您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
本篇内容主要讲解“怎么使用NumPy进行数组数据处理”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“怎么使用NumPy进行数组数据处理”吧!
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
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] = 6.6ndarry.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 float64reshape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.]]]
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，相信大家对“怎么使用NumPy进行数组数据处理”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。