python numpy 初识（python怎么读）

python numpy 初识（python怎么读）

​

numpy是python的一个第三方模块，以多维数组对象为核心，提供了强大的科学计算能力和超快的运行速度，常和scipy, matplotlib等模块一起协同作用，是python中科学计算相关的基础模块。

numpy中的多维数组称之为ndarray, 是由一系列相同数据类型的对象构成的集合。在numpy中，最基本的构建矩阵的方法是通过array函数，用法如下

>>> import numpy>>> a = numpy.array([1, 2, 3])>>> type(a)>>> numpy.array([(1, -2, 2), (3, 2, 0)])array([[ 1, -2, 2], [ 3, 2, 0]])

对于多维数组，有以下基本属性和操作方法

1. 基本属性

numpy中的数组具有维度，数据类型等基本属性，示例如下

>>> a = numpy.array([(1, -2, 2), (3, 2, 0)])>>> aarray([[ 1, -2, 2], [ 3, 2, 0]])# 数组的维度，这里是2维数组>>> a.ndim2# 返回值为一个元组，记录每个维度的尺寸>>> a.shape(2, 3)# 数组中元素的总数>>> a.size6# 数组中元素的基本数据类型>>> a.dtypedtype('int32')

2. 构建方法

numpy中多维数组的构建方式有多种，示例如下

# 类似内置的range函数# 创建等差数列>>> np.arange(1, 6)array([1, 2, 3, 4, 5])# 设置步长>>> np.arange(1, 10, 3)array([1, 4, 7])# 和arange不同，指定生成的元素个数，然后自动划分步长>>> np.linspace(0, 8, 3)array([0., 4., 8.])# reshape重新定义矩阵维度>>> a = numpy.arange(6).reshape(3, 2)>>> aarray([[0, 1], [2, 3], [4, 5]])# 初始化一个矩阵，全部用0填充>>> np.zeros((2, 4))array([[0., 0., 0., 0.], [0., 0., 0., 0.]])# 初始化一个矩阵，全部用1填充>>> np.ones((2, 4))array([[1., 1., 1., 1.], [1., 1., 1., 1.]])# 初始化一个矩阵，用随机数进行填充>>> np.empty((2, 3))array([[-5.22979145e-299, 1.28420031e+294, 1.96049329e+289], [-4.00921237e-294, 3.60935879e+207, 1.31819562e+294]])

3. 切片

numpy中的矩阵可以进行切片，一维数组的切片操作和普通的python序列对象相同，用法如下

>>> a = numpy.arange(10)>>> aarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> a[2]2>>> a[2:5]array([2, 3, 4])>>> a[:6:2] = -1>>> aarray([-1, 1, -1, 3, -1, 5, 6, 7, 8, 9])>>> a[::-1]array([ 9, 8, 7, 6, 5, -1, 3, -1, 1, -1])>>> for i in a:... print(i)...-11-13-156789

多维数组在每个维度上都可以进行切片，以二维数组为例，示例如下

>>> a = numpy.arange(25).reshape(5,5)>>> aarray([[ 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]])>>># 访问第二行，第三列对应的元素>>> a[2, 3]13# 访问1到5行，第一列对应的元素>>> a[0:5, 1]array([ 1, 6, 11, 16, 21])# ：表示取所有的元素>>> a[1:3, :]array([[ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])# 也可以直接不写，默认就是取所有元素>>> a[1:3]array([[ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])

4. 矩阵运算

numpy可以方便的进行向量运算和矩阵操作，用法示例如下

>>> a = np.arange(1, 6)>>> aarray([1, 2, 3, 4, 5])# 向量操作，加减乘除>>> a - 1array([0, 1, 2, 3, 4])>>> a + 2array([3, 4, 5, 6, 7])>>> a * 3array([ 3, 6, 9, 12, 15])>>> a / 2array([0.5, 1. , 1.5, 2. , 2.5])# 矩阵运算，乘法>>> a = np.arange(6).reshape(2, 3)>>> b = np.arange(9).reshape(3, 3)>>> a @ barray([[15, 18, 21], [42, 54, 66]])>>> a.dot(b)array([[15, 18, 21], [42, 54, 66]])

除了以上基本概念外，numpy还提供了丰富的矩阵操作的方法和函数，后续再详细介绍。

·end·

—如果喜欢，快分享给你的朋友们吧—

关注我们，解锁更多精彩内容！

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。