Python中的Numpy入門教程
更新時(shí)間：2014年04月26日 10:56:33 作者：
這篇文章主要介紹了Python中的Numpy入門教程，著重講解了矩陣中的數(shù)組操作,需要的朋友可以參考下
1、Numpy是什么
很簡(jiǎn)單，Numpy是Python的一個(gè)科學(xué)計(jì)算的庫(kù)，提供了矩陣運(yùn)算的功能，其一般與Scipy、matplotlib一起使用。其實(shí)，list已經(jīng)提供了類似于矩陣的表示形式，不過(guò)numpy為我們提供了更多的函數(shù)。如果接觸過(guò)matlab、scilab，那么numpy很好入手。 在以下的代碼示例中，總是先導(dǎo)入了numpy：
復(fù)制代碼 代碼如下:
>>> import numpy as np
>>> print np.version.version
1.6.2
2、多維數(shù)組
多維數(shù)組的類型是：numpy.ndarray。
使用numpy.array方法
以list或tuple變量為參數(shù)產(chǎn)生一維數(shù)組：
復(fù)制代碼 代碼如下:
>>> 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)))
<type 'numpy.ndarray'>
[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)))
<type 'numpy.ndarray'>
以list或tuple變量為元素產(chǎn)生二維數(shù)組：
復(fù)制代碼 代碼如下:
>>> print np.array([[1,2],[3,4]])
[[1 2]
[3 4]]
生成數(shù)組的時(shí)候，可以指定數(shù)據(jù)類型，例如numpy.int32, numpy.int16, and numpy.float64等：
復(fù)制代碼 代碼如下:
>>> print np.array((1.2,2,3,4), dtype=np.int32)
[1 2 3 4]
使用numpy.arange方法
復(fù)制代碼 代碼如下:
>>> print np.arange(15)
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
>>> print type(np.arange(15))
<type 'numpy.ndarray'>
>>> 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))
<type 'numpy.ndarray'>
使用numpy.linspace方法
例如，在從1到3中產(chǎn)生9個(gè)數(shù)：
復(fù)制代碼 代碼如下:
>>> 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等方法可以構(gòu)造特定的矩陣
例如：
復(fù)制代碼 代碼如下:
>>> 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.]]
創(chuàng)建一個(gè)三維數(shù)組：
復(fù)制代碼 代碼如下:
>>> print np.zeros((2,2,2))
[[[ 0. 0.]
[ 0. 0.]]
[[ 0. 0.]
[ 0. 0.]]]
獲取數(shù)組的屬性：
復(fù)制代碼 代碼如下:
>>> a = np.zeros((2,2,2))
>>> print a.ndim #數(shù)組的維數(shù)
3
>>> print a.shape #數(shù)組每一維的大小
(2, 2, 2)
>>> print a.size #數(shù)組的元素?cái)?shù)
8
>>> print a.dtype #元素類型
float64
>>> print a.itemsize #每個(gè)元素所占的字節(jié)數(shù)
8
數(shù)組索引，切片，賦值
示例：
復(fù)制代碼 代碼如下:
>>> 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
復(fù)制代碼 代碼如下:
>>> for x in np.linspace(1,3,3):
... print x
...
1.0
2.0
3.0
基本的數(shù)組運(yùn)算
先構(gòu)造數(shù)組a、b：
復(fù)制代碼 代碼如下:
>>> a = np.ones((2,2))
>>> b = np.eye(2)
>>> print a
[[ 1. 1.]
[ 1. 1.]]
>>> print b
[[ 1. 0.]
[ 0. 1.]]
數(shù)組的加減乘除：
復(fù)制代碼 代碼如下:
>>> 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.]]
使用數(shù)組對(duì)象自帶的方法：
復(fù)制代碼 代碼如下:
>>> a.sum()
4.0
>>> a.sum(axis=0) #計(jì)算每一列（二維數(shù)組中類似于矩陣的列）的和
array([ 2., 2.])
>>> a.min()
1.0
>>> a.max()
1.0
使用numpy下的方法：
復(fù)制代碼 代碼如下:
>>> 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) ##矩陣乘法
array([[ 2., 2.],
[ 2., 2.]])
合并數(shù)組
使用numpy下的vstack和hstack函數(shù)：
復(fù)制代碼 代碼如下:
>>> 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.]]
看一下這兩個(gè)函數(shù)有沒有涉及到淺拷貝這種問題：
復(fù)制代碼 代碼如下:
>>> 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中元素的改變并未影響c。
深拷貝數(shù)組
數(shù)組對(duì)象自帶了淺拷貝和深拷貝的方法，但是一般用深拷貝多一些：
復(fù)制代碼 代碼如下:
>>> a = np.ones((2,2))
>>> b = a
>>> b is a
True
>>> c = a.copy() #深拷貝
>>> c is a
False
>>> b = a
>>> b is a
True
>>> c = a.copy() #深拷貝
>>> c is a
False
基本的矩陣運(yùn)算
轉(zhuǎn)置：
復(fù)制代碼 代碼如下:
>>> a = np.array([[1,0],[2,3]])
>>> print a
[[1 0]
[2 3]]
>>> print a.transpose()
[[1 2]
[0 3]]
跡：
復(fù)制代碼 代碼如下:
>>> print np.trace(a)
4
4
numpy.linalg模塊中有很多關(guān)于矩陣運(yùn)算的方法：
復(fù)制代碼 代碼如下:
>>> import numpy.linalg as nplg
特征值、特征向量：
復(fù)制代碼 代碼如下:
>>> print nplg.eig(a)
(array([ 3., 1.]), array([[ 0. , 0.70710678],
[ 1. , -0.70710678]]))
3、矩陣
numpy也可以構(gòu)造矩陣對(duì)象，這里不做討論。
您可能感興趣的文章:
- 關(guān)于Numpy數(shù)據(jù)類型對(duì)象(dtype)使用詳解
- 在NumPy中創(chuàng)建空數(shù)組/矩陣的方法
- python中numpy.zeros(np.zeros)的使用方法
- Python使用numpy產(chǎn)生正態(tài)分布隨機(jī)數(shù)的向量或矩陣操作示例
- Python numpy 提取矩陣的某一行或某一列的實(shí)例
- 詳解Numpy數(shù)組轉(zhuǎn)置的三種方法T、transpose、swapaxes
- Numpy數(shù)據(jù)類型轉(zhuǎn)換astype,dtype的方法
- numpy中的delete刪除數(shù)組整行和整列的實(shí)例
- 淺談numpy數(shù)組的幾種排序方式
- 簡(jiǎn)單快捷：NumPy入門教程的環(huán)境設(shè)置
相關(guān)文章
這篇文章主要介紹了Python編寫函數(shù)裝飾器的相關(guān)資料,需要的朋友可以參考下2016-03-03
這篇文章主要介紹了一篇文章搞懂python的轉(zhuǎn)義字符及用法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-09-09
Django+Celery實(shí)現(xiàn)定時(shí)任務(wù)的示例
Celery是一個(gè)基于python開發(fā)的分布式任務(wù)隊(duì)列，而做python WEB開發(fā)最為流行的框架莫屬Django，本示例使用主要依賴包Django+Celery實(shí)現(xiàn)定時(shí)任務(wù)，感興趣的朋友一起看看吧2021-06-06
這篇文章主要介紹了如何使用Canny算法檢測(cè)出紙面上硬幣的邊緣。文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以跟隨小編一起動(dòng)手試一試2022-01-01
python中的內(nèi)置函數(shù)getattr()介紹及示例
其實(shí)getattr()這個(gè)方法最主要的作用是實(shí)現(xiàn)反射機(jī)制。也就是說(shuō)可以通過(guò)字符串獲取方法實(shí)例。這樣，你就可以把一個(gè)類可能要調(diào)用的方法放在配置文件里，在需要的時(shí)候動(dòng)態(tài)加載。2014-07-07
python 利用matplotlib在3D空間繪制二次拋物面的案例
這篇文章主要介紹了python 利用matplotlib在3D空間繪制二次拋物面的案例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2021-02-02
Python將運(yùn)行結(jié)果導(dǎo)出為CSV格式的兩種常用方法
這篇文章主要給大家介紹了關(guān)于Python將運(yùn)行結(jié)果導(dǎo)出為CSV格式的兩種常用方法,Python生成(導(dǎo)出)csv文件其實(shí)很簡(jiǎn)單,我們一般可以用csv模塊或者pandas庫(kù)來(lái)實(shí)現(xiàn),需要的朋友可以參考下2023-07-07
Python實(shí)現(xiàn)端口復(fù)用實(shí)例代碼
這篇文章主要介紹了Python實(shí)現(xiàn)端口復(fù)用實(shí)例代碼,需要的朋友可以參考下2014-07-07
python如何實(shí)現(xiàn)內(nèi)容寫在圖片上
這篇文章主要為大家詳細(xì)介紹了python如何實(shí)現(xiàn)內(nèi)容寫在圖片上，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-03-03
今天小編就為大家分享一篇淺談Python里面小數(shù)點(diǎn)精度的控制，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-07-07