使用NumPy进行数组数据处理的示例详解
更新时间：2023年03月22日 14:28:21 作者：小小小小能
NumPy是Python中用于数值计算的核心包之一，它提供了大量的高效数组操作函数和数学函数，可以支持多维数组和矩阵运算。本文主要为大家介绍了NumPy进行数组数据处理的具体方法，需要的可以参考一下
介绍
NumPy是Python中用于数值计算的核心包之一，它提供了大量的高效数组操作函数和数学函数。它支持多维数组和矩阵运算，并且可以集成C/C++和Fortran的代码，因此可以非常高效地处理大量数据。以下是NumPy的一些主要功能和用途：
1.多维数组：NumPy的核心是ndarray（N维数组）对象，可以用来存储同类型的元素。这些数组可以是一维、二维或更高维度。它们提供了方便的数组索引和切片，以及许多基本操作和计算（如加、减、乘、除、取幂等）。
2.数组操作：NumPy提供了大量的数组操作函数，包括数学函数（如三角函数、指数函数、对数函数等）、逻辑函数（如布尔运算、比较运算、逻辑运算等）、排序函数、统计函数等。
3.矩阵操作：NumPy提供了矩阵操作函数，如矩阵加、减、乘、转置、求逆等，可以方便地进行线性代数计算。
4.随机数生成：NumPy可以生成各种随机数，如正态分布、均匀分布、泊松分布、贝努利分布等，以及随机排列和随机选择等。
5.文件IO：NumPy可以读写各种文件格式，包括文本文件、二进制文件和matlab文件等，以便于数据的存储和传输。
6.与其他Python库的整合：NumPy可以方便地与其他Python库（如Pandas、SciPy、matplotlib等）整合使用，以进行数据分析、科学计算和可视化等。
import numpy as np
Ndarray
1.ndarray的操作
将列表数据生成array()
a = np.array([1,2,3,4,5])
确认数据类型
print(a.dtype) # int32
如果将浮点数代入整数型数组里，数据自动变为整数型（小数点以下自动舍掉）
a[1] = -3.6 print(a) # [1 -3 3 4 5]
变换数据类型
a2 = a.astype(np.float32) print(a2, a2.dtype) # [1. -3. 3. 4. 5.] float32
二维数组
b = np.array([[1, 2, 3],
[3.2, 5.3, 6.6]])
print('b=', b) # b= [[1. 2. 3. ][3.2 5.3 6.6]]
print('b[1,2]=', b[1,2]) # b[1,2] = 6.6
2.ndarray的参数
- ndarry.ndim 数组的维数
- ndarry.shape 数组的行列数
- ndarry.size 元素的个数
- ndarry.dtype 数据的类别
print('ndim =', a.ndim, b.ndim)
print('shape =', a.shape, b.shape)
print('size =', a.size, b.size)
print('dtype =', a.dtype, b.dtype)
# ndim = 1 2
# shape = (5,) (2, 3)
# size = 5 6
# dtype = float32 float64
reshape进行数组重组（元素数不变）
print(b.reshape(6)) # 转为1维数组 [ 1. 2. -1.1 3.2 5.3 6.6] print(b.reshape(3,2)) # 转为3行2列数组 [[ 1. 2. ][-1.1 3.2][ 5.3 6.6]] print(b.T) # 矩阵的转置 [[ 1. 3.2][ 2. 5.3][-1.1 6.6]]
矩阵的计算
矩阵与数值的四则运算时，各个值都进行运算
print(b+2) #[[3. 4. 0.9][5.2 7.3 8.6]] print(b-2) #[[-1. 0. -3.1][ 1.2 3.3 4.6]] print(b*2) #[[ 2. 4. -2.2][ 6.4 10.6 13.2]] print(b/2) #[[ 0.5 1. -0.55][ 1.6 2.65 3.3 ]] print(b**3) #3次幂 [[ 1. 8. -1.331][ 32.768 148.877 287.496]] print(b//1) #用这种方法舍掉小数 [[ 1. 2. -2.][ 3. 5. 6.]]
同维度矩阵计算时，相同位置的值进行运算（矩阵维度不同时报错）
c = b/2 print(b+c) # [[ 1.5 3. -1.65][ 4.8 7.95 9.9 ]] print(b-c) # [[ 0.5 1. -0.55][ 1.6 2.65 3.3 ]] print(b*c) # [[ 0.5 2. 0.605][ 5.12 14.045 21.78 ]] print(b/c) # [[2. 2. 2.][2. 2. 2.]]
行列の積は「@」
a行b列×b行c列＝a行c列の行列
A = np.arange(6).reshape(3,2) B = np.arange(8).reshape(2,4) print(A) #[[0 1][2 3][4 5]] print(B) #[[0 1 2 3][4 5 6 7]] print(A@B) #[[ 4 5 6 7][12 17 22 27][20 29 38 47]]
矩阵的生成
1维矩阵的生成（初始值，终止值，条件）
- arange 条件为指定步长，总数自动决定，不包括终止值
- linspace 条件为总数，步长自动决定，包括终止值
np.arange(0,10,0.1) # array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , 1.1, 1.2, # 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5, # 2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8, # 3.9, 4. , 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1, # 5.2, 5.3, 5.4, 5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4, # 6.5, 6.6, 6.7, 6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, 7.7, # 7.8, 7.9, 8. , 8.1, 8.2, 8.3, 8.4, 8.5, 8.6, 8.7, 8.8, 8.9, 9. , # 9.1, 9.2, 9.3, 9.4, 9.5, 9.6, 9.7, 9.8, 9.9]) np.linspace(0,10,100) # array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , # 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, # 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, # 3.3, 3.4, 3.5, 3.6, 3.7, 3.8, 3.9, 4. , 4.1, 4.2, 4.3, # 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1, 5.2, 5.3, 5.4, # 5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4, 6.5, # 6.6, 6.7, 6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, # 7.7, 7.8, 7.9, 8. , 8.1, 8.2, 8.3, 8.4, 8.5, 8.6, 8.7, # 8.8, 8.9, 9. , 9.1, 9.2, 9.3, 9.4, 9.5, 9.6, 9.7, 9.8, # 9.9, 10. ])
多维矩阵
np.zeros((3,2)) #array([[0., 0.], # [0., 0.], # [0., 0.]]) np.ones((5,2,3), dtype=np.int16) # array([[[1, 1, 1], # [1, 1, 1]], # # [[1, 1, 1], # [1, 1, 1]], # # [[1, 1, 1], # [1, 1, 1]], # # [[1, 1, 1], # [1, 1, 1]], # # [[1, 1, 1], # [1, 1, 1]]], dtype=int16) print(np.ones((5,2,2))*128) [[[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]] # # [[128. 128.] # [128. 128.]]]
3.例子
生成随机二维数组
rnd = np.random.random((5,5)) print(rnd) # [[0.61467866 0.38383428 0.4604147 0.41355961 0.22680966] # [0.83895625 0.49135984 0.21811832 0.91433166 0.18616649] # [0.80176894 0.23622139 0.87041535 0.59623534 0.93986178] # [0.48324671 0.62398314 0.82435621 0.92421743 0.84660406] # [0.63578052 0.99794079 0.46970418 0.85743179 0.11774799]]
生成图像
plt.imshow(rnd, cmap='gray') plt.colorbar() #0为黑色，1为白色
plt.imshow(rnd>0.5, cmap='gray') plt.colorbar()
color_img = np.array([
[[255,0,0],
[0,255,0],
[0,0,255]],
[[255,255,0],
[0,255,255],
[255,0,255]],
[[255,255,255],
[128,128,128],
[0,0,0]],
])
plt.imshow(color_img)
到此这篇关于使用NumPy进行数组数据处理的示例详解的文章就介绍到这了,更多相关NumPy数组数据处理内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
本文主要介绍了Python 敏感词过滤的实现示例，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2021-08-08
本篇文章主要介绍了Python进阶之尾递归的用法实例，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2018-01-01
这篇文章主要介绍了Python实现文件信息进行合并实例代码，具有一定借鉴价值,需要的朋友可以参考下2018-01-01
这篇文章主要介绍了Python装饰器简单用法,结合实例形式总结分析了Python装饰器的基本功能、简单用法及相关操作注意事项,需要的朋友可以参考下2018-12-12
这篇文章主要介绍了使用python请求接口方式(可进行并发测试),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2024-06-06
本篇文章主要介绍了Django中url的反向查询的方法，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2018-03-03
通过mod_python配置运行在Apache上的Django框架
这篇文章主要介绍了通过mod_python配置运行在Apache上的Django框架,Django是最具人气的Python web开发框架,需要的朋友可以参考下2015-07-07
如何彻底解决Python中matplotlib不显示中文的问题详解(显示方框)
Matplotlib绘制图像显示中文的时候,中文会变成小方格子,下面这篇文章主要给大家介绍了关于如何彻底解决Python中matplotlib不显示中文问题的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2022-04-04
详解Anconda环境下载python包的教程（图形界面+命令行＋pycharm安装）
这篇文章主要介绍了Anconda环境下载python包的教程（图形界面+命令行＋pycharm安装）,这篇文章很适合小白入手级别的，本文图文并茂给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下2019-11-11
之前给大家分享的python 多线程抓取网页，不过这个只能用python 来抓取到网页的源代码，如果你想用做python 下载文件的话，上面的可能就不适合你了，最近我在用python 做文件下载的时候就遇到这个问题了，不过最终得以解决，我把代码发出来2015-05-05
最新评论