NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 (1)

本文主要是介绍NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 (1),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记

列表和数组的区别

列表:列表中每一个元素的数据类型是可以不同的
数组:要求每一个元素的数据类型是相同的

多维数据

二维数据:由多个一维数据构成,是一维数据组合形式
高维数据:高维数据仅利用最基本的二元关系展示数据间的复杂结构

数据维度的python表示

一维数据:列表和集合类型
[3.1398,3.1349,3.1376] 有序
{3.1398,3.1349,3.1376} 无序
二维数据:列表类型
[[3.1398,3.1349,3.1376],[3.1413,3.1404,3.1401]]
多维数据:列表类型

Numpy库

Numpy是一个开源的python科学计算基础库
1.一个强大的N维数组对象ndarry
2.广播功能函数
3.整合C/C++/Fortran代码的工具
4.线性代数、傅里叶变换、随机数生成等功能
NumPy是SciPy、Pandas等数据处理或科学计算库的基础

N维数组对象:ndarry
例:计算A2+B3,其中,A和B是一维数组

def pySum():a=[0,1,2,3,4]b=[9,8,7,6,5]c=[]for i in range(len(a)):c.append(a[i]**2+b[i]**3)return c
print(pySum())
[729, 513, 347, 225, 141]

上述方法我们还是将我们的工作点放在一个一个元素的运算上,这并不是一种科学计算的思想和方式。Numpy使用了另外一种思路。如下:

import numpy as np  #引入numpy模块
def npSum():a = np.array([0,1,2,3,4]) #生成一个数组b = np.array([9,8,7,6,5])c = a**2 + b**3   # '**' 数组中每个元素的次方return c
print(npSum())
[729 513 347 225 141]

N维数组对象:ndarry
1.数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据。
2.通过设置专门的数组对象,经过优化,可以提升这类应用的运算速度。
NumPy的底层实现是由C来完成的,在进行数组运算的时候,底层的C会提供非常高效和快速的运算性能。
观察:科学计算中,一个维度所有数据的类型往往相同。
数组对象采用相同的数据类型,有助于节省运算和存储空间

ndarray是一个多维数组对象,有两部分组成:

1.实际的数据
2.描述这些数据的元数据(数据维度、数据类型等)

ndarray数组一般要求所有元素类型相同(同质),数组下标从0开始。
ndarray数组可以由非同质对象构成。其元素为对象类型。非同质ndarray无法有效发挥NumPy优势,尽量避免使用。

用np.array()生成一个ndarray数组(ndarray在程序中的别名是:array)

a=np.array([[0,1,2,3,4],[9,8,7,6,5]])
a
array([[0, 1, 2, 3, 4],[9, 8, 7, 6, 5]])
print(a) #打印时元素由空格分割
[[0 1 2 3 4][9 8 7 6 5]]

ndarray有两个基本的概念

轴(axis):保存数据的维度
秩(rank):轴的数量,即有几个维度

ndarray对象的属性

    属性                说明.ndim         秩,即轴的数量或维度的数量.shape        ndarray对象的尺度,对于矩阵,n行m列.size        ndarray对象元素的个数,相当于.shape中的n*m的值.dtype        ndarray对象的元素类型.itemsize     ndarray对象中每个元素的大小,以字节为单位

ndarray的元素类型(支持的数据类型可自行百度)

1.科学计算涉及数据较多,对存储和性能都有较高要求。
2.对元素类型精细定义,有助于NumPy合理使用存储空间并优化性能。
3.对元素类型精细定义,有助于程序员对程序规模有合理评估。

对比:Python语法仅支持整数、浮点数和负数3种类型

ndarray数组的创建和变换

ndarray数组的创建方法

1.从Python中的列表、元组等类型中创建ndarray数组x = np.array(list/tuple)x = np.array(list/tuple,dtype=np.float32) #指定元素的数据类型当np.array()不指定dtype时,NumPy根据数据情况关联一个dtype类型
2.使用NumPy中函数创建ndarray数组,如:arange,ones,zero等np.zeros()函数            说明np.arange(n)      类似range()函数,返回ndarray类型,元素从0到n-1np.ones(shape)    根据shape生成一个全1数组,shape是元组类型np.zeros(shape)    根据shape生成一个全0数组,shape是元组类型np.full(shape,val)  根据shape生成一个数组,每个元素值都是valnp.eye(n)        创建一个正方的n*n单位矩阵,对角线为1,其余为0np.ones_like(a)    根据数组a的形状生成一个全1的数组np.zeros_like(a)   根据数组a的形状生成一个全0的数组np.full_like(a,val) 根据数组a的形状状生成一个数组,每个元素值都是valnp.linspace(start,end,num)  根据起止数据及元素个数等间距地填充数据,形成数组,如果将参数                               endpoint置为False,end将不作为最后一个元素出现np.concatenate(a)   将两个或多个数组合并成一个新数组,a为一个元组3.从字节流(raw bytes)中创建ndarray数组。
4.从文件中读取特定格式,创建ndarray数组。

ndarray数组的维度变换

  方法              说明
.reshape(shape)    不改变数组元素,返回一个shape(shape是一个元组)形状的数                     组,原数组不变
.resize(shape)     与.reshape()功能一致,但修改原数组
.swapaxes(ax1,ax2)   将数组n个维度中的两个维度进行调换
.flatten()       对数组进行降维,返回折叠后的一维数组,原数组不变

ndarray数组向列表的转换

利用 .tolist() 方法即可实现转换
例如:
a=np.full((2,3,4),25)
a
array([[[25, 25, 25, 25],[25, 25, 25, 25],[25, 25, 25, 25]],[[25, 25, 25, 25],[25, 25, 25, 25],[25, 25, 25, 25]]])
b=a.tolist()
b
[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]],[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]
a
array([[[25, 25, 25, 25],[25, 25, 25, 25],[25, 25, 25, 25]],[[25, 25, 25, 25],[25, 25, 25, 25],[25, 25, 25, 25]]])

ndarray 数组的操作

数组的索引和切片

索引:获取数组中特定位置元素的过程
切片:获取数组元素子集的过程

一维数组的索引和切片:与python的列表类似
a=np.array([9,8,7,6,5])
a[2]
7
a[1:4:2]  #切片  [起止编号:终止编号(不含):步长]
array([8, 6])
多维数组的索引和切片

索引:

a=np.arange(24).reshape((2,3,4))
a
array([[[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]],[[12, 13, 14, 15],[16, 17, 18, 19],[20, 21, 22, 23]]])
a[1,2,3]
23
a[0,1,2]
6
a[-1,-2,-3]    # -1表示数组中最后一个元素值,-2表示倒数第二个元素值
17

切片:

a[:,1,-3]  #  :选取整个维度,此处表示第一维度的每个元素都要进行切片
array([ 5, 17])
a[:,1:3,:]  #  每个维度切片方法与一维数组相同
array([[[ 4,  5,  6,  7],[ 8,  9, 10, 11]],[[16, 17, 18, 19],[20, 21, 22, 23]]])
a[:,:,::2]     # 每个维度可以使用步长跳跃切片
array([[[ 0,  2],[ 4,  6],[ 8, 10]],[[12, 14],[16, 18],[20, 22]]])

ndarray数组的运算

1.数组与标量之间的运算作用于数组的每一个元素

NumPy一元函数

对ndarray中的数据执行元素级运算的函数
函数 说明
np.abs(x) np.fabs(x) 计算数组各元素(整数、浮点数)的绝对值
np.sqrt(x) 计算数组各元素的平方根
np.square(x) 计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x) 计算各数组各元素的自然对数、10底对数等
np.ceil(x) np.floor(x) 计算数组各元素的ceiling值(向上取整)或floor值(向下取整)
np.rint(x) 计算数组各元素的四舍五入值
np.modf(x) 将数组各元素的小数和整数部分以两个独立数组形式返回

np.cos(x) np.cosh(x)
np.sin(x) np.sinh(x)    计算数组各元素的普通型和双曲型三角函数
np.tan(x) np.tanh(x)np.exp(x)            计算数组各元素的指数值
np.sign(x)           计算数组各元素的符号值,1(+),0,-1(-)
Numpy二元函数
函数                  说明
+ - * / **            两个数组各元素进行对应运算
np.maximum(x,y) np.fmax() 
np.minimum(x,y) np.fmin() 返回一个元素为两个数组对应位置中较大/较小的元素组成的数组
np.mod(x,y)           元素级的模运算
np.copysign(x,y)        将数组y中各元素值的符号赋值给数组x对应元素
> < >= <= == !=         算术比较,产生布尔型数组

这篇关于NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 (1)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/749757

相关文章

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v