免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

1. 簡介

NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數(shù)組與矩陣運算，此外也針對數(shù)組運算提供大量的數(shù)學函數(shù)庫。最主要的數(shù)據(jù)結(jié)構(gòu)是ndarray數(shù)組。

NumPy 通常與 SciPy（Scientific Python）和 Matplotlib（繪圖庫）一起使用， 這種組合廣泛用于替代 MatLab。
SciPy 是一個開源的 Python 算法庫和數(shù)學工具包。SciPy 包含的模塊有最優(yōu)化、線性代數(shù)、積分、插值、特殊函數(shù)、快速傅里葉變換、信號處理和圖像處理、常微分方程求解和其他科學與工程中常用的計算。
Matplotlib 是 Python 編程語言及其數(shù)值數(shù)學擴展包 NumPy 的可視化操作界面。

2. 創(chuàng)建

• 創(chuàng)建一維數(shù)組

（1）直接創(chuàng)建：np.array([1, 2, 3, 4, 5, 6])
（2）從python的list中建立：np.array(list([1, 2, 3, 4, 5, 6]))

• 創(chuàng)建常量值的一維數(shù)據(jù)

（1）創(chuàng)建以0為常量值：np.zeros(n,dytpe=float/int)
（2）創(chuàng)建以1為常量值：np.ones(n)
（3）創(chuàng)建一個空數(shù)組：np.empty(4)

• 創(chuàng)建一個元素遞增的數(shù)組

（1）從0開始增長的遞增數(shù)組：np.arange(8)
（2）給定區(qū)間，自定義步長：np.arange(0,1,0.2)
（3）給定區(qū)間，自定義個數(shù)：np.linspace(-1,1,50)

• 創(chuàng)建多維數(shù)組：創(chuàng)建單維數(shù)組，再添加進多維數(shù)組

• 創(chuàng)建常量值的(n*m)維數(shù)據(jù)

（1）創(chuàng)建以0為常量值：np.zeros((n*m),dytpe=float/int)
（2）創(chuàng)建以1為常量值：np.ones((n*m))
（3）創(chuàng)建一個空數(shù)組：np.empty((n*m))

• 創(chuàng)建隨機數(shù)字的數(shù)組

• 生成隨機數(shù)種子：

（1）np.random.seed()
（2）np.random.RandomState()

• 生成隨機數(shù)：

• 生成有分布規(guī)律的隨機數(shù)組

（1）二項分布：np.random.binomial(n, p, size)
（2）正態(tài)分布：np.random.normal(loc, scale, size)

• 將csv文件轉(zhuǎn)化成數(shù)組或陣列

使用 np.genfromtxt( ‘csv文件名’，delimiter = ‘文件中的分割符’ )函數(shù)將文件轉(zhuǎn)化成數(shù)組

 csv_array = np.genfromtxt('sample.csv', delimiter=',') print(csv_array)
1
2

3. 數(shù)組的變形

• 生成數(shù)組／矩陣轉(zhuǎn)置的函數(shù)，即行列數(shù)字交換，使用.T

• 改變數(shù)組的形狀：

（1）arr.resize(n,m) ：arr.resize(n,m)函數(shù)是原地修改數(shù)組，要求：元素的個數(shù)必須一致

a=np.arange(8)a.resize(2,4)print(a)---------------------------[[0 1 2 3] [4 5 6 7]]
1
2
3
4
5
6
7

（2）arr.reshape(n,m)：如果某一個維度的參數(shù)為-1，則表示元素總個數(shù)會遷就另一個維度來計算

• 將一維升至二維：np.newaxis

np.newaxis實際上是直接增加維度的意思，我們一般不會給數(shù)組增加太多維度，這里以一維增加到二維為例：

（1）增加行維度：arr[np.newaxis, :]
（2）增加列維度：arr[: , np.newaxis]

a=np.arange(8)a							# array([0, 1, 2, 3, 4, 5, 6, 7])a.shape						# (8,)a[np.newaxis, :]			# array([[0, 1, 2, 3, 4, 5, 6, 7]])a.shape						# (8,)a[: , np.newaxis]			# array([[0],[1],[2],[3],[4],[5],[6],[7]])a.shape						# (8,)
1
2
3
4
5
6
7
8

• 降維：arr.ravel()

arr.ravel()函數(shù)在降維時：默認是行序優(yōu)先生成新數(shù)組（就是一行行讀）；如果傳入?yún)?shù)“F”則是列序降維生成新數(shù)組

4. 計算

• 對數(shù)組進行計算操作

（1）對元素進行加減計算

a=np.arange(8).reshape(2,4)				# array([[0, 1, 2, 3], [4, 5, 6, 7]])b=np.random.randint(8,size=(2,4))		# array([[1, 2, 5, 3], [4, 1, 0, 6]])a+ba-b----------------------------# a+b和a-b結(jié)果分別是：array([[ 1,  3,  7,  6],       [ 8,  6,  6, 13]])array([[-1, -1, -3,  0],       [ 0,  4,  6,  1]])
1
2
3
4
5
6
7
8
9
10
11

（2）乘法：平方／矩陣中元素相乘

（3）矩陣*矩陣：

# 要求a矩陣的行要等于b矩陣的列數(shù)；且a矩陣的列等于b矩陣的行數(shù)a=np.arange(8).reshape(2,4)				# array([[0, 1, 2, 3], [4, 5, 6, 7]])b=np.random.randint(8,size=(4,2))		# array([[3, 0],[3, 3],[5, 6],[6, 7]])c1 = np.dot(a,b)c2 = a.dot(b)----------------------# ab矩陣相乘的結(jié)果：c1=c2 array([[ 31,  36],       [ 99, 100]])
1
2
3
4
5
6
7
8
9
10

（4）邏輯計算

【注】列表是無法作為一個整體對其中的各個元素進行邏輯判斷的！

5. 取值

• 獲取一維數(shù)組中的某個元素：操作和list列表的index一樣

a = np.array([5, 2, 7, 0, 11])a[0]			# 結(jié)果為 5a[:4]			# 結(jié)果為 從頭開始到索引為4結(jié)束a[2:]			# 結(jié)果為 從索引為2的開始到結(jié)尾a[::2]			# 結(jié)果為 從頭開始到結(jié)尾，每2個取一個值
1
2
3
4
5
6

• 獲取多維數(shù)組的某個元素，某行或列值

• 獲取滿足邏輯運算的

# 需要注意的是，我們數(shù)據(jù)進行邏輯計算操作得到的仍然是一個數(shù)組# 如果我們想要的是一個過濾后的數(shù)組，就需要將'邏輯判斷'傳入數(shù)組中a = np.array([[32, 15, 6, 9, 14],               [12, 10, 5, 23, 1],              [2, 16, 13, 40, 37]])a[a > 3]a[(a > 3) | (a < 2)]	------------------------------# 結(jié)果分別是：array([32, 15,  6,  9, 14, 12, 10,  5, 23, 16, 13, 40, 37])array([32, 15,  6,  9, 14, 12, 10,  5, 23,  1, 16, 13, 40, 37])
1
2
3
4
5
6
7
8
9
10
11
12
13

• 遍歷：結(jié)果是按行輸出

6. 復制／分割／合并

• 復制：arr.cope()
• 分割：

（1）等分：np.split(arr, n, axis=0/1)（即行數(shù)或列數(shù)可以整除n時才可以）
（2）不等分：np.array_split(arr, n) 默認按行分n份

a = np.array([[32, 15, 6, 9, 14, 21],               [12, 10, 5, 23, 1, 10],              [2, 16, 13, 40, 37, 8]])              # 可以看到a矩陣是(3*6)，所以使用np.split()只能嘗試行分成3份；或者列分成2/3/6份 np.split(a,3,axis=0)	np.split(a,3,axis=1)np.array_split(a,2)np.array_split(a,4,axis=1)-------------------------------------------[array([[32, 15,  6,  9, 14, 21]]), array([[12, 10,  5, 23,  1, 10]]), array([[ 2, 16, 13, 40, 37,  8]])]   [array([[32, 15],        [12, 10],        [ 2, 16]]), array([[ 6,  9],        [ 5, 23],        [13, 40]]), array([[14, 21],        [ 1, 10],        [37,  8]])]        [array([[32, 15,  6,  9, 14, 21],        [12, 10,  5, 23,  1, 10]]), array([[ 2, 16, 13, 40, 37,  8]])]        [array([[32, 15],        [12, 10],        [ 2, 16]]), array([[ 6,  9],        [ 5, 23],        [13, 40]]), array([[14],        [ 1],        [37]]), array([[21],        [10],        [ 8]])]      
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

• 合并：np.concatenate((arr1,arr2,arr3), axis=0/1) 默認接在數(shù)據(jù)下面