QQ登录 - 设为首页 - 加入收藏 - 网站地图 木易瓶子屋!第一时间了解互联网开发技术新鲜事儿!

亲!来点一下试试嘛。。。

木易瓶子屋每日新鲜技术平台 第一时间了解互联网的那些事儿

Python中的Numpy入门教程

作者:木易瓶子┆ 分类:python学习┆时间:2016-11-04┆点击: 1次┆tags: Python中的Numpy入门教程

  1、Numpy是什么

  很简单,Numpy是Python的一个科学计算的库,提供了矩阵运算的功能,其一般与Scipy、matplotlib一起使用。其实,list已经提供了类似于矩阵的表示形式,不过numpy为我们提供了更多的函数。如果接触过matlab、scilab,那么numpy很好入手。 在以下的代码示例中,总是先导入了numpy:

  代码如下:

  >>> import numpy as np

  >>> print np.version.version

  1.6.2

  2、多维数组

  多维数组的类型是:numpy.ndarray。

  使用numpy.array方法

  以list或tuple变量为参数产生一维数组:

  代码如下:>>> print np.array([1,2,3,4])

  [1 2 3 4]

  >>> print np.array((1.2,2,3,4))

  [ 1.2 2. 3. 4. ]

  >>> print type(np.array((1.2,2,3,4)))

  

  以list或tuple变量为元素产生二维数组:

  代码如下:

  >>> print np.array([[1,2],[3,4]])

  [[1 2]

  [3 4]]

  生成数组的时候,可以指定数据类型,例如numpy.int32, numpy.int16, and numpy.float64等:

  代码如下:

  >>> print np.array((1.2,2,3,4), dtype=np.int32)

  [1 2 3 4]

  使用numpy.arange方法

  代码如下:

  >>> print np.arange(15)

  [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]

  >>> print type(np.arange(15))

  

  >>> print np.arange(15).reshape(3,5)

  [[ 0 1 2 3 4]

  [ 5 6 7 8 9]

  [10 11 12 13 14]]

  >>> print type(np.arange(15).reshape(3,5))

  

  使用numpy.linspace方法

  例如,在从1到3中产生9个数:

  代码如下:

  >>> print np.linspace(1,3,9)

  [ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]

  使用numpy.zeros,numpy.ones,numpy.eye等方法可以构造特定的矩阵

  例如:

  代码如下:

  >>> print np.zeros((3,4))

  [[ 0. 0. 0. 0.]

  [ 0. 0. 0. 0.]

  [ 0. 0. 0. 0.]]

  >>> print np.ones((3,4))

  [[ 1. 1. 1. 1.]

  [ 1. 1. 1. 1.]

  [ 1. 1. 1. 1.]]

  >>> print np.eye(3)

  [[ 1. 0. 0.]

  [ 0. 1. 0.]

  [ 0. 0. 1.]]

  创建一个三维数组:

  代码如下:

  >>> print np.zeros((2,2,2))

  [[[ 0. 0.]

  [ 0. 0.]]

  [[ 0. 0.]

  [ 0. 0.]]]

  获取数组的属性:

  代码如下:

  >>> a = np.zeros((2,2,2))

  >>> print a.ndim #数组的维数

  3

  >>> print a.shape #数组每一维的大小

  (2, 2, 2)

  >>> print a.size #数组的元素数

  8

  >>> print a.dtype #元素类型

  float64

  >>> print a.itemsize #每个元素所占的字节数

  8

  数组索引,切片,赋值

  示例:

  代码如下:

  >>> a = np.array( [[2,3,4],[5,6,7]] )

  >>> print a

  [[2 3 4]

  [5 6 7]]

  >>> print a[1,2]

  7

  >>> print a[1,:]

  [5 6 7]

  >>> print a[1,1:2]

  [6]

  >>> a[1,:] = [8,9,10]

  >>> print a

  [[ 2 3 4]

  [ 8 9 10]]

  使用for操作元素

  代码如下:

  >>> for x in np.linspace(1,3,3):

  ... print x

  ...

  1.0

  2.0

  3.0

  基本的数组运算

  先构造数组a、b:

  代码如下:

  >>> a = np.ones((2,2))

  >>> b = np.eye(2)

  >>> print a

  [[ 1. 1.]

  [ 1. 1.]]

  >>> print b

  [[ 1. 0.]

  [ 0. 1.]]

  数组的加减乘除:

  代码如下:

  >>> print a > 2

  [[False False]

  [False False]]

  >>> print a+b

  [[ 2. 1.]

  [ 1. 2.]]

  >>> print a-b

  [[ 0. 1.]

  [ 1. 0.]]

  >>> print b*2

  [[ 2. 0.]

  [ 0. 2.]]

  >>> print (a*2)*(b*2)

  [[ 4. 0.]

  [ 0. 4.]]

  >>> print b/(a*2)

  [[ 0.5 0. ]

  [ 0. 0.5]]

  >>> print (a*2)**4

  [[ 16. 16.]

  [ 16. 16.]]

  使用数组对象自带的方法:

  代码如下:

  >>> a.sum()

  4.0

  >>> a.sum(axis=0) #计算每一列(二维数组中类似于矩阵的列)的和

  array([ 2., 2.])

  >>> a.min()

  1.0

  >>> a.max()

  1.0

  使用numpy下的方法:

  代码如下:

  >>> np.sin(a)

  array([[ 0.84147098, 0.84147098],

  [ 0.84147098, 0.84147098]])

  >>> np.max(a)

  1.0

  >>> np.floor(a)

  array([[ 1., 1.],

  [ 1., 1.]])

  >>> np.exp(a)

  array([[ 2.71828183, 2.71828183],

  [ 2.71828183, 2.71828183]])

  >>> np.dot(a,a) ##矩阵乘法

  array([[ 2., 2.],

  [ 2., 2.]])

  合并数组

  使用numpy下的vstack和hstack函数:

  代码如下:

  >>> a = np.ones((2,2))

  >>> b = np.eye(2)

  >>> print np.vstack((a,b))

  [[ 1. 1.]

  [ 1. 1.]

  [ 1. 0.]

  [ 0. 1.]]

  >>> print np.hstack((a,b))

  [[ 1. 1. 1. 0.]

  [ 1. 1. 0. 1.]]

  看一下这两个函数有没有涉及到浅拷贝这种问题:

  代码如下:

  >>> c = np.hstack((a,b))

  >>> print c

  [[ 1. 1. 1. 0.]

  [ 1. 1. 0. 1.]]

  >>> a[1,1] = 5

  >>> b[1,1] = 5

  >>> print c

  [[ 1. 1. 1. 0.]

  [ 1. 1. 0. 1.]]

  可以看到,a、b中元素的改变并未影响c。

  深拷贝数组

  数组对象自带了浅拷贝和深拷贝的方法,但是一般用深拷贝多一些:

  代码如下:>>> a = np.ones((2,2))

  >>> b = a

  >>> b is a

  True

  >>> c = a.copy() #深拷贝

  >>> c is a

  False

  基本的矩阵运算

  转置:

  代码如下:

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

  >>> print a

  [[1 0]

  [2 3]]

  >>> print a.transpose()

  [[1 2]

  [0 3]]

  迹:

  代码如下:>>> print np.trace(a)

  4

  numpy.linalg模块中有很多关于矩阵运算的方法:

  代码如下:

  >>> import numpy.linalg as nplg

  特征值、特征向量:

  代码如下:

  >>> print nplg.eig(a)

  (array([ 3., 1.]), array([[ 0. , 0.70710678],

  [ 1. , -0.70710678]]))

  3、矩阵

  numpy也可以构造矩阵对象,这里不做讨论。

欢迎转载但请注明出处及链接,商业媒体使用请联系编辑(QQ 363630845)。
Python,中的,Numpy,入门教程
正在加载中……