当前位置 博文首页 > Python基础之numpy库的使用
numpy库处理的最基础数据类型是由同种元素构成的多维数组，简称为“数组”
数组的特点：
ndarray类型的维度叫做轴，轴的个数叫做秩
由于numpy库中函数较多而且容易与常用命名混淆，建议采用如下方法引用numpy库
import numpy as np
numpy库中常用的创建数组函数
| 函数 | 描述 |
| np.array([x,y,z],dtype=int) | 从Python列表和元组中创建数组 |
| np.arange(x,y,i) | 创建一个由x到y，以i为步长的数组 |
| np.linspace(x,y,n) | 创建一个由x到y，等分成n个元素的数组 |
| np.indices((m,n)) | 创建一个m行n列的矩阵 |
| np.random.rand(m,n) | 创建一个m行n列的随机数组 |
| np.ones((m,n),dtype) | 创建一个m行n列全1的数组，dtype是数据类型 |
| np.empty((m,n),dtype) | 创建一个m行n列全0的数组，dtype是数据类型 |
import numpy as np
a1 = np.array([1,2,3,4,5,6])
a2 = np.arange(1,10,3)
a3 = np.linspace(1,10,3)
a4 = np.indices((3,4))
a5 = np.random.rand(3,4)
a6 = np.ones((3,4),int)
a7 = np.empty((3,4),int)
print(a1)
print("===========================================================")
print(a2)
print("===========================================================")
print(a3)
print("===========================================================")
print(a4)
print("===========================================================")
print(a5)
print("===========================================================")
print(a6)
print("===========================================================")
print(a7)
=================================================================================
[1 2 3 4 5 6]
===========================================================
[1 4 7]
===========================================================
[ 1. 5.5 10. ]
===========================================================
[[[0 0 0 0]
[1 1 1 1]
[2 2 2 2]]
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]]
===========================================================
[[0.00948155 0.7145306 0.50490391 0.69827703]
[0.18164292 0.78440752 0.75091258 0.31184394]
[0.17199081 0.3789 0.69886588 0.0476422 ]]
===========================================================
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
===========================================================
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
在建立一个简单的数组后，可以查看数组的属性
| 属性 | 描述 |
| ndarray.ndim | 数组轴的个数，也被称为秩 |
| ndarray.shape | 数组在每个维度上大小的整数元组 |
| ndarray.size | 数组元素的总个数 |
| ndarray.dtype | 数组元素的数据类型，dtype类型可以用于创建数组 |
| ndarray.itemsize | 数组中每个元素的字节大小 |
| ndarray.data | 包含实际数组元素的缓冲区地址 |
| ndarray.flat | 数组元素的迭代器 |
import numpy as np
a6 = np.ones((3,4),int)
print(a6)
print("=========================================")
print(a6.ndim)
print("=========================================")
print(a6.shape)
print("=========================================")
print(a6.size)
print("=========================================")
print(a6.dtype)
print("=========================================")
print(a6.itemsize)
print("=========================================")
print(a6.data)
print("=========================================")
print(a6.flat)
=================================================================================
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
=========================================
2
=========================================
(3, 4)
=========================================
12
=========================================
int32
=========================================
4
=========================================
<memory at 0x0000020D79545908>
=========================================
<numpy.flatiter object at 0x0000020D103B1180>
数组在numpy中被当做对象，可以采用< a >.< b >()方式调用一些方法。
ndarray类的形态操作方法
| 方法 | 描述 |
| ndarray.reshape(n,m) | 不改变数组ndarray，返回一个维度为（n,m）的数组 |
| ndarray.resize(new_shape) | 与reshape（）作用相同，直接修改数组ndarray |
| ndarray.swapaxes(ax1,ax2) | 将数组n个维度中任意两个维度进行调换 |
| ndarray.flatten() | 对数组进行降维，返回一个折叠后的一维数组 |
| ndarray.ravel() | 作用同np.flatten（），但返回的是一个视图 |
ndarray类的索引和切片方法
| 方法 | 描述 |
| x[i] | 索引第i个元素 |
| x[-i] | 从后向前索引第i个元素 |
| x[n:m] | 默认步长为1，从前向后索引，不包含m |
| x[-m:-n] | 默认步长为1，从前向后索引，结束位置为n |
| x[n: m :i] | 指定i步长的由n到m的索引 |
除了ndarray类型方法外，numpy库提供了一匹运算函数
| 函数 | 描述 |
| np.add(x1,x2[,y]) | y = x1 + x2 |
| np.subtract(x1,x2[,y]) | y = x1 -x2 |
| np.multiply(x1,x2[,y]) | y = x1 * x2 |
| np.divide(x1,x2[,y]) | y = x1 /x2 |
| np floor_divide(x1,x2[,y]) | y = x1 // x2 |
| np.negative(x[,y]) | y = -x |
| np.power(x1,x2[,y]) | y = x1 ** x2 |
| np.remainder(x1,x2[,y]) | y = x1 % x2 |
numpy库的比较运算函数
| 函数 | 符号描述 |
| np.equal(x1,x2[,y]) | y = x1 == x2 |
| np.not_equal(x1,x2[,y]) | y = x1 != x2 |
| np.less(x1,x2,[,y]) | y = x1 < x2 |
| np.less_equal(x1,x2,[,y]) | y = x1 < = x2 |
| np.greater(x1,x2,[,y]) | y = x1 > x2 |
| np.greater_equal(x1,x2,[,y]) | y >= x1 >= x2 |
| np.where(condition[x,y]) | 根据条件判断是输出x还是y |
numpy库的其他运算函数
| 函数 | 描述 |
| np.abs(x) | 计算济源元素的整形、浮点、或复数的绝对值 |
| np.sqrt(x) | 计算每个元素的平方根 |
| np.squre(x) | 计算每个元素的平方 |
| np.sign(x) | 计算每个元素的符号1（+），0，-1（-） |
| np.ceil(x) | 计算大于或等于每个元素的最小值 |
| np.floor(x) | 计算小于或等于每个元素的最大值 |
| np.rint(x[,out]) | 圆整，取每个元素为最近的整数，保留数据类型 |
| np.exp(x[,out]) | 计算每个元素的指数值 |
| np.log(x),np.log10(x),np.log2(x) | 计算自然对数（e），基于10，,2的对数，log（1+x） |
