Python基本语法(十一)——科学计算库Numpy

目录

一、导入numpy

二、常用函数

2.1 创建数组

2.2 查看数组的维度

2.3 查看数组数据类型

2.4 查看数组的形状

2.5 查看数组的元素个数

2.6 数组元素统计计算

2.7 求当前矩阵的转置矩阵 

2.8 生成等差数列

三、 数组切片及四则远算

3.1 数组索引

3.2 数组数学运算

numpy是科学计算库

numpy的核心数据结构为n位数组，具有向量和矩阵的功能，并提供了大量的数学函数库

numpy的底层是C语言，执行速度比一般的python求解过程更快

详细使用方法可以通过www.numpy.org 去阅读官方文档了解

一、导入numpy

import numpy as np

二、常用函数

2.1 创建数组

np.array()

1）创建一维数组

arr = np.array([1,2,3,4,5])

#数组创建的时候可以指定数据类型
arr4 = np.array([1,2,3,4,5],dtype='int64')

#数组之间是通过空格隔开的
print(arr)
>>>
[1 2 3 4 5]

2）创建二维数组

arr2 = np.array([[1,2,3,4],[5,6,7,8]])

3） 基于当前数组创建一个指定数据类型、其他都相同的新数

np.astype()

若要改变原数组则需要赋值语句

arr2 = arr2.astype(np.int64)

4）生成值全为1的数组
np.ones(shape=(,))

np.ones(shape=(3,5))

2.2 查看数组的维度

np.ndim()

np.ndim(arr2)   #等价于arr2.nidm
>>>  2

2.3 查看数组数据类型

np.dtype()

arr4.dtype
>>>  int64

arr2 = arr2.astype(np.int64)

2.4 查看数组的形状

np.shape()

arr = np.array([1,2,3,4,5])
arr.shape

>>> (5,)

2.5 查看数组的元素个数

np.size()

arr = np.array([1,2,3,4,5])
arr.size
>>> 5

2.6 数组元素统计计算

求和：np.sum()，通过axis参数可以实现对行/列求和

arr = np.array([1,2,3,4,5])
arr.sum()
>>> 15

arr2.sum(axis = 0)  #对列求和
arr2.sum(axis = 1)  #对行求和

2.7 求当前矩阵的转置矩阵 

np.T()

arr2.T

2.8 生成等差数列

1）np.linspace(start= ,stop= ,num=)

定义起始数据和数据总数生成等差数列,

s1 = np.linspace(start = 1,stop = 100,num = 100)
#从1到100生成含100个元素的等差数列

2）np.arange(start= ,stop= ,step= )

定义起始数据和数据间隔长度生成等差数列

s1 = np.arrange(start = 1,stop = 100,step=2)
#从1到100,按间距为2生成等差数列

三、 数组切片及四则远算

3.1 数组索引

#数组的索引
arry[1,1]  #取第1行第1列
arry[:,1]  #取第一列

3.2 数组数学运算

1） 数组与数的运算

对数组中的每一个元素都运算一次

arr + 1 #表示对数组中的每一个元素都加1，减乘除幂同理

2）数组与数组的运算

两个数组间做加减乘除幂取余，数组的结构必须一致，计算时相同位置的数据进行加减乘除后形成新数组

arr1 = np.array([[1,2],[3,4]])
arr2 = np.array([[1,1],[2,3]])

#加法
print(arr1 + arr2)
>>>  
[[2 3]
 [5 7]]

#乘法
print(arr1*arr2)
>>>  
[[ 1  2]
 [ 6 12]]

#除法
print(arr1/arr2)
>>>  
[[1.         2.        ]
 [1.5        1.33333333]]

#幂运算
print(arr1**arr2)
>>>  
[[ 1  2]
 [ 9 64]]

3）数组内积（即数学上的矩阵乘法） 

arr1@arr2  要求arr1的列数要等于arr2的行数

arr1 = np.array([[1,2],[3,4]])
arr2 = np.array([[1,1],[2,3]])

print(arr1@arr2)

>>>  
[[ 5  7]
 [11 15]]

np.max(arr1)

arr1所有值的最大值

np.max(arr1,axis=0)

arr1所有列的最大值

np.min(arr1)

arr1所有的最小值

np.min(arr1,axis=0)

arr1所有列的最小值