numpy是Python语言的一个扩充程序库，可以支持高级大量的维度数组与矩阵运算。本文给大家介绍的就是关于python的numpy库用法，具有一定的参考学习价值，下面跟随小编一起来了解一下numpy库的使用吧。

       numpy库概述

       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，简称为“数组”

       数组的特点：

• 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类型的维度叫做轴，轴的个数叫做秩

       numpy库的解析

       由于numpy库中函数较多而且容易与常用命名混淆，建议采用如下方法引用numpy库

import numpy as np

       numpy库中常用的创建数组函数

函数	描述
np.array([x,y,z],dtype=int)	从Python列表和元组中创建数组
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，等分成n个元素的数组
np.indices((m,n))	创建一个m行n列的矩阵
np.random.rand(m,n)	创建一个m行n列的随机数组
np.ones((m,n),dtype)	创建一个m行n列全1的数组，dtype是数据类型
np.empty((m,n),dtype)	创建一个m行n列全0的数组，dtype是数据类型

import numpy as np
a1 = np.array([1,2,3,4,5,6])
a2 = np.arange(1,10,3)
a3 = np.linspace(1,10,3)
a4 = np.indices((3,4))
a5 = np.random.rand(3,4)
a6 = np.ones((3,4),int)
a7 = np.empty((3,4),int)
print(a1)
print("===========================================================")
print(a2)
print("===========================================================")
print(a3)
print("===========================================================")
print(a4)
print("===========================================================")
print(a5)
print("===========================================================")
print(a6)
print("===========================================================")
print(a7)
=================================================================================
[1 2 3 4 5 6]
===========================================================
[1 4 7]
===========================================================
[ 1.   5.5 10. ]
===========================================================
[[[0 0 0 0]
  [1 1 1 1]
  [2 2 2 2]]

 [[0 1 2 3]
  [0 1 2 3]
  [0 1 2 3]]]
===========================================================
[[0.00948155 0.7145306  0.50490391 0.69827703]
 [0.18164292 0.78440752 0.75091258 0.31184394]
 [0.17199081 0.3789     0.69886588 0.0476422 ]]
===========================================================
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
===========================================================
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]] 

       在建立一个简单的数组后，可以查看数组的属性

属性	描述
ndarray.ndim	数组轴的个数，也被称为秩
ndarray.shape	数组在每个维度上大小的整数元组
ndarray.size	数组元素的总个数
ndarray.dtype	数组元素的数据类型，dtype类型可以用于创建数组
ndarray.itemsize	数组中每个元素的字节大小
ndarray.data	包含实际数组元素的缓冲区地址
ndarray.flat	数组元素的迭代器

import numpy as np
a6 = np.ones((3,4),int)
print(a6)
print("=========================================")
print(a6.ndim)
print("=========================================")
print(a6.shape)
print("=========================================")
print(a6.size)
print("=========================================")
print(a6.dtype)
print("=========================================")
print(a6.itemsize)
print("=========================================")
print(a6.data)
print("=========================================")
print(a6.flat)
=================================================================================
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
=========================================
2
=========================================
(3, 4)
=========================================
12
=========================================
int32
=========================================
4
=========================================
<memory at 0x0000020D79545908>
=========================================
<numpy.flatiter object at 0x0000020D103B1180> 

       数组在numpy中被当做对象，可以采用< a >.< b >()方式调用一些方法。

       ndarray类的形态操作方法

方法	描述
ndarray.reshape(n,m)	不改变数组ndarray，返回一个维度为（n,m）的数组
ndarray.resize(new_shape)	与reshape（）作用相同，直接修改数组ndarray
ndarray.swapaxes(ax1,ax2)	将数组n个维度中任意两个维度进行调换
ndarray.flatten()	对数组进行降维，返回一个折叠后的一维数组
ndarray.ravel()	作用同np.flatten（），但返回的是一个视图

       ndarray类的索引和切片方法

方法	描述
x[i]	索引第i个元素
x[-i]	从后向前索引第i个元素
x[n:m]	默认步长为1，从前向后索引，不包含m
x[-m:-n]	默认步长为1，从前向后索引，结束位置为n
x[n: m :i]	指定i步长的由n到m的索引

       除了ndarray类型方法外，numpy库提供了一匹运算函数

函数	描述
np.add(x1,x2[,y])	y = x1 + x2
np.subtract(x1,x2[,y])	y = x1 -x2
np.multiply(x1,x2[,y])	y = x1 * x2
np.divide(x1,x2[,y])	y = x1 /x2
np floor_divide(x1,x2[,y])	y = x1 // x2
np.negative(x[,y])	y = -x
np.power(x1,x2[,y])	y = x1 ** x2
np.remainder(x1,x2[,y])	y = x1 % x2

       numpy库的比较运算函数

函数	符号描述
np.equal(x1,x2[,y])	y = x1 == x2
np.not_equal(x1,x2[,y])	y = x1 != x2
np.less(x1,x2,[,y])	y = x1 < x2
np.less_equal(x1,x2,[,y])	y = x1 < = x2
np.greater(x1,x2,[,y])	y = x1 > x2
np.greater_equal(x1,x2,[,y])	y >= x1 >= x2
np.where(condition[x,y])	根据条件判断是输出x还是y

       numpy库的其他运算函数

函数	描述
np.abs(x)	计算济源元素的整形、浮点、或复数的绝对值
np.sqrt(x)	计算每个元素的平方根
np.squre(x)	计算每个元素的平方
np.sign(x)	计算每个元素的符号1（+），0，-1（-）
np.ceil(x)	计算大于或等于每个元素的最小值
np.floor(x)	计算小于或等于每个元素的最大值
np.rint(x[,out])	圆整，取每个元素为最近的整数，保留数据类型
np.exp(x[,out])	计算每个元素的指数值
np.log(x),np.log10(x),np.log2(x)	计算自然对数（e），基于10，,2的对数，log（1+x）

       关于python的numpy库用法的分享就到这，上述对numpy库有详细的介绍，对新手熟悉numpy库有一定的帮助，需要的朋友可以看看，希望大家阅读完这篇文章能有所收获。

文本转载自脚本之家

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• 基于Pytorch怎样制作一个CNN图像分类器

  Pytorch的数据加载一般是用torch.utils.data.Dataset与torch.utils.data.Dataloader两个类联合进行。我们需要继承Dataset来定义自己的数据集类，然后在训练时用Dataloader加载自定义的数据集类。

• Python中对数据格式化用什么方法，怎么实现

  很多时候我们需要对数据进行格式化，你有没有对python中的数据格式化感到头疼呢？pprint会帮你很大的忙pprint模块中使用的格式化可以按照一...

• Python中的set是什么，具有哪些特点呢？

  python中集合set是一个无序不重复元素的集，基本功能包括关系测试和消除重复元素，还可以计算交集、差集、并集等，它与列表（list）的行为类似，这篇文章主要介绍了python set()去重的底层原理,需要的朋友可以参考下

• TensorFlow自动求导原理是什么，具体怎么实现

  TensorFlow使用的求导方法称为自动微分（Automatic Differentiation），它既不是符号求导也不是数值求导，而类似于将两者结合的产物。最基本的原理就是链式法则，关键思想是在基本操作（op）的水平上应用符号求导，并保持中间结果（grad）。

• python怎样写一个文件名批量重命名脚本？

  这篇文章给大家分享的是有关使用python写一个文件名批量重命名脚本的内容。小编觉得挺实用的，因此分享给大家做个参考，感兴趣的朋友就一起跟随小编看看吧。