深入理解NumPy简明教程---数组2
NumPy数组（2、数组的操作）
基本运算
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。
>>> a= np.array([20,30,40,50]) >>> b= np.arange( 4) >>> b array([0, 1, 2, 3]) >>> c= a-b >>> c array([20, 29, 38, 47]) >>> b**2 array([0, 1, 4, 9]) >>> 10*np.sin(a) array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854]) >>> a<35 array([True, True, False, False], dtype=bool)
与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)
>>> A= np.array([[1,1], ...[0,1]]) >>> B= np.array([[2,0], ...[3,4]]) >>> A*B # 逐个元素相乘 array([[2, 0], [0, 4]]) >>> np.dot(A,B) # 矩阵相乘 array([[5, 4], [3, 4]])
有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。
>>> a= np.ones((2,3), dtype=int)
>>> b= np.random.random((2,3))
>>> a*= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b+= a
>>> b
array([[ 3.69092703, 3.8324276, 3.0114541],
[ 3.18679111, 3.3039349, 3.37600289]])
>>> a+= b # b转换为整数类型
>>> a
array([[6, 6, 6],
[6, 6, 6]])
当数组中存储的是不同类型的元素时，数组将使用占用更多位（bit）的数据类型作为其本身的数据类型，也就是偏向更精确的数据类型(这种行为叫做upcast)。
>>> a= np.ones(3, dtype=np.int32) >>> b= np.linspace(0,np.pi,3) >>> b.dtype.name 'float64' >>> c= a+b >>> c array([ 1., 2.57079633, 4.14159265]) >>> c.dtype.name 'float64' >>> d= exp(c*1j) >>> d array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j, -0.54030231-0.84147098j]) >>> d.dtype.name 'complex128'
许多非数组运算，如计算数组所有元素之和，都作为ndarray类的方法来实现，使用时需要用ndarray类的实例来调用这些方法。
>>> a= np.random.random((2,3))
>>> a
array([[ 0.65806048, 0.58216761, 0.59986935],
[ 0.6004008, 0.41965453, 0.71487337]])
>>> a.sum()
3.5750261436902333
>>> a.min()
0.41965453489104032
>>> a.max()
0.71487337095581649
这些运算将数组看作是一维线性列表。但可通过指定axis参数（即数组的行）对指定的轴做相应的运算：
>>> b= np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0) # 计算每一列的和，注意理解轴的含义，参考数组的第一篇文章
array([12, 15, 18, 21])
>>> b.min(axis=1) # 获取每一行的最小值
array([0, 4, 8])
>>> b.cumsum(axis=1) # 计算每一行的累积和
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
索引，切片和迭代
和列表和其它Python序列一样，一维数组可以进行索引、切片和迭代操作。
>>> a= np.arange(10)**3 #记住，操作符是对数组中逐元素处理的！ >>> a array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2] 8 >>> a[2:5] array([ 8, 27, 64]) >>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000，从开始到第6个位置，每隔一个元素将其赋值为-1000 >>> a array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729]) >>> a[: :-1] # 反转a array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000]) >>>for i in a: ... print i**(1/3.), ... nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。
>>>def f(x,y):
... return 10*x+y
...
>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数，下篇文章介绍。
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # 每行的第二个元素
array([ 1, 11, 21, 31, 41])
>>> b[: ,1] # 与前面的效果相同
array([ 1, 11, 21, 31, 41])
>>> b[1:3,: ] # 每列的第二和第三个元素
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
当少于提供的索引数目少于轴数时，已给出的数值按秩的顺序复制，确失的索引则默认为是整个切片：
>>> b[-1] # 最后一行，等同于b[-1,:]，-1是第一个轴，而缺失的认为是：，相当于整个切片。 array([40, 41, 42, 43])
b[i]中括号中的表达式被当作i和一系列:，来代表剩下的轴。NumPy也允许你使用“点”像b[i,...]。
点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴)，那么:
- x[1,2,…] 等同于 x[1,2,:,:,:],
- x[…,3] 等同于 x[:,:,:,:,3]
- x[4,…,5,:] 等同 x[4,:,:,5,:]
>>> c= array( [ [[ 0, 1, 2], #三维数组（两个2维数组叠加而成）
...[ 10, 12, 13]],
...
...[[100,101,102],
...[110,112,113]]] )
>>> c.shape
(2, 2, 3)
>>> c[1,...] #等同于c[1,:,:]或c[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[...,2] #等同于c[:,:,2]
array([[ 2, 13],
[102, 113]])
多维数组的遍历是以是第一个轴为基础的：
>>>for row in b: ... print row ... [0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]
如果想对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：
>>>for element in b.flat: ... print element, ... 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例
形状（shape）操作
更改数组的形状
数组的形状取决于其每个轴上的元素个数：
>>> a= np.floor(10*np.random.random((3,4)))
>>> a
array([[ 7., 5., 9., 3.],
[ 7., 2., 7., 8.],
[ 6., 8., 3., 2.]])
>>> a.shape
(3, 4)
可以用多种方式修改数组的形状：
>>> a.ravel() # 平坦化数组
array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
>>> a.shape= (6, 2)
>>> a.transpose()
array([[ 7., 9., 7., 7., 6., 3.],
[ 5., 3., 2., 8., 8., 2.]])
由ravel()展平的数组元素的顺序通常是“C风格”的，就是以行为基准，最右边的索引变化得最快，所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape)，数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组，所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时，就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组，即最左边的索引变化最快。
reshape函数改变调用数组的形状并返回该数组，而resize函数改变调用数组自身。
>>> a
array([[ 7., 5.],
[ 9., 3.],
[ 7., 2.],
[ 7., 8.],
[ 6., 8.],
[ 3., 2.]])
>>> a.resize((2,6))
>>> a
array([[ 7., 5., 9., 3., 7., 2.],
[ 7., 8., 6., 8., 3., 2.]])
如果在reshape操作中指定一个维度为-1，那么其准确维度将根据实际情况计算得到
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
相关文章
这篇文章主要为大家介绍了在langchain中对大模型的输出进行格式化实现示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2023-11-11
这篇文章主要介绍了python3 QT5 端口转发工具,功能是打开本机端口，映射到指定IP的端口，接下来通过两种场景给大家详细介绍，感兴趣的朋友一起看看吧2022-01-01
TensorFlow Session会话控制&Variable变量详解
今天小编就为大家分享一篇TensorFlow Session会话控制&Variable变量详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-07-07
pyaudio是一个跨平台的音频I/O库，使用PyAudio可以在Python程序中播放和录制音频，本文将利用它实现录音功能，并做到停止说话时自动结束2023-05-05
PeFile模块是Python中一个强大的便携式第三方PE格式分析工具，用于解析和处理Windows可执行文件，本文主要就来讲讲如何使用PEfile模块实现分析PE文件，需要的可以参考下2023-08-08
这篇文章主要介绍了Selenium操作隐藏的元素及问题解决方案,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2023-12-12
今天小编就为大家分享一篇python针对不定分隔符切割提取字符串的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-10-10
Pycharm 2to3配置,python2转python3方式
这篇文章主要介绍了Pycharm 2to3配置，python2转python3方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-12-12
这篇文章主要为大家详细介绍了Python实现动态图的解析、合成与倒放，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-01-01
Pandas中DataFrame.head()函数的具体使用
DataFrame.head()是Pandas库中一个非常重要的函数,用于返回DataFrame对象的前n行,本文主要介绍了Pandas中DataFrame.head()函数的具体使用,感兴趣的可以了解一下2024-07-07
最新评论