一文詳細(xì)介紹numpy在python中的用法
前言
NumPy 是 Python 科學(xué)計(jì)算庫(kù)中非常重要的庫(kù)，主要用于處理大型多維數(shù)組和矩陣運(yùn)算。它提供了大量數(shù)學(xué)函數(shù)來操作這些數(shù)組。 NumPy 的核心是 ndarray 對(duì)象，該對(duì)象是一個(gè)多維數(shù)組，可以存儲(chǔ)同類型的數(shù)據(jù)。
下面是 NumPy 的詳細(xì)用法和功能介紹：
1. 導(dǎo)入NumPy
在使用 NumPy 之前，需要先導(dǎo)入庫(kù)，通常我們會(huì)將 NumPy 以 np 作為別名：
import numpy as np
2. 創(chuàng)建數(shù)組
NumPy 中的數(shù)組稱為 ndarray，可以通過多種方式創(chuàng)建數(shù)組：
a) 使用 array() 創(chuàng)建數(shù)組
# 從Python列表創(chuàng)建數(shù)組 arr = np.array([1, 2, 3, 4]) print(arr) # 輸出: [1 2 3 4] # 創(chuàng)建多維數(shù)組 arr_2d = np.array([[1, 2], [3, 4]]) print(arr_2d) # 輸出: [[1 2] [3 4]]
b) 使用 zeros()、ones() 和 full() 創(chuàng)建特定值數(shù)組
# 創(chuàng)建一個(gè)全為0的數(shù)組 zeros_arr = np.zeros((2, 3)) print(zeros_arr) # 輸出：[[0. 0. 0.] [0. 0. 0.]] # 創(chuàng)建一個(gè)全為1的數(shù)組 ones_arr = np.ones((2, 3)) print(ones_arr) # 輸出：[[1. 1. 1.] [1. 1. 1.]] # 創(chuàng)建一個(gè)指定數(shù)值的數(shù)組 full_arr = np.full((2, 2), 5) print(full_arr) # 輸出：[[5 5] [5 5]]
c) 使用 arange() 和 linspace() 創(chuàng)建序列數(shù)組
# 創(chuàng)建一個(gè)等差序列數(shù)組 arr_range = np.arange(0, 10, 2) print(arr_range) # 輸出：[0 2 4 6 8] # 創(chuàng)建一個(gè)線性間隔數(shù)組 arr_linspace = np.linspace(0, 1, 5) print(arr_linspace) # 輸出：[0. 0.25 0.5 0.75 1. ]
3. 數(shù)組屬性
ndarray 對(duì)象具有多種屬性，可以獲取數(shù)組的信息：
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr.shape) # 數(shù)組的形狀 (2, 3) print(arr.size) # 數(shù)組中的元素?cái)?shù)量 6 print(arr.ndim) # 數(shù)組的維度 2 print(arr.dtype) # 數(shù)組元素的數(shù)據(jù)類型 int64
4. 數(shù)組索引和切片
NumPy 數(shù)組支持多維索引和切片操作。
a) 一維數(shù)組索引
arr = np.array([1, 2, 3, 4, 5]) print(arr[0]) # 輸出第一個(gè)元素：1 print(arr[-1]) # 輸出最后一個(gè)元素：5
b) 多維數(shù)組索引
arr_2d = np.array([[1, 2, 3], [4, 5, 6]]) print(arr_2d[0, 2]) # 輸出第一行第三列的元素：3 print(arr_2d[1, -1]) # 輸出第二行最后一個(gè)元素：6
c) 切片
# 一維數(shù)組切片 arr = np.array([1, 2, 3, 4, 5]) print(arr[1:4]) # 輸出： [2 3 4] # 多維數(shù)組切片 arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(arr_2d[0:2, 1:3]) # 輸出：[[2 3] [5 6]]
5. 數(shù)學(xué)運(yùn)算
NumPy 可以對(duì)數(shù)組進(jìn)行廣播機(jī)制下的運(yùn)算。
a) 數(shù)組的基本運(yùn)算
arr = np.array([1, 2, 3]) print(arr + 2) # 輸出：[3 4 5] print(arr * 3) # 輸出：[3 6 9] print(arr ** 2) # 輸出：[1 4 9]
b) 數(shù)組之間的運(yùn)算
arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) print(arr1 + arr2) # 輸出：[5 7 9] print(arr1 * arr2) # 輸出：[4 10 18]
c) 通用函數(shù) (Universal Functions)
NumPy 提供了許多通用的數(shù)學(xué)函數(shù)，可以應(yīng)用于數(shù)組的每個(gè)元素，例如 sin()、exp()、sqrt() 等。
arr = np.array([1, 2, 3]) print(np.sin(arr)) # 輸出：數(shù)組每個(gè)元素的正弦值 print(np.exp(arr)) # 輸出：數(shù)組每個(gè)元素的指數(shù)值 print(np.sqrt(arr)) # 輸出：數(shù)組每個(gè)元素的平方根
6. 數(shù)組的形狀操作
NumPy 提供了許多工具來改變數(shù)組的形狀。
a) reshape() 改變數(shù)組形狀
arr = np.array([[1, 2, 3], [4, 5, 6]]) reshaped_arr = arr.reshape((3, 2)) print(reshaped_arr) # 輸出： # [[1 2] # [3 4] # [5 6]]
b) 數(shù)組轉(zhuǎn)置
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr.T) # 輸出： # [[1 4] # [2 5] # [3 6]]
7. 數(shù)組的合并和分割
NumPy 支持對(duì)數(shù)組的合并和分割操作。
a) 數(shù)組的合并
arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6]]) # 垂直合并 vstack_arr = np.vstack((arr1, arr2)) print(vstack_arr) # 輸出：[[1 2] [3 4] [5 6]] # 水平合并 hstack_arr = np.hstack((arr1, arr2.T)) print(hstack_arr) # 輸出：[[1 2 5] [3 4 6]]
b) 數(shù)組的分割
arr = np.array([[1, 2, 3], [4, 5, 6]]) # 垂直分割 vsplit_arr = np.vsplit(arr, 2) print(vsplit_arr) # 輸出兩個(gè)2x3的數(shù)組 # 水平分割 hsplit_arr = np.hsplit(arr, 3) print(hsplit_arr) # 輸出三個(gè)2x1的數(shù)組
8. 布爾索引和條件過濾
NumPy 支持布爾條件篩選和索引操作。
arr = np.array([1, 2, 3, 4, 5]) print(arr[arr > 3]) # 輸出：[4 5] # 條件賦值 arr[arr > 3] = 0 print(arr) # 輸出：[1 2 3 0 0]
9. 常用的統(tǒng)計(jì)函數(shù)
NumPy 提供了豐富的統(tǒng)計(jì)函數(shù)，方便對(duì)數(shù)組進(jìn)行統(tǒng)計(jì)計(jì)算。
arr = np.array([1, 2, 3, 4, 5]) print(np.mean(arr)) # 平均值：3.0 print(np.sum(arr)) # 總和：15 print(np.std(arr)) # 標(biāo)準(zhǔn)差：1.414 print(np.min(arr)) # 最小值：1 print(np.max(arr)) # 最大值：5
10. 隨機(jī)數(shù)生成
NumPy 的 random 模塊提供了生成隨機(jī)數(shù)的功能。
# 生成一個(gè)[0, 1)之間的隨機(jī)浮點(diǎn)數(shù) print(np.random.rand()) # 生成一個(gè)服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù) print(np.random.randn()) # 生成一個(gè)指定范圍內(nèi)的隨機(jī)整數(shù) print(np.random.randint(0, 10, (3, 3))) # 輸出一個(gè)3x3的隨機(jī)整數(shù)矩陣
11. 廣播機(jī)制
NumPy 具有廣播（broadcasting）機(jī)制，是指當(dāng)操作的兩個(gè)數(shù)組形狀不同，但其中一個(gè)數(shù)組的形狀可以通過重復(fù)某些維度的元素來匹配另一個(gè)數(shù)組的形狀時(shí)，NumPy 會(huì)自動(dòng)進(jìn)行元素?cái)U(kuò)展，執(zhí)行操作。
# 一個(gè) 1x3 數(shù)組和一個(gè) 3x1 數(shù)組相加 a = np.array([1, 2, 3]) b = np.array([[1], [2], [3]]) # 廣播機(jī)制：將b廣播為 [1, 2, 3]，然后執(zhí)行加法 result = a + b print(result) # 輸出： # [[2 3 4] # [3 4 5] # [4 5 6]]
12. 數(shù)組的矩陣運(yùn)算
NumPy 中的矩陣運(yùn)算功能包括矩陣乘法、矩陣轉(zhuǎn)置、求逆等常見的線性代數(shù)操作。特別適用于科學(xué)計(jì)算和機(jī)器學(xué)習(xí)中使用的線性代數(shù)方法。
a) 矩陣乘法
@ 符號(hào)或 np.dot() 函數(shù)可用于矩陣乘法。
# 定義兩個(gè)矩陣 A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) # 矩陣乘法 C = A @ B print(C) # 輸出： # [[19 22] # [43 50]] # 使用dot函數(shù) D = np.dot(A, B) print(D) # 輸出結(jié)果與上面相同
b) 矩陣轉(zhuǎn)置
# 矩陣轉(zhuǎn)置 A_T = A.T print(A_T) # 輸出： # [[1 3] # [2 4]]
d) 計(jì)算行列式
使用 np.linalg.det() 計(jì)算矩陣的行列式。
A = np.array([[1, 2], [3, 4]]) det_A = np.linalg.det(A) print(det_A) # 輸出：-2.0
e) 特征值和特征向量
使用 np.linalg.eig() 來計(jì)算矩陣的特征值和特征向量。
A = np.array([[1, 2], [3, 4]])
eigenvalues, eigenvectors = np.linalg.eig(A)
print("特征值：", eigenvalues)
print("特征向量：", eigenvectors)
# 輸出：
# 特征值： [-0.37228132 5.37228132]
# 特征向量：
# [[-0.82456484 -0.41597356]
# [ 0.56576746 -0.90937671]]
12. 數(shù)組的排序和條件篩選
a) 排序
使用 np.sort() 函數(shù)對(duì)數(shù)組進(jìn)行排序。該函數(shù)會(huì)返回一個(gè)排序后的數(shù)組，而不會(huì)修改原數(shù)組。
a = np.array([3, 1, 2, 4]) sorted_a = np.sort(a) print(sorted_a) # 輸出：[1 2 3 4]
b) 條件篩選
NumPy 提供了靈活的條件篩選操作，可以用布爾數(shù)組來選擇滿足條件的元素。
# 創(chuàng)建一個(gè)數(shù)組 a = np.array([1, 2, 3, 4, 5]) # 篩選出大于2的元素 filtered_a = a[a > 2] print(filtered_a) # 輸出：[3 4 5] # 使用where條件篩選 b = np.where(a > 2, a, -1) # 大于2的保持原值，否則設(shè)為-1 print(b) # 輸出：[-1 -1 3 4 5]
總結(jié)
到此這篇關(guān)于numpy在python中用法的文章就介紹到這了,更多相關(guān)python中numpy用法內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python是進(jìn)行數(shù)據(jù)分析的一種很好的語言,主要是因?yàn)橐詳?shù)據(jù)為中心的Python包的奇妙生態(tài)系統(tǒng),本文主要為大家介紹了如何在Pandas中迭代DataFrame中的行,有需要的可以參考下2023-09-09
python驗(yàn)證碼識(shí)別教程之利用滴水算法分割圖片
這篇文章主要給大家介紹了關(guān)于python驗(yàn)證碼識(shí)別教程之利用滴水算法分割圖片的相關(guān)資料，文章中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2018-06-06
Python利用ElementTree模塊處理XML的方法詳解
ElementTree是python的XML處理模塊，它提供了一個(gè)輕量級(jí)的對(duì)象模，下面這篇文章就來給大家介紹了關(guān)于Python利用ElementTree模塊處理XML的方法，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來一起看看吧。2017-08-08
python中pip安裝、升級(jí)以及升級(jí)固定的包
我們知道python有大量的第三方庫(kù),這也是python的優(yōu)勢(shì)之一,pip就是python整的軟件包管理系統(tǒng),類似于Linux平臺(tái)的yum倉(cāng)庫(kù),下面這篇文章主要給大家介紹了關(guān)于python中pip安裝、升級(jí)以及升級(jí)固定包的相關(guān)資料,需要的朋友可以參考下2022-02-02
np.empty是NumPy庫(kù)中一個(gè)強(qiáng)大但潛在危險(xiǎn)的工具,本文主要介紹了一文詳細(xì)NumPy中np.empty的用法,具有一定的參考價(jià)值,感興趣的可以了解一下2024-03-03
OpenCV實(shí)現(xiàn)相機(jī)標(biāo)定
這篇文章主要為大家詳細(xì)介紹了OpenCV實(shí)現(xiàn)相機(jī)標(biāo)定，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-08-08
Python一行代碼識(shí)別增值稅發(fā)票實(shí)現(xiàn)示例
這篇文章主要為大家介紹了Python一行代碼識(shí)別增值稅發(fā)票實(shí)現(xiàn)示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-03-03
本文給大家介紹的是在Python中安裝和使用redis數(shù)據(jù)庫(kù)的方法以及簡(jiǎn)單示例，有需要的小伙伴可以參考下2016-12-12
解決Python中導(dǎo)入自己寫的類,被劃紅線,但不影響執(zhí)行的問題
這篇文章主要介紹了解決Python中導(dǎo)入自己寫的類,被劃紅線,但不影響執(zhí)行的問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-07-07
python數(shù)據(jù)類型強(qiáng)制轉(zhuǎn)換實(shí)例詳解
這篇文章主要介紹了python數(shù)據(jù)類型強(qiáng)制轉(zhuǎn)換實(shí)例詳解,文中通過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,需要的朋友可以參考下2020-06-06