python中Numpy基础操作的示例分析

这篇文章主要为大家展示了“python中Numpy基础操作的示例分析”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“python中Numpy基础操作的示例分析”这篇文章吧。

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。是在学习机器学习、深度学习之前应该掌握的一个非常基本且实用的Python库。

导入库，创建数组

import numpy as np
a = np.arraya = np.array([0, 1, 2, 3, 4] )  #使用array函数

a = np.array([[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]])  #创建多维数组
a=np.zeros((2, 3))  #创建两行三列的0填充的矩阵，ones(shape)则是创建1填充的，np.full((m,n)8) m行n列的全部是8的参数
a=np.linspace(1., 4., 6) #创建1到4之间，共6个元素的等值间距的数组
a=np.arange(起，止，步长) #创建 从起到至，按步长排列的数组
a= np.indices((3,3)) #创建一个堆叠的更高维度的数组
a=np.mat() #创建矩阵，array只能从列表中生成，而mat可以从字符串或者列表中生成，比如mat（"1,2;3,4"）,而array（[1,2,3,4]），mat是矩阵、array是数组（假矩阵）

基本操作符

np中矩阵之间加减乘除是对应元素的+、-、*、/， 【注】一个数组加一个整数，则是对该数组每个元素加该整数，这个过程成为数组的广播，如果阶数不同则是每行与每行对应相乘。

mat的矩阵若是使用*则是矩阵相乘，而非对应元素相乘

其他的计算函数：

• multiply(),数组或矩阵对应位置相乘

• dot()函数，a.dot(b)表示ab矩阵相乘，数学上的相乘。

• sum() #求和，可使用axis限定方向，0为纵向，1为横向。[[...],[...],[...]]这样横着放求得时候他也会默认为二维方阵，最后结果是[...]

• min() #找出最小的元素

• max() #找出最大的元素

• mean() #返回均值

• std() #返回标准方差

• var() #返回方差

• cumprod() #原数组该位置的前几项元素乘 （累乘数组），可以使用axis指定方向，0表示纵向，1表示横向，默认横向

• cumsum() #原数组该位置的前几项元素和 （累加数组）

• ptp() #返回最大值减去最小值

np的索引和切片

import numpy as np
data = np.arange(12).reshape((3, 4))
print(data)
##对数组元素进行索引和切片
# 1. 取第一行的数据
print(data[0])

# 2. 取第一列的数据
print(data.T[0])
print(data[:, 1])

#3. 获取多行
print(data[:2])

# 4. 获取多行列
print(data.T[:2])
print(data[:, :2])


# 5. 获取指定行的前几列;
print(data)
print(data[[0,2], :2])
print(data[:2, [0,2]])

以上是“python中Numpy基础操作的示例分析”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！