>>> c=np.concatenate(a,b)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: only integer scalar arrays can be converted to a scalar index
>>> c=np.concatenate((a,b))
>>> c
array([ 1.        ,  2.5       ,  4.        ,  5.5       ,  7.        ,
        8.        ,  8.66666667,  9.33333333, 10.        ])
>>>

View Code

ndarrary的创建

运算

numpy读取保存文件

NumPy的random子库

NumPy直接提供的统计类函数

相关推荐