“Python numpy的简单应用”的版本间的差异

来自CloudWiki
跳转至： 导航， 搜索
（创建页面，内容为“导入模块 >>> import numpy as np 生成数组 <nowiki>>>> np.array([1, 2, 3, 4, 5]) # 把列表转换为数组 array([1, 2, 3, 4, 5]) >>> np.array((1,…”）
 
（→‎数组与数组的运算）
 
（未显示同一用户的4个中间版本）
第1行： 第1行：
−
导入模块
+
==numpy的安装==
 +
pip3 install numpy
 +
 
 +
==numpy的简单使用==
 +
 
 +
===导入模块===
 
  >>> import numpy as np
 
  >>> import numpy as np
  
−
生成数组
+
===创建数组===
  
 
  <nowiki>>>> np.array([1, 2, 3, 4, 5])        # 把列表转换为数组
 
  <nowiki>>>> np.array([1, 2, 3, 4, 5])        # 把列表转换为数组
第17行： 第22行：
 
>>> np.arange(1, 10, 2)
 
>>> np.arange(1, 10, 2)
 
array([1, 3, 5, 7, 9])</nowiki>
 
array([1, 3, 5, 7, 9])</nowiki>
 +
 +
===数组属性===
 +
<nowiki>>>> import numpy as np
 +
>>> a = np.ones((4,5))
 +
>>> print(a)
 +
[[1. 1. 1. 1. 1.]
 +
[1. 1. 1. 1. 1.]
 +
[1. 1. 1. 1. 1.]
 +
[1. 1. 1. 1. 1.]]
 +
>>> a.ndim
 +
2
 +
>>> a.shape
 +
(4, 5)
 +
>>> a.dtype
 +
dtype('float64')</nowiki>
 +
===创建各种数组===
 +
<nowiki>>>> np.linspace(0,10,11)
 +
array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])
 +
>>>
 +
>>>
 +
>>> a = np.logspace(0,9,10)
 +
>>> a
 +
array([  1.00000000e+00,  1.00000000e+01,  1.00000000e+02,
 +
        1.00000000e+03,  1.00000000e+04,  1.00000000e+05,
 +
        1.00000000e+06,  1.00000000e+07,  1.00000000e+08,
 +
        1.00000000e+09])
 +
>>> a = np.logspace(0,9,10,base=2)
 +
>>> a
 +
array([  1.,    2.,    4.,    8.,  16.,  32.,  64.,  128.,  256.,  512.])
 +
>>> np.zeros(3)
 +
array([0., 0., 0.])
 +
>>> np.ones(3)
 +
array([1., 1., 1.])
 +
>>> np.zeros((3,3))
 +
array([[0., 0., 0.],
 +
      [0., 0., 0.],
 +
      [0., 0., 0.]])
 +
>>> np.zeros((3,1))
 +
array([[0.],
 +
      [0.],
 +
      [0.]])
 +
>>> np.zeros((1,3))
 +
array([[0., 0., 0.]])
 +
>>> np.ones((1,3))
 +
array([[1., 1., 1.]])
 +
>>> np.ones((3,3))
 +
array([[1., 1., 1.],
 +
      [1., 1., 1.],
 +
      [1., 1., 1.]])
 +
</nowiki>
 +
 +
 +
<nowiki>>>> np.identity(3) #单位矩阵
 +
array([[1., 0., 0.],
 +
      [0., 1., 0.],
 +
      [0., 0., 1.]])
 +
>>> np.identity(2) #单位矩阵
 +
array([[1., 0.],
 +
      [0., 1.]])
 +
>>> np.hamming(20) #Hamming窗口
 +
array([0.08      , 0.10492407, 0.17699537, 0.28840385, 0.42707668,
 +
      0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,
 +
      0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,
 +
      0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08      ])
 +
>>> np.blackman(10) #Blackman窗口
 +
array([-1.38777878e-17,  5.08696327e-02,  2.58000502e-01,  6.30000000e-01,
 +
        9.51129866e-01,  9.51129866e-01,  6.30000000e-01,  2.58000502e-01,
 +
        5.08696327e-02, -1.38777878e-17])
 +
>>> np.kaiser(12,5) #Kaiser窗口
 +
array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,
 +
      0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,
 +
      0.16199525, 0.03671089])
 +
>>> np.random.randint(0,50,5) #随机数组，5个0到50之间的整数
 +
array([ 9, 36, 27, 32, 45])
 +
>>> np.random.randint(0,50,(3,5)) #3行5列，15个介于0和50之间的整数
 +
array([[24, 37, 39,  0,  2],
 +
      [35, 30,  3, 44, 42],
 +
      [16, 18, 10, 28, 32]])
 +
>>> np.random.rand(10) #10个随机小数
 +
array([0.52956314, 0.14924464, 0.17543161, 0.88862925, 0.81509813,
 +
      0.92279044, 0.05609938, 0.39233243, 0.11169266, 0.92278519])</nowiki>
 +
 +
==numpy的简单使用==
 +
===测试两个数组是否足够接近===
 +
 +
<nowiki>>>> x = np.array([1, 2, 3, 4.001, 5])
 +
>>> y = np.array([1, 1.999, 3, 4.01, 5.1])
 +
>>> np.allclose(x, y)
 +
False
 +
>>> np.allclose(x, y, rtol=0.2)      # 设置相对误差参数
 +
True
 +
>>> np.allclose(x, y, atol=0.2)      # 设置绝对误差参数
 +
True</nowiki>
 +
 +
===改变数组元素值===
 +
 +
<nowiki>>>> x = np.arange(8)
 +
>>> x
 +
array([0, 1, 2, 3, 4, 5, 6, 7])
 +
>>> np.append(x, 8)              # 返回新数组，增加元素
 +
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
 +
>>> np.append(x, [9,10])
 +
array([0, 1, 2, 3, 4, 5, 6, 7, 9, 10])
 +
>>> x                            # 不影响原来的数组
 +
array([0, 1, 2, 3, 4, 5, 6, 7])
 +
>>> x[3] = 8                      # 原地修改元素值
 +
>>> x
 +
array([0, 1, 2, 8, 4, 5, 6, 7])
 +
>>> np.insert(x, 1, 8)            # 返回新数组，插入元素
 +
 +
>>> x.repeat(3)                  # 元素重复，返回新数组
 +
array([0, 0, 0, 1, 1, 1, 2, 2, 2, 8, 8, 8, 4, 4, 4, 5, 5, 5, 6, 6, 6, 7, 7, 7])
 +
>>> x.put(0, 9)                  # 修改指定位置上的元素值
 +
>>> x
 +
array([9, 1, 2, 8, 4, 5, 6, 7])
 +
>>> x = np.array([[1,2,3], [4,5,6], [7,8,9]])
 +
>>> x[0, 2] = 4                  # 修改第0行第2列的元素值
 +
>>> x
 +
array([[1, 2, 4],
 +
      [4, 5, 6],
 +
      [7, 8, 9]])
 +
</nowiki>
 +
 +
 +
==numpy运算==
 +
===数组与数值的运算===
 +
 +
<nowiki>>>> x = np.array((1, 2, 3, 4, 5))    # 创建数组对象
 +
>>> x
 +
array([1, 2, 3, 4, 5])
 +
>>> x * 2                            # 数组与数值相乘，返回新数组
 +
array([ 2, 4, 6, 8, 10])
 +
>>> x / 2                            # 数组与数值相除
 +
array([ 0.5, 1. , 1.5, 2. , 2.5])
 +
>>> x // 2                          # 数组与数值整除
 +
array([0, 1, 1, 2, 2], dtype=int32)
 +
>>> x ** 3                          # 幂运算
 +
array([1, 8, 27, 64, 125], dtype=int32)
 +
>>> x + 2                            # 数组与数值相加
 +
array([3, 4, 5, 6, 7])
 +
>>> x % 3                            # 余数
 +
array([1, 2, 0, 1, 2], dtype=int32)</nowiki>
 +
 +
 +
===数组与数组的运算===
 +
 +
<nowiki>>>> a = np.array((1, 2, 3))
 +
>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))
 +
>>> c = a * b                  # 数组与数组相乘
 +
>>> c                          # a中的每个元素乘以b中的对应列元素
 +
array([[ 1, 4, 9],
 +
      [ 4, 10, 18],
 +
      [ 7, 16, 27]])
 +
>>> c / b                      # 数组之间的除法运算
 +
array([[ 1.,  2.,  3.],
 +
      [ 1.,  2.,  3.],
 +
      [ 1.,  2.,  3.]])
 +
>>> c / a
 +
array([[ 1.,  2.,  3.],
 +
      [ 4.,  5.,  6.],
 +
      [ 7.,  8.,  9.]])</nowiki>
 +
 +
返回 [[Python程序设计艺术]]

2018年5月30日 (三) 10:22的最新版本

numpy的安装

pip3 install numpy

numpy的简单使用

导入模块

>>> import numpy as np

创建数组

>>> np.array([1, 2, 3, 4, 5])        # 把列表转换为数组
array([1, 2, 3, 4, 5])
>>> np.array((1, 2, 3, 4, 5))        # 把元组转换成数组
array([1, 2, 3, 4, 5])
>>> np.array(range(5))               # 把range对象转换成数组
array([0, 1, 2, 3, 4])
>>> np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组
array([[1, 2, 3],
       [4, 5, 6]])
>>> np.arange(8)                     # 类似于内置函数range()
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> np.arange(1, 10, 2)
array([1, 3, 5, 7, 9])

数组属性

>>> import numpy as np
>>> a = np.ones((4,5))
>>> print(a)
[[1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]]
>>> a.ndim
2
>>> a.shape
(4, 5)
>>> a.dtype
dtype('float64')

创建各种数组

>>> np.linspace(0,10,11)
array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])
>>> 
>>> 
>>> a = np.logspace(0,9,10)
>>> a
array([  1.00000000e+00,   1.00000000e+01,   1.00000000e+02,
         1.00000000e+03,   1.00000000e+04,   1.00000000e+05,
         1.00000000e+06,   1.00000000e+07,   1.00000000e+08,
         1.00000000e+09])
>>> a = np.logspace(0,9,10,base=2)
>>> a
array([   1.,    2.,    4.,    8.,   16.,   32.,   64.,  128.,  256.,  512.])
>>> np.zeros(3)
array([0., 0., 0.])
>>> np.ones(3)
array([1., 1., 1.])
>>> np.zeros((3,3))
array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])
>>> np.zeros((3,1))
array([[0.],
       [0.],
       [0.]])
>>> np.zeros((1,3))
array([[0., 0., 0.]])
>>> np.ones((1,3))
array([[1., 1., 1.]])
>>> np.ones((3,3))
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])




>>> np.identity(3) #单位矩阵
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
>>> np.identity(2) #单位矩阵
array([[1., 0.],
       [0., 1.]])
>>> np.hamming(20) #Hamming窗口
array([0.08      , 0.10492407, 0.17699537, 0.28840385, 0.42707668,
       0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,
       0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,
       0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08      ])
>>> np.blackman(10) #Blackman窗口
array([-1.38777878e-17,  5.08696327e-02,  2.58000502e-01,  6.30000000e-01,
        9.51129866e-01,  9.51129866e-01,  6.30000000e-01,  2.58000502e-01,
        5.08696327e-02, -1.38777878e-17])
>>> np.kaiser(12,5) #Kaiser窗口
array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,
       0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,
       0.16199525, 0.03671089])
>>> np.random.randint(0,50,5) #随机数组，5个0到50之间的整数
array([ 9, 36, 27, 32, 45])
>>> np.random.randint(0,50,(3,5)) #3行5列，15个介于0和50之间的整数
array([[24, 37, 39,  0,  2],
       [35, 30,  3, 44, 42],
       [16, 18, 10, 28, 32]])
>>> np.random.rand(10) #10个随机小数
array([0.52956314, 0.14924464, 0.17543161, 0.88862925, 0.81509813,
       0.92279044, 0.05609938, 0.39233243, 0.11169266, 0.92278519])

numpy的简单使用

测试两个数组是否足够接近

>>> x = np.array([1, 2, 3, 4.001, 5])
>>> y = np.array([1, 1.999, 3, 4.01, 5.1])
>>> np.allclose(x, y)
False
>>> np.allclose(x, y, rtol=0.2)       # 设置相对误差参数
True
>>> np.allclose(x, y, atol=0.2)       # 设置绝对误差参数
True

改变数组元素值

>>> x = np.arange(8)
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> np.append(x, 8)               # 返回新数组，增加元素
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> np.append(x, [9,10])
array([0, 1, 2, 3, 4, 5, 6, 7, 9, 10])
>>> x                             # 不影响原来的数组
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> x[3] = 8                      # 原地修改元素值
>>> x
array([0, 1, 2, 8, 4, 5, 6, 7])
>>> np.insert(x, 1, 8)            # 返回新数组，插入元素

>>> x.repeat(3)                   # 元素重复，返回新数组
array([0, 0, 0, 1, 1, 1, 2, 2, 2, 8, 8, 8, 4, 4, 4, 5, 5, 5, 6, 6, 6, 7, 7, 7])
>>> x.put(0, 9)                   # 修改指定位置上的元素值
>>> x
array([9, 1, 2, 8, 4, 5, 6, 7])
>>> x = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> x[0, 2] = 4                   # 修改第0行第2列的元素值
>>> x
array([[1, 2, 4],
       [4, 5, 6],
       [7, 8, 9]])


numpy运算

数组与数值的运算

>>> x = np.array((1, 2, 3, 4, 5))    # 创建数组对象
>>> x
array([1, 2, 3, 4, 5])
>>> x * 2                            # 数组与数值相乘，返回新数组
array([ 2, 4, 6, 8, 10])
>>> x / 2                            # 数组与数值相除
array([ 0.5, 1. , 1.5, 2. , 2.5])
>>> x // 2                           # 数组与数值整除
array([0, 1, 1, 2, 2], dtype=int32)
>>> x ** 3                           # 幂运算
array([1, 8, 27, 64, 125], dtype=int32)
>>> x + 2                            # 数组与数值相加
array([3, 4, 5, 6, 7])
>>> x % 3                            # 余数
array([1, 2, 0, 1, 2], dtype=int32)


数组与数组的运算

>>> a = np.array((1, 2, 3))
>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))
>>> c = a * b                   # 数组与数组相乘
>>> c                           # a中的每个元素乘以b中的对应列元素
array([[ 1, 4, 9],
       [ 4, 10, 18],
       [ 7, 16, 27]])
>>> c / b                       # 数组之间的除法运算
array([[ 1.,  2.,  3.],
       [ 1.,  2.,  3.],
       [ 1.,  2.,  3.]])
>>> c / a
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.],
       [ 7.,  8.,  9.]])

返回 Python程序设计艺术

取自“http://www.openbrains.net/mediawiki/index.php?title=Python_numpy的简单应用&oldid=7689”