numpy库的基础应用.doc

【实例简介】numpy库的基础应用.doc

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库今天我们探讨一下numpy库的基础应用，以后我们还会谈论他的进阶操作。

【实例截图】

【核心代码】

import numpy as np
a1 = np.array([1,2,3,4,5,6,7,8,9])#运用python列表类型创建数组
a2 = np.array((1,2,3,4,5,6,7,8,9))#运用python元组类型创建数组
a3 = np.arange(10)
a4 = np.linspace(0,2*np.pi,5)
print(a1)

#一维数组
import numpy as np
a = np.array([1,2,3,4,5,6,7,8,9])#创建一个一维数组
print（a[6])#输出第一行第七列
#二维数组
b = np.array([[1,2,3,4,5,6,7,8,9],[1,4,7,8,5,2,9,6,3]])#创建一个二维数组
print(b[1,6])#输出第二行第七列
9
print(b[0,1:6])#输出b数组的第一行的2~6列---->注意不到序列6
print(b[0:,5])#输出数组的第六列
[6 2]

[1 2 3 4 5 6 7 8 9]
print(a2)
[1 2 3 4 5 6 7 8 9]
print(a3)
[0 1 2 3 4 5 6 7 8 9]
print(a4)
[0.         1.57079633 3.14159265 4.71238898 6.28318531]

import numpy as np
b = np.array([[1,2,3,4,5,6,7,8,9],[1,4,7,8,5,2,9,6,3]])#创建一个二维数组
print(type(b))#输出b的类型
<class 'numpy.ndarray'>
print(b.dtype)#对象的元素类型
int32
print(b.size)#输出对象元素的个数
18
print(b.shape)#输出矩阵的行数和列数
(2,9)#二行九列
print(b.itemsize)#输出每个项占用的字节数------>32/8
4
print(b.ndim)#输出数组的维度
2
print(a.nbytes)#输出所有数据消耗的字节数
import numpy as np
a = np.array([[1,2,3,4,5],[7,4,1,8,5],[9,6,3,0,1]])
b = np.arange(15).reshape(3,5)
 print(b)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
print(a b)#求和,必须保证行数和列数相等。。。下同
[[ 1  3  5  7  9]
 [12 10  8 16 14]
 [19 17 15 13 15]]
 print(a*b)
 [[ 0  2  6 12 20]
 [35 24  7 64 45]
 [90 66 36  0 14]]
 print(a-b)
 [[  1   1   1   1   1]
 [  2  -2  -6   0  -4]
 [ -1  -5  -9 -13 -13]]
 #除法类似
 print(a<b)
 [[False False False False False]
 [False  True  True False  True]
 [ True  True  True  True  True]]
 print(a>b)
 [[ True  True  True  True  True]
 [ True False False False False]
 [False False False False False]]
import numpy as np
a = np.arange(10).reshape(2,5)
n =np.where(a>3)
print(n)
(array([0, 1, 1, 1, 1, 1], dtype=int64), array([4, 0, 1, 2, 3, 4], dtype=int64))#输出为符合元素的序列
import numpy as np
a = np.zeros((2,2))#创建一个2行2列的全零矩阵
print(a)
[[0. 0.]
 [0. 0.]]
 b = np.full((3,3),6)#创建一个三行三列的全6矩阵
 print(b)
 [[6 6 6]
 [6 6 6]
 [6 6 6]]
 c = np.ones((4,4))#创建一个四行四列的全1矩阵
 print(c)
 [[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]
 d = np.eye(5)#创建一个五行五列的单位矩阵
 print(d)
 [[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]
import numpy as np
a = np.array([[1,2,3,4,5,6],[4,5,6,7,8,9]])
b = np.array([6,2,3])
c = np.ones_like(a)
print(c)
[[1 1 1 1 1 1]
 [1 1 1 1 1 1]]