Numpy基础使用1

最新推荐文章于 2025-05-10 14:57:23 发布
最新推荐文章于 2025-05-10 14:57:23 发布
阅读量721 收藏 8
点赞数 9
CC 4.0 BY-SA版权
分类专栏： Python 文章标签： numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liangqianjin_1/article/details/143316419

文章目录

前言

Numpy官网函数查询
NumPy是Python中用于科学计算的一个基础包，它提供高效的N维数组操作和数学函数库。

下载Numpy包

pip install numpy 
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/

上面是使用pip从官方下载numpy包
下面是使用pip从清华源下载numpy包
点击了解更多pip命令行使用

导入Numpy包

import numpy as np           //导入numpy包，令其名称为np

一、创建Numpy数组

在numpy中数组即为ndarray对象，全称numpy multidimensional array 即numpy多维数组
在numpy中的类型是numpy.ndarray
常使用numpy.array()创建数组

1.创建特殊ndarray

创建全为0的数组
numpy.zeros()

import numpy as np
a=np.zeros([5])              #一维可以简写成np.zeros(5)来创建
b=np.zeros([8,2])            
c=np.zeros([3,4,5])
print(a)
print(b)
print(c)

在这里插入图片描述
创建全为一的数组

使用np.ones()，与zeros()相同操作

numpy.eye()

用法：

numpy.eye(N,M,K,dtype,order)

作用：

创建一个对角线上为1其余为0的数组

参数：

N输出的行数
M输出的列数 默认为none
K对角线的偏移量 默认为0，创建的数组即位单位数组
dtype该数组的值的类型 默认为float
order以什么(C,F)形式存储在内存中 默认为c语言形式

返回值：

返回一个(N,M)的对角线上是1其余是0的数组。

示例：

import numpy as np
a=np.eye(3)                   
b=np.eye(3,3,0)               #生成3*3矩阵，主对角线为1，其余为0
c=np.eye(3,3,1)               #生成3*3矩阵，主对角线向右偏移一位开始为1，其余为0
d=np.eye(3,4,0)               #生成3*4矩阵，从首行首位开始对角线为1，其余为0
print(a)
print("\n")
print(b)
print("\n")
print(c)
print("\n")
print(d)

在这里插入图片描述

2.转化创建ndarray

import numpy as np
a=[1,2,3]                #创建一个列表a
b=(1,2,3)                #创建一个元组b
c={1,2,3}                #创建一个集合c


arr1=np.array(a)
arr2=np.array(b)          
arr3=np.array(c)          #全部转化为数组


#打印转化前的类型和转化后的类型
print(type(a))
print(arr1)
print(type(arr1))
print('\n')

print(type(b))
print(arr2)
print(type(arr2))
print('\n')

print(type(c))
print(arr3)
print(type(arr3))
print('\n')

在这里插入图片描述

注意第三个转化中，集合转化为数组，会将整个集合作为数组的第一个元素；
类型依旧为<class ‘numpy.ndarray’>；
数组在输出一个元素时会直接输出，不会加[],因为将它整个集合视作了ndarray的一个元素;

在这里插入图片描述
那假如我们需要将集合中的元素作为一个个单独的int型的ndarray，一般会将其转化为list类型，然后再转成ndarray.

转载参考：如何将python集合转换为numpy数组？ | 码农家园 (codenong.com)

注意：可以利用集合中元素的唯一性，将数据转化为集合形式，去除重复的数据。

3.创建随机数组

在numpy中创建随机数组的方式有两种，一种是使用random库直接创建，另一种是使用Generator生成器创建

1.使用numpy.random库直接创建

randint()

用法：

numpy.random.randint(low,hegh,size)

作用：

randint()会随机low到high的整数,左闭右开。

参数：

low随机数能取的最小的整数
high随机数能取的最大数的上限不能大于等于
size数组大小

seed()

用法：

numpy.random.seed(seed)

作用：

设置随机数种子

参数：

seed随机数种子

示例：

在这里插入图片描述

2.使用generator创建

用该方法生成随机数，设置随机数的方式不一样。
default_rng()

用法：

numpy.random.default_rng(seed)

作用：

设置随机数种子便于复现结果

参数：

seed 设置的种子
rng random number genertors(随机数生成器)

示例:

该函数会返回一个名为Generator（生成器）的对象。

在这里插入图片描述

该生成器对象可以调用random等函数，并且生成的随机数在固定种子下是固定的，即使不同时间不同设备也可以复现相同的数据

在这里插入图片描述

random()
用法：

generator.random(size) #或者使用np.random.random(size)一样效果

作用：

random()函数的作用是随机0-1的浮点数

参数：

size是数组大小

示例：

import numpy as np
x=np.random.default_rng(200)          #固定了生成器种子为200，便于复现相同结果
z=x.random([3,5])
y=x.random(10)
print(z)
print("\n")
print(y)

在这里插入图片描述

在后续学习中会经常碰到axis这个参数，在此详细叙述一番

axis轴，复数形式axes。
numpy中的函数，axis该参数常常用来表示沿着哪个轴的方向。

在这里插入图片描述
通过此图不难发现，增加数组维度，原始维度的方向axis+1,新增维度为axis=0。

一维数组中按axis=0的方向切割就会切割出一些列“点”。
二维数组中按axis=0的方向切割就会切割出一系列的“行”。
三维数组中按axis=0的方向切割就会切割出一系列的面对我们的“面”。

numpy中有三个转换轴顺序的函数：

moveaxis()

用法：

numpy.moveaxis(a,source,destiantion)

作用：

会将source轴索引和destiantion轴索引的两条轴交换位置,然后按原先顺序往前或往后补

参数：

a 需要变换轴的数组
source 源轴索引
destiantion 目标轴索引
在这里插入图片描述

返回值：

返回轴变换后的数组

示例：

import numpy as np
x = np.zeros((3, 4, 5))
print(np.moveaxis(x, 0,-1).shape)
#source=0是值为3的轴,destaintion=-1是值为5的轴,将3往后移到5的位置，4，5按序往前移 
           
print(np.moveaxis(x,1,-1).shape)
#source=1是值为4的轴,destaintion=-1是值为5的轴,将4往后移到5的位置，5按序往前移 

print(np.moveaxis(x,-1,-3).shape)
#source=-1是值为5的轴,destaintion=-3是值为3的轴,将5往前移到3的位置，3，4按序往后移

在这里插入图片描述

注意：
如果选取了[-n,n)左闭右开区间以外的值作为索引参数会报以下错误
在这里插入图片描述

rollaxis()

用法：

numpy.rollaxis(a,axis,start)

作用：

将已有的轴变换位置，插入到两轴之间，后一个参数是具体那两个轴之间，它从开始的轴前开始排了一个轴之间的序列

参数：

a要变换轴的数组
axis选择要滚动插入的轴（axis轴参数就是从0至n索引）
start插入的位置
在这里插入图片描述

返回值：

变换插入轴后数组

示例：

import numpy as np
a = np.ones((3,4,5))
print(np.rollaxis(a,0,2).shape)
#axis=0是值为3的轴，start=2根据上图可知是在值为4，5轴之间

print(np.rollaxis(a,-1,-3).shape) 
#axis=-1是值为5的轴，start=-3根据上图可知是在值为3的前面

print(np.rollaxis(a,0,3).shape)
#axis=0是值为3的轴，start=3根据上图可知是在值为5的后面

在这里插入图片描述

注意：
如果n为原数组维度，start参数在[-n,n]之外则会引发下类报错：
在这里插入图片描述

swapaxes()

用法：

numpy.swapaxes(a,axis1,axis2)

作用：

交换两个轴位置

参数：

a要进行变换的数组
axis1交换的轴1
axis2交换的轴2

返回值：

返回交换轴后的数组

示例：

import numpy as np
x = np.zeros((3, 4, 5))
print(np.swapaxes(x, 1,-3).shape)
#axis1=1是值为4的轴，axis2=-3是值为3的轴.直接将3和4轴位置调换

print(np.swapaxes(x, -1,-3).shape)      
#axis1=-1是值为5的轴，axis2=-3是值为3的轴.直接将3和5轴位置调换

print(np.swapaxes(x, 0,-2).shape)
#axis1=-0是值为3的轴，axis2=-2是值为4的轴.直接将3和4轴位置调换

在这里插入图片描述

随机样本

choice()
用法：

generator.choice(a,size,replace,p,axis)

作用：

从给定数组生成随机数组

参数：

a可以是ndarray类型也可以是int类型，如果是ndarray则从中抽样，如果是int类型则先调用arange(int n)生成[0,n)的值然后再抽样。
size输出的抽样的数组形状
replace是否可以多次抽样a 默认值是True
p数组中的各个值的概率 默认平均概率 p=none
axis数组的轴 axis=0 (0是取行，1是取列)

返回值：

返回生成的随机样本

示例：
1.

import numpy as np

x=np.random.default_rng()      #设置生成器
a=np.arange(6)
b=x.choice(a,3)                   #在生成器中调用choice()进行选择
print(b)

在这里插入图片描述

2.

import numpy as np

x=np.random.default_rng()      #设置生成器
a1=[[1,2,3],[4,5,6],[7,8,9]]
a2=[1,2,3,4,5,6,7,8,9]

b=x.choice(a1,1)                        #从a1中随机选1个行
print(b)

c=x.choice(a1,[2,2])                      #从a1中随机选4个行，组成2*2的矩阵
print(c)

d=x.choice(a1,1,axis=1)                   #从a1中随机选一个列
print(d)

e=x.choice(a2,5,p=[0,0,0,0,0,0,0,0,1])           #a2中的概率被设置成9的概率为1，所有只能抽出5个9      
print(e)

在这里插入图片描述

shuffle()
用法：

generator.shuffle(x,axis)

作用：

随机打乱原数组，在原有数组上‘洗牌’。不会创建新数组。

参数：

x 原数组
axis 打乱的轴

返回值：

none

示例：

import numpy as np
y=np.random.default_rng()
x=np.array([[1,2,3,4,5],[6,7,8,9,10]])
y.shuffle(x,axis=0)      #按行随机打乱，总共两行，行内顺序不会被打乱（左右对应的顺序与原数组相同）
print(x)
print("\n")
y.shuffle(x,axis=1)        #按列随机打乱，总共5列，列内顺序不会被打乱（上下对应的顺序与原数组相同）
print(x)

在这里插入图片描述

permutation()
用法：

generator.permutation(x,axis)

作用：

随机打乱原有数组，但是会生成新的数组

参数：

x如果是ndarray则随机打乱洗牌，如果是int类型则先调用arange(x)生成[0,x)再打乱随机洗牌
axis要打乱的数组的轴

返回值：

随机打乱置换后的新数组

示例：

import numpy as np
y=np.random.default_rng()
x=np.array([[1,2,3,4,5],[6,7,8,9,10]])
z=y.permutation(x,axis=0)      #按行随机打乱，总共两行，行内顺序不会被打乱（左右对应的顺序与原数组相同）
print(z)

print("\n")

z=y.permutation(x,axis=1)     #按列随机打乱，总共5列，列内顺序不会被打乱（上下对应的顺序与原数组相同）
print(z)

在这里插入图片描述

permutation与shuffle的作用效果完全相同，只是permutation有返回值，shuffle没有返回值。
2.1版本还有个permuted既可以有返回，也可以无返回值。

binomial()
二项分布抽样
在这里插入图片描述

用法：

geneator.binomial(n,p,size)

作用：

生成二项分布形状的随机数
参数：
n是测试的次数
p独立单次测试成功的概率
size输出的数组形状

示例：

import numpy as np
import matplotlib.pyplot as plt
d=np.random.default_rng(20100)         #设置种子
c=d.binomial(2000,0.3,2000)

print(c)

weights=np.ones_like(c)/float(len(c))
plt.hist(c,20,weights=weights)        #这里将输出的2000个数值聚集成20个来做图方便观看验证
plt.show()

在这里插入图片描述

exponenetial()
指数分布抽样
在这里插入图片描述

用法：

exponenetial(scale,size)

作用：

生成指数分布形状的随机数

参数：

scale B值
size输出数组的形状

示例：

import numpy as np
import matplotlib.pyplot as plt
d=np.random.default_rng(20100)         #设置种子
c=d.exponential(0.3,2000)

print(c)

weights=np.ones_like(c)/float(len(c))
plt.hist(c,20,weights=weights)        #这里将输出的2000个数值聚集成20个来做图方便观看验证
plt.show()

在这里插入图片描述

beta()
beta分布抽样
在这里插入图片描述
在这里插入图片描述

用法：

generator.beta(a,b,size)

作用：

生成beta形状的随机数

参数：

a Alpha值
b Beta值
size

示例：

import numpy as np
import matplotlib.pyplot as plt
d=np.random.default_rng(100)         #设置种子
c=d.beta(2,4,2000)

print(c)

weights=np.ones_like(c)/float(len(c))
plt.hist(c,20,weights=weights)        #这里将输出的2000个数值聚集成20个来做图方便观看验证
plt.show()

在这里插入图片描述

normal()
高斯分布（正态分布）：
在这里插入图片描述

用法：

genertor.normal(loc,scale,size) #也可以使用numpy.random.RandomState(loc,scale,size)

作用：

生成高斯分布形状的随机数

参数：

loc 是高斯分布的平均值，中心那条线，即是高斯函数中的μ值
scale 规模（高斯函数宽度），即是高斯函数中的σ值
size 数组大小

示例：

import numpy as np
import matplotlib.pyplot as plt
d=np.random.default_rng(20100)         #设置种子
c=d.normal(2,0.1,2000)

print(c)

weights=np.ones_like(c)/float(len(c))
plt.hist(c,20,weights=weights)        #这里将输出的2000个数值聚集成20个来做图方便观看验证
plt.show()

下面输出的是他的x轴坐标，他的x轴上对应的每20段对应的y值相加等于1
在这里插入图片描述

二、基础操作

运算

加减乘除
形状大小相同的数组可以完成一一对应的加减乘除

import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b=np.array([[4,5,6],[7,8,9],[10,11,12]])

print(a+b)
print(a*b)
print(a-b)
print(a/b)

在这里插入图片描述

当形状不一致时，如果某个维度相同，某行或某列相同，则会触发广播机制。

广播性质
广播是numpy对不同形状的数组进行数值计算的方式。

import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b=np.array([[4,5,6]])                       #广播行
print(a+b)
print()
a = np.array([[1],[2],[3]])
b=np.array([[1,2,3], [4,5,6],[7,8,9]])        #广播列
print(a+b)

在这里插入图片描述

常用操作函数

copyto()

用法：

numpy.copyto(dst,src,)

作用：

复制数组B的值到数组A,从src源数组复制到dst目标数组

参数：

dst目标数组，复制的值给谁的那个数组
src源数组，被复制的数组

示例：

import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b=np.array([[4,5,6],[7,8,9],[10,11,12]])
np.copyto(b,a)
print(b)

在这里插入图片描述

ndim()

用法：

numpy.dim(a)

作用：

数组a的维度

参数：

a输入的数组

返回值：

返回数组a的维度

示例：

import numpy as np
a = np.array([[1,2,3], [4,5,6]])
b=np.zeros([20,50,30,1])
print(np.ndim(a))
print(np.ndim(b))

在这里插入图片描述

size()

用法：

numpy.size(a,axis)

作用：

计算数组中的元素值个数，如果有给定axis则返回沿axis轴上的元素值个数

参数：

a
axis

返回值：

返回元素值个数

示例：

import numpy as np
a = np.array([[1,2,3], [4,5,6]])
b=np.zeros([20,50])
print(np.size(a,axis=1))
print(np.size(b,axis=0))

在这里插入图片描述

以何种读取方式读取数组

reshape()

用法：

numpy.reshape(a,shape，order)

作用：

不改变数组内数据的情况下改变数组形状

参数：

a输入的要改变的数组
shape新输出的数组形状
order按照何种索引顺序读取数组值 默认C

返回值：

返回改变后的形状的数组

示例：

import numpy as np
a = np.array([[1,2,3], [4,5,6]])
np.reshape(a, 6)
print(np.reshape(a, [3,2]))
print()
print(np.reshape(a, [6,1]))
print()
print(np.reshape(a, 6))

在这里插入图片描述

order参数
order参数为C时，意味着按照类似c语言的数组索引顺序进行输出。
order参数为F时，意味着按照类似Fortran语言的数组索引顺序进行输出。

如果有一个二维数组，
order=C,会从[1,1],[1,2],[1,3]…[2,1][2,2]…从第一行开始列出第一行的每一列。
order=C,会从[1,1],[2,1],[3,1]…[1,2][2,2]…从第列行开始列出第一列的每一行。

import numpy as np
a = np.array([[1,2,3], [4,5,6]])
np.reshape(a, 6)
print(np.reshape(a, 6, order='F'))
print(np.reshape(a, 6, order='C'))

在这里插入图片描述

ravel()

用法：

numpy.ravel(a,order)

作用：

将多维数组变成一个连续的扁平数组

参数：

a 输入的多维数组
order以何种方式索引读取值进行扁平化 默认为C语言风格以行为主

返回值：

返回一个连续扁平的数组

示例：

import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b=np.zeros([20,50])
print(np.ravel(a,order='C'))
print(np.ravel(a,order='F'))
print(np.ravel(b))

在这里插入图片描述

T(转置)

用法：

ndarray.T

作用：

矩阵转置

示例：

import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b=np.array([[1,2,3],[4,5,6]])
print(a)
print()
print(a.T)
print()
print(b)
print()
print(b.T)

在这里插入图片描述

split()

用法：

numpy.split()

作用：

将一个数组分割成多个数组

参数：

ary 要切割的数组
indices_or_sections 切割的子数组的数目或者是切割的边界
axis按哪个轴切割

返回值：

切割后的子数组

示例：

import numpy as np
a = np.array([2,1,3,4,5,9,8,7,6])
print(np.split(a,3))           #切割成三部分
print(np.split(a,[3,6]))       #切割成三部分，切割点在数组内3和6的位置

b=np.array([[2,1,8,9],[5,7,3,4],[5,10,3,8],[3,9,2,77]])
print(np.split(b,4))                  #按行切割成四部分
print(np.split(b,4,axis=1))           #按列切割成四部分

在这里插入图片描述

排序

sort()

用法：

numpy.sort(axis,kind,order)

作用：

排序数组并返回排序后的数组副本

参数：

axis
kind
order

返回值：

返回排序后的数组副本

示例：

import numpy as np
a = np.array([2,1,3,4,5,9,8,7,6])
b=np.array([[2,1,8,9],[5,7,3,4],[5,10,3,8],[3,9,2,77]])
x=np.sort(a)
print(x)
print("\n")

y=np.sort(b,axis=0)         #按行轴方向，列内排序从上到下依次变大
print(y)
print("\n")

z=np.sort(b,axis=1)         #按列轴方向，列内排序从左至右依次变大
print(z)

在这里插入图片描述

numpy.array.sort()

用法：

array.sort(axis,kind,order)

作用：

在原数组上排序

参数：

axis
kind
order

示例：

import numpy as np
a = np.array([2,1,3,4,5,9,8,7,6])
b=np.array([[2,1,8,9],[5,7,3,4],[5,10,3,8],[3,9,2,77]])
a.sort()
print(a)
print("\n")
b.sort(axis=0)         #按行轴方向，列内排序从上到下依次变大
print(b)
print("\n")
b.sort(axis=1)         #按列轴方向，列内排序从左至右依次变大
print(b)

在这里插入图片描述

总结

Numpy库本质就是为了高效对数组（矩阵）的操作实现矩阵操作。本篇Numpy1着重介绍Numpy的基础操作，后续Numpy2将着重介绍线Numpy性代数中的操作。

numpy
qq_56478267的博客
05-11 2426
Numpy概述 NumPy 是 Python 语言的一个扩展程序库，支持大量的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。NumPy 是一个运行速度非常快的数学库，主要用于数组计算，主要功能包括线性代数、傅里叶变换、随机数生成等功能。底层核心是ndarray。 Numpy特点 代码更简洁：Numpy直接以数组、矩阵为粒度进行计算，并且支持大量的数学函数； 性能更高效：Numpy底层采用C语言实现、释放了GIL锁、算法更先进； 是其他数据科学库的基础：Numpy是Pandas、SciPy、S
Numpy
孔祥旭的博客
12-16 3万+
Numpy(Numerical Python)是一个开源的、高性能的Python数值计算库为提高运算效率，ndarray数组值的类型默认相同，创建时自动指定默认数据类型(内存占用最大的值类型) 默认浮点类型(float)导包:import numpy as np// 创建ndarray数组 可以自定义数据类型np.array(数组,dtype=np.bool)# 转数组类型 数组.astype(
Numpy（python科学计算）
m0_73776435的博客
05-10 1759
NumPy，全称为 Numerical Python，是一个开源的 Python 科学计算库。它最初由 Travis Oliphant 在 2005 年创建，旨在解决 Python 在数值计算方面的效率问题。Python 本身虽然具有强大的可读性和易用性，但在处理大规模数值数据时，其内置的数据结构（如列表）效率较低。
python之numpy的基本使用
热门推荐
cxmscb的博客
01-17 34万+
一、numpy概述numpy模块提供了python对N维数组对象的支持：ndarray，ndarray数组中的元素须为同一数据类型，这一点与python的列表是不一样的。numpy支持高级大量的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。二、创建ndarray数组代码示例：# -*- coding: utf-8 -*-import numpy;print '使用列表生成一维数组' d
Numpy基础总结
01-06
numpy.ones创建指定形状数组，数组元素用1填充 empty创建 linspace函数创建一个一维数组，数组是一个等差数列构成 logspace创建等比数列 切片和索引 改变数组维度 reshape() ravle() 三维–>一维
numpy 基础数据结构
01-20
numpy 基础数据结构数组的基本属性array()arange()linspace()zeros()/zeros_like()/ones()/ones_like()eye() 数组的基本属性 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推 在NumPy中，每...
NumPy基础：多维数组
02-24
NumPy（NumericalPython的基础）是高性能科学计算和数据分析的基础包。其部分功能如下：1.ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。2.用于对数组数据进行快速运算的标准数学函数...
python numpy基础操作
最新发布
06-17
学习NumPy基础操作对于任何有志于深入Python科学计算和数据分析领域的人来说是必经之路。 NumPy库中的核心数据结构是ndarray，这是一个n维的数组对象。相较于Python内置的列表类型，ndarray在存储和操作大型数组时...
Numpy基础使用——基于jupyter
02-21
该文件是.ipynb，可直接...本文内容包括： 一、创建Ndarray数组 二、Numpy的数据类型 三、数组的切片和索引 四、Numpy广播与数组操作 五、数组合并与通用函数 六、Numpy的统计函数 七、Numpy随机数、逻辑运算与数据存取
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

呆呆鸭（呀）

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值