【Python 零基础入门】Numpy 常用函数 数组操作 & 数学运算
温馨提示：这篇文章已超过414天没有更新，请注意相关的内容是否还可用！
【Python 零基础入门】内容补充 3 Numpy 常用函数 数组操作 & 数学运算
- 概述
- Numpy 数组创建
- np.asarray
- np.arange
- np.linspace
- 数组操作
- reshape
- flatten
- concatenate
- split
- vstack
- hstack
- 数学运算
- add 相加
- subtract 相减
- multiply 相乘
- divide 相除
概述
Numpy (Numerical Python) 是 Python 编程语言的一个扩展程序库, 支持大量的维度数组与矩阵运算, 并提供了大量的数学函数库. Numpy 利用了多线程数组来存储和处理大型数据集, 从而提供了一个高效的方式来进行数值计算, 特别是对于矩阵预算和线性代数.
Numpy 数组创建
np.asarray
np.assarray可以将输入转换为 ndarray 数组.
格式:
import numpy as np array = np.asarray(a, dtype=None, order=None)
参数:
- a: 待转换的数据, 可以为列表, 元组等
- dtype: 数据类型
例子:
# 创建数组 list1 = [1, 2, 3] # 转换为 ndarray ndarray1 = np.array(list1) ndarray2 = np.array(list1, dtype=np.float32) # 调试输出 print(list1) print(ndarray1) print(ndarray2)
输出结果:
[1, 2, 3] [1 2 3] [1. 2. 3.]
np.arange
np.arange是一个非常实用的函数, 用于创建一系列的值, 类似于 Python 中的range内置函数, 但是返回的是一个数组.
格式:
import numpy as np array = np.arange(start, stop, step)
参数:
- start: 数组开始值 (含), 默认为 0
- stop: 数组结束值 (不含)
- step: 数组步长
例子:
# 0-9 array1 = np.arange(10) print(array1) # 1-10 array2 = np.arange(1, 11) print(array2) # 1-10 奇数 array3 = np.arange(1, 11, 2) print(array3)
输出结果:
[0 1 2 3 4 5 6 7 8 9] [ 1 2 3 4 5 6 7 8 9 10] [1 3 5 7 9]
np.linspace
np.linspace可以帮助我们创建一个等差数列.
格式:
import numpy as np array = np.linspace(start, stop, num, endpoint)
参数:
- start: 数组起始值
- stop: 数组结束值
- num: 生成的眼本书, 默认为 50
- endpoint: 布尔值, 如果为 True, 则 “stop” 是最后一个样本, 否则不包括 “stop”, 默认为 True
例子:
# 包括 50 array1 = np.linspace(0, 50) print(array1) # 不包括 50 array1 = np.linspace(0, 50, endpoint=False) print(array1) # 样本为 10 array1 = np.linspace(5, 50, 10) print(array1)
输出结果:
[ 0. 1.02040816 2.04081633 3.06122449 4.08163265 5.10204082 6.12244898 7.14285714 8.16326531 9.18367347 10.20408163 11.2244898 12.24489796 13.26530612 14.28571429 15.30612245 16.32653061 17.34693878 18.36734694 19.3877551 20.40816327 21.42857143 22.44897959 23.46938776 24.48979592 25.51020408 26.53061224 27.55102041 28.57142857 29.59183673 30.6122449 31.63265306 32.65306122 33.67346939 34.69387755 35.71428571 36.73469388 37.75510204 38.7755102 39.79591837 40.81632653 41.83673469 42.85714286 43.87755102 44.89795918 45.91836735 46.93877551 47.95918367 48.97959184 50. ] [ 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.] [ 5. 10. 15. 20. 25. 30. 35. 40. 45. 50.]
数组操作
reshape
reshape方法用于改变数组形状而不改变其数据.
格式:
import numpy as np reshaped_array = reshape(a, newshape)
参数:
- a: 原始数组
- newshape: 新的形状
例子:
array = np.arange(6) reshaped_arrary = array.reshape(2, 3) # 调试输出 print("原始数组:", array, sep="\n") print("改变形状后的数组:", reshaped_arrary, sep="\n") array = np.array([[0, 1, 2], [3, 4, 5]]) reshaped_arrary = array.reshape(-1) # 调试输出 print("原始数组:", array, sep="\n") print("改变形状后的数组:", reshaped_arrary, sep="\n")输出结果:
原始数组: [0 1 2 3 4 5] 改变形状后的数组: [[0 1 2] [3 4 5]] 原始数组: [[0 1 2] [3 4 5]] 改变形状后的数组: [0 1 2 3 4 5]
flatten
flatten()可以帮助我们将多维数组降为 1 维数组.
格式:
import numpy as np flattend_array = array.flatten()
例子:
# 创建原始 ndarray array = np.array([[0, 1, 2], [3, 4, 5], [7, 8, 9]]) # 降为 1 维 flattened_array = array.flatten() # 调试输出 print("原始数组:", array, sep="\n") print("降为 1 维的数组:", flattened_array, sep="\n")输出结果:
原始数组: [[0 1 2] [3 4 5] [7 8 9]] 降为 1 维的数组: [0 1 2 3 4 5 7 8 9]
concatenate
concatenate可以帮助我们沿着指定轴连接相同形状的两个或多个数组.
格式:
import numpy as np concatenated_array = np.concatenate((a1, a2, ...), axis=0, out=None)
格式:
- a1, a2: 需要连接的数组
- axis: 连接轴, 默认为 0, 即纵向拼接, 如果为 1 则横向拼接
- out: 放置结果的可选参数, 默认为 None
例子:
# 创建原始数组 array1 = np.array([[1, 2], [3, 4]]) array2 = np.array([[5, 6], [7, 8]]) # 纵向拼接 v_concatenated_array = np.concatenate((array1, array2)) # axis 默认为 0 # 横向拼接 h_concatenated_array = np.concatenate((array1, array2), axis=1) # 调试输出 print("纵向拼接:", v_concatenated_array, sep="\n") print("横向拼接:", h_concatenated_array, sep="\n")输出结果:
array 1: [[1 2] [3 4]] array 2: [[5 6] [7 8]] 纵向拼接: [[1 2] [3 4] [5 6] [7 8]] 横向拼接: [[1 2 5 6] [3 4 7 8]]
split
split函数可以帮助我们将一个数组分割为多个子数组.
格式:
import numpy as np splitted_arrays = np.split(array, indices_or_sections, axis=0)
参数:
- a: 带分割的数组
- indices_or_sections: 如果是一个整数, 就将该数平均切分, 如果是数组, 为沿轴切分的位置 (左开有闭)
- axis: 沿着哪个维度进行切分, 默认为 0
例子:
# 创建原始数组 array = np.arange(9) # 分割数组为 3 等分 splitted_arrays = np.split(array, 3) # 调试暑促 print("原始数组:", array) print("分割后的数组:", splitted_arrays) # 创建原始数组 array = np.arange(9) # 以索引 2, 5 分割数组 splitted_arrays = np.split(array, [2, 5]) # 调试暑促 print("原始数组:", array) print("分割后的数组:", splitted_arrays) # 创建原始数组 array = np.arange(9).reshape(3, 3) # 横向 3 等分 splitted_arrays = np.split(array, 3, axis=1) # 调试暑促 print("原始数组:", array, sep="\n") print("分割后的数组:", splitted_arrays, sep="\n")输出结果:
原始数组: [0 1 2 3 4 5 6 7 8] 分割后的数组: [array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])] 原始数组: [0 1 2 3 4 5 6 7 8] 分割后的数组: [array([0, 1]), array([2, 3, 4]), array([5, 6, 7, 8])] 原始数组: [[0 1 2] [3 4 5] [6 7 8]] 分割后的数组: [array([[0], [3], [6]]), array([[1], [4], [7]]), array([[2], [5], [8]])]vstack
vstack可以帮助我们将数组进行垂直堆叠.
格式:
import numpy as np stacked_array = np.vstack((a1, a2, ...))
参数:
- a1, a2: 需要迭代的数组
- 返回: 纵向堆叠的数组
例子:
# 原始数组 array1 = np.array([1, 2, 3]) array2 = np.array([4, 5, 6]) # 纵向堆叠 stacked_array = np.vstack((array1, array2)) # 输出结果 print("array1:", array1) print("array2:", array2) print("纵向堆叠数组:", stacked_array, sep="\n")输出结果:
array1: [1 2 3] array2: [4 5 6] 纵向堆叠数组: [[1 2 3] [4 5 6]]
hstack
hstack可以帮我们将数组进行水平堆叠.
格式:
import numpy as np stacked_array = np.hstack((a1, a2, ...))
参数:
- a1, a2: 需要迭代的数组
- 返回: 横向堆叠的数组
例子:
# 原始数组 array1 = np.array([1, 2, 3]) array2 = np.array([4, 5, 6]) array3 = np.array([7, 8, 9]) # 横向堆叠 stacked_array = np.hstack((array1, array2, array3)) # 输出结果 print("array1:", array1) print("array2:", array2) print("array3:", array3) print("横向堆叠数组:", stacked_array, sep="\n")输出结果:
array1: [1 2 3] array2: [4 5 6] array3: [7 8 9] 横向堆叠数组: [1 2 3 4 5 6 7 8 9]
数学运算
add 相加
相加
例子:
# 原始数组 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # 相加 add_result = np.add(a, b) # 调试输出 print("数组 a:", a) print("数组 b:", b) print("相加结果:", add_result)subtract 相减
相减
例子:
# 原始数组 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # 相减 subtract_result = np.subtract(a, b) # 调试输出 print("数组 a:", a) print("数组 b:", b) print("相减结果:", subtract_result)输出结果:
数组 a: [1 2 3] 数组 b: [4 5 6] 相减结果: [-3 -3 -3]
multiply 相乘
相乘
例子:
# 原始数组 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # 相乘 multiply_result = np.multiply(a, b) # 调试输出 print("数组 a:", a) print("数组 b:", b) print("相乘结果:", multiply_result)输出结果:
数组 a: [1 2 3] 数组 b: [4 5 6] 相乘结果: [ 4 10 18]
divide 相除
相除
例子:
# 原始数组 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # 相除 divide_result = np.divide(a, b) # 调试输出 print("数组 a:", a) print("数组 b:", b) print("相除结果:", divide_result输出结果:
数组 a: [1 2 3] 数组 b: [4 5 6] 相除结果: [0.25 0.4 0.5 ]
免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理! 部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理! 图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库和百度，360，搜狗等多加搜索引擎自动关键词搜索配图，如有侵权的图片，请第一时间联系我们，邮箱：ciyunidc@ciyunshuju.com。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!
