导航：首页 > 开发技术 >

Python如何使用Numpy库

发表于：2024-11-28 作者：千家信息网编辑

千家信息网最后更新 2024年11月28日，这篇文章主要为大家展示了"Python如何使用Numpy库"，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如何使用Numpy库"这篇文章吧。?N

千家信息网最后更新 2024年11月28日Python如何使用Numpy库

这篇文章主要为大家展示了"Python如何使用Numpy库"，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如何使用Numpy库"这篇文章吧。

?Numpy库介绍

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（ndarray），简称" 数组"，数组中所有元素的类型必须相同，数组中元素可以用整数索引，序号从0开始。 ndarray类型的维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。一维数组的秩为1，二维数组的秩为2，二维数组相当于由两个一维数组构成

numpy 库概述：
由于numpy 库中函数较多且命名容易与常用命名混淆，建议采用如下方式引用numpy 库：

import numpy as np

其中， as保留字与import一起使用能够改变后续代码中库的命名空间，有助于提高代码可读性。简单说，在程序的后续部分中， np代替numpy。

?ndarray 类常用属性

创建一个简单的数组后，可以查看ndarray类型有一些基本属性

1.ndarray.ndim
数组轴的个数，在python的世界中，轴的个数被称作秩

2.ndarray.shape
数组的维度。这是一个指示数组在每个维度上大小的整数元组。例如一个n排m列的矩阵，它的shape属性将是(2,3),这个元组的长度显然是秩，即维度或者ndim属性

3.ndarray.size
数组元素的总个数，等于shape属性中元组元素的乘积。

4.ndarray.dtype
一个用来描述数组中元素类型的对象，可以通过创造或指定dtype使用标准Python类型。另外NumPy提供它自己的数据类型。

5.ndarray.itemsize
数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(=64/8),又如，一个元素类型为complex32的数组item属性为4(=32/8).

6.ndarray.data
包含实际数组元素的缓冲区，通常我们不需要使用这个属性，因为我们总是通过索引来使用数组中的元素。

import numpy as np #引入numpy模块a = np.ones((4,5))print(a)print('数据轴个数： ',a.ndim)print('每个维度的数据个数： ',a.shape)print('数据类型',a.dtype)

# 结果
[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
数据轴个数： 2
每个维度的数据个数： (4, 5)
数据类型 float64

小结：

?Numpy常用函数

?array函数

函数原型：

np.array([x,y,x],dtype=int)  # 从列表和元组中创建数组

功能：array函数将列表转矩阵

import numpy as np #引入numpy模块array=np.array([[1,2,3], #列表转矩阵[4,5,6]])print(array)print('number of dim',array.ndim) #输出矩阵数据轴数print('size',array.size) #输出矩阵总元素个数

# 结果
[[1 2 3]
[4 5 6]]
number of dim 2
size 6

?arange()函数和linspace()函数

函数原型：

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，等分为n个元素的数组

import numpy as np #引入numpy模块a=np.arange(1,12,2)# np.arange从1到12，间隔为2print(a)#从2到12，生成随机6个数，并控制为2行3列b=np.linspace(2,12,6).reshape(2,3)print(b)

# 结果：
[ 1 3 5 7 9 11]
[[ 2. 4. 6.]
[ 8. 10. 12.]]

?zeros(),empty和ones()

功能：创建都是初始值相同元素（0，1）的数组
函数原型：

np.ones((m,n),dtype)  # 创建一个m行n列的全为1的数组np.zeros((m,n),dtype)  # 创建一个m行n列的全为0的数组np.empty((m,n),dtype)  # 创建一个m行n列的全为0的数组

import numpy as np #引入numpy模块a=np.zeros((5,8)) #元素都是0b=np.ones((5,6)) #元素都是1print(a)print(b)

# 结果：
[[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]]
[[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.]]

?ndarray 类的索引和切片方法

和列表的索引差不多的

import numpy as np #引入numpy模块a = np.random.rand(5,3)#生成随机5行3列数组print(a)print('获取第2行',a[2]) #获取第2行print('切片',a[1:3]) #切片， 1到3行，不包括3print('切片',a[-5:-2:2]) #切片，从后向前，步长为2

# 结果
[[0.53469047 0.47559129 0.65865181]
[0.89942399 0.66683114 0.55181635]
[0.11989817 0.06055933 0.56880058]
[0.95744499 0.94814163 0.2155053 ]
[0.95179242 0.61544664 0.40876683]]
获取第2行 [0.11989817 0.06055933 0.56880058]
切片 [[0.89942399 0.66683114 0.55181635]
[0.11989817 0.06055933 0.56880058]]
切片 [[0.53469047 0.47559129 0.65865181]
[0.11989817 0.06055933 0.56880058]]