Numpy
用于科学计算的python模块，提供了Python中没有的数组对象，支持N维数组运算、处理大型矩阵、成熟的广播函数库、矢量运算、线性代数、傅里叶变换以及随机数生成等功能，并可与C++、FORTRAN等语言无缝结合。
·导入numpy模块(打开cmd窗口)
pip install numpy
·简单应用
import numpy as np
1.生成数组
1 >>> np.array([1, 2, 3, 4, 5]) # 把列表转换为数组 2 array([1, 2, 3, 4, 5]) 3 >>> np.array((1, 2, 3, 4, 5)) # 把元组转换成数组 4 array([1, 2, 3, 4, 5]) 5 >>> np.array(range(5)) # 把range对象转换成数组 6 array([0, 1, 2, 3, 4]) 7 >>> np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组 8 array([[1, 2, 3], 9 [4, 5, 6]]) 10 >>> np.arange(8) # 类似于内置函数range() 11 array([0, 1, 2, 3, 4, 5, 6, 7]) 12 >>> np.arange(1, 10, 2) #从1到10（包括1，不包括10），步长为2 13 array([1, 3, 5, 7, 9]) 14 >>> np.linspace(0, 10, 11) 15 # 等差数组，包含11个数，从0到10（包括0，也包括10，闭区间），平均分为11个数字array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]) 16 >>> np.linspace(0, 10, 11, endpoint=False) # 不包含终点 17 array([ 0. , 0.90909091, 1.81818182, 2.72727273, 3.63636364, 18 4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818, 19 9.09090909]) 20 >>> np.logspace(0, 100, 10) # 对数数组，从0到100，取10个数，返回10个数分别作为幂，计算基为10的结果数组 21 array([ 1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 22 2.15443469e+033, 2.78255940e+044, 3.59381366e+055, 23 4.64158883e+066, 5.99484250e+077, 7.74263683e+088, 24 1.00000000e+100]) 25 >>>np.logspace(0, 10, 5) 26 array([1.00000000e+00, 3.16227766e+02, 1.00000000e+05, 3.16227766e+07, 27 1.00000000e+10]) 28 >>> np.logspace(1,6,5, base=2) # 对数数组，相当于2 ** np.linspace(1,6,5) 29 array([ 2. , 4.75682846, 11.3137085 , 26.90868529, 64. ]) 30 >>>np.logspace(1,5,5,base=2) 31 array([ 2., 4., 8., 16., 32.]) 32 >>>np.logspace(1,6,3,base=2) 33 array([ 2. , 11.3137085, 64. ]) 34 >>> np.zeros(3) # 全0一维数组 35 array([ 0., 0., 0.]) 36 >>> np.ones(3) # 全1一维数组 37 array([ 1., 1., 1.]) 38 >>> np.zeros((3,3)) # 全0二维数组，3行3列 39 array([[ 0., 0., 0.], 40 [ 0., 0., 0.], 41 [ 0., 0., 0.]]) 42 >>> np.zeros((3,1)) # 全0二维数组，3行1列 43 array([[ 0.], 44 [ 0.], 45 [ 0.]]) 46 >>> np.zeros((1,3)) # 全0二维数组，1行3列 47 array([[ 0., 0., 0.]]) 48 >>> np.ones((3,3)) # 全1二维数组 49 array([[ 1., 1., 1.], 50 [ 1., 1., 1.], 51 [ 1., 1., 1.]]) 52 >>> np.ones((1,3)) # 全1二维数组 53 array([[ 1., 1., 1.]]) 54 >>> np.identity(3) # 单位矩阵 55 array([[ 1., 0., 0.], 56 [ 0., 1., 0.], 57 [ 0., 0., 1.]]) 58 >>> np.identity(2) 59 array([[ 1., 0.], 60 [ 0., 1.]]) 61 >>> np.empty((3,3)) # 空数组，只申请空间而不初始化，元素值是不确定的 62 array([[ 0., 0., 0.], 63 [ 0., 0., 0.], 64 [ 0., 0., 0.]]) 65 >>> np.random.randint(0, 50, 5) # 随机数组，5个0到50之间的数字 66 array([13, 47, 31, 26, 9]) 67 >>> np.random.randint(0, 50, (3,5)) # 3行5列 68 array([[34, 2, 33, 14, 40], 69 [ 9, 5, 10, 27, 11], 70 [26, 17, 10, 46, 30]]) 71 >>> np.random.rand(10) 72 array([ 0.98139326, 0.35675498, 0.30580776, 0.30379627, 0.19527425, 73 0.59159936, 0.31132305, 0.20219211, 0.20073821, 0.02435331]) 74 >>> np.random.standard_normal(5) # 从标准正态分布中随机采样 75 array([ 2.82669067, 0.9773194 , -0.72595951, -0.11343254, 0.74813065])
2.数组与数值的算术运算
>>> a=np.array((1,2,3,4,5)) >>> a+2 array([3, 4, 5, 6, 7]) >>> a-2 array([-1, 0, 1, 2, 3]) >>> a*2 array([ 2, 4, 6, 8, 10]) >>> a/2 array([0.5, 1. , 1.5, 2. , 2.5]) >>> a//2 array([0, 1, 1, 2, 2], dtype=int32) >>> a**2 array([ 1, 4, 9, 16, 25], dtype=int32)
3.数组与数组的算术运算
>>> a=np.array((1,2,3))
>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> a+b
array([[ 2, 4, 6],
[ 5, 7, 9],
[ 8, 10, 12]])
>>> a-b
array([[ 0, 0, 0],
[-3, -3, -3],
[-6, -6, -6]])
>>> a*b
array([[ 1, 4, 9],
[ 4, 10, 18],
[ 7, 16, 27]])
>>> a//b
array([[1, 1, 1],
[0, 0, 0],
[0, 0, 0]], dtype=int32)
4.二维数组转置
>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> b
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> print(b.T)
[[1 4 7]
[2 5 8]
[3 6 9]]
5.向量点积
>>> a=np.array((5,6,7)) >>> b=np.array((6,6,6)) >>> np.dot(a,b) 108
6.数组元素访问
>>> b=np.array(([1,2,3],[4,5,6],[7,8,9])) >>> b[0,0] 1 >>> b[0][2] 3
多元素同时访问
>>> x = np.arange(0,100,10,dtype=np.floating) >>> x array([ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90.]) >>> x[[1, 3, 5]] # 同时访问多个位置上的元素 array([ 10., 30., 50.])
7.三角函数运算
>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> np.sin(b)
array([[ 0.84147098, 0.90929743, 0.14112001],
[-0.7568025 , -0.95892427, -0.2794155 ],
[ 0.6569866 , 0.98935825, 0.41211849]])
8.四舍五入
>>> np.round(np.sin(b))
array([[ 1., 1., 0.],
[-1., -1., -0.],
[ 1., 1., 0.]])
9.对矩阵不同维度上的元素进行求和
>>> x=np.arange(0,10).reshape(2,5)
>>> x
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> np.sum(x)
45
>>> np.sum(x,axis=0) #每列求和
array([ 5, 7, 9, 11, 13])
>>> np.sum(x,axis=1) #每行求和
array([10, 35])
10.计算矩阵不同维度上元素的均值
>>> np.average(x,axis=0) array([2.5, 3.5, 4.5, 5.5, 6.5]) >>> np.average(x,axis=1) array([2., 7.])
11.计算数据的标准差与方差
>>> x=np.random.randint(0,10,size=(3,3))
>>> x
array([[5, 3, 5],
[3, 6, 2],
[6, 0, 9]])
>>> np.std(x) #标准差
2.494438257849294
>>> np.std(x,axis=1) #列行标准差array([0.94280904, 1.69967317, 3.74165739])
>>> np.var(x) #方差
6.222222222222222
12.对矩阵不同维度上的元素求最大值
>>> x=np.random.randint(0,10,size=(3,3))
>>> x
array([[2, 6, 9],
[1, 8, 3],
[0, 9, 8]])
>>> np.max(x)
9
>>> np.max(x,axis=1) #每列最大值
array([9, 8, 9])
13.对矩阵不同维度上的元素进行排序
>>> np.sort(x)
array([[2, 6, 9],
[1, 3, 8],
[0, 8, 9]])
>>> np.sort(x,axis=0)
array([[0, 6, 3],
[1, 8, 8],
[2, 9, 9]])
14.生成特殊数组
15.改变数组大小
16.切片操作
17.布尔运算
18.取整运算
19.广播
20.分段函数
21.计算唯一值以及出现次数
22.计算加权平均值
23.矩阵运算