pip install numpy
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
import numpy as np array = np.array([[1, 2, 3], [4, 5, 6]]) print(array) # 获取维度 print("number of dim:", array.ndim) # 获取行数和列数 print("shape:", array.shape) # 获取元素个数 print("size:", array.size) """ 运行结果： [[1 2 3] [4 5 6]] number of dim: 2 shape: (2, 3) size: 6 """
import numpy as np t1 = np.array([1, 2, 3, 4]) print(t1) t2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) print(t2) t3 = np.zeros((3, 4)) print(t3) t4 = np.ones((3, 4), dtype=np.int16) print(t4) t5 = np.empty((3, 4)) print(t5) t6 = np.arange(10, 20, 2) print(t6) t7 = np.arange(12).reshape(3, 4) print(t7) t8 = np.linspace(1, 10, 6).reshape(2, 3) print(t8) """ 运行结果： [1 2 3 4] [[1 2 3 4] [5 6 7 8]] [[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]] [[1 1 1 1] [1 1 1 1] [1 1 1 1]] [[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]] [10 12 14 16 18] [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[ 1. 2.8 4.6] [ 6.4 8.2 10. ]] """
| 类型代码 | 说明 | |
|---|---|---|
| int8, uint8 | i1, u1 | 有符号和无符号的8位（1字节）整形 |
| int16, uint16 | i2, u2 | 有符号和无符号的16位（2字节）整形 |
| int32, uint32 | i4, u4 | 有符号和无符号的32位（4字节）整形 |
| int64, uint64 | i8, u8 | 有符号和无符号的64位（8字节）整形 |
| float16 | f2 | 半精度浮点数 |
| float32 | f4或f | 标准的点季度浮点数，与C的float兼容 |
| float64 | f8或d | 标准的点季度浮点数，与C的double和Python的float对象兼容 |
| float128 | f16或g | 扩展精度浮点数 |
| complex64, | c8 | 32位浮点数标识的复数 |
| complex128 | c16 | 64位浮点数标识的复数 |
| complex256 | c32 | 128位浮点数标识的复数 |
| boll | ? |
import numpy as np # 指定数据类型 t_1 = np.array(range(1, 5), dtype=float) print(t_1, type(t_1), t_1.dtype) t_2 = np.array(range(1, 5), dtype='i1') print(t_2, type(t_2), t_2.dtype) t_3 = np.array([1, 0, 1, 1, 0, 0], dtype=bool) print(t_3, type(t_3), t_3.dtype) # 修改数据类型 t_4 = t_3.astype('int8') print(t_4, type(t_4), t_4.dtype) """ 运行结果： [1. 2. 3. 4.] <class 'numpy.ndarray'> float64 [1 2 3 4] <class 'numpy.ndarray'> int8 [ True False True True False False] <class 'numpy.ndarray'> bool [1 0 1 1 0 0] <class 'numpy.ndarray'> int8 """
4.3
import numpy as np from random import random t_1 = np.array([random() for i in range(10)], dtype=float) print(t_1, type(t_1), t_1.dtype) # 保留两位小数 t_2 = np.round(t_1, 2) print(t_2) """ 运行结果： [0.44010709 0.57982965 0.87300702 0.39740862 0.30596835 0.08421772 0.58618834 0.61866253 0.41368359 0.32946455] <class 'numpy.ndarray'> float64 [0.44 0.58 0.87 0.4 0.31 0.08 0.59 0.62 0.41 0.33] """
import numpy as np t1 = np.array([10, 20, 30, 40]) t2 = np.arange(4) print("原始的元素: ", t1, t2) # 对应位置的元素进行相减 print("对应位置的元素进行相减: ", t1 - t2) # 对应位置的元素进行相加 print("对应位置的元素进行相加: ", t1 + t2) # 对应位置的元素进行相乘 print("对应位置的元素进行相乘: ", t1 * t2) # 输出t1的平方 print("t1的平方: ", t1 ** 2) # 布尔索引 print("布尔索引: ", t2 < 3) """ 运行结果： 原始的元素: [10 20 30 40] [0 1 2 3] 对应位置的元素进行相减: [10 19 28 37] 对应位置的元素进行相加: [10 21 32 43] 对应位置的元素进行相乘: [ 0 20 60 120] t1的平方: [ 100 400 900 1600] 布尔索引: [ True True True False] """
import numpy as np t1 = np.array([[1, 1], [0, 1]]) t2 = np.arange(4).reshape(2, 2) print("原始的元素t1: ", t1) print("原始的元素t2: ", t2) # 对应位置的元素进行相乘 print("对应位置的元素进行相乘: ", t1 * t2) # 矩阵乘法 print("矩阵乘法方式一: ", np.dot(t1, t2)) print("矩阵乘法方式二: ", t1.dot(t2)) """ 运行结果： 原始的元素t1: [[1 1] [0 1]] 原始的元素t2: [[0 1] [2 3]] 对应位置的元素进行相乘: [[0 1] [0 3]] 矩阵乘法方式一: [[2 4] [2 3]] 矩阵乘法方式二: [[2 4] [2 3]] """
import numpy as np t1 = np.random.random((2, 4)) print(t1) print("求和", np.sum(t1)) print("求最小值", np.min(t1)) print("求最大值", np.max(t1)) # 自定义维度 print("自定义维度求和", np.sum(t1, axis=1)) print("自定义维度求最小值", np.min(t1, axis=0)) print("自定义维度求最大值", np.max(t1, axis=1)) """ 运行结果： [[0.71728488 0.18311745 0.78101771 0.44276308] [0.59118476 0.11805874 0.49797704 0.14829068]] 求和 3.479694341207028 求最小值 0.1180587424542946 求最大值 0.7810177064485218 自定义维度求和 [2.12418312 1.35551122] 自定义维度求最小值 [0.59118476 0.11805874 0.49797704 0.14829068] 自定义维度求最大值 [0.78101771 0.59118476] """
import numpy as np t1 = np.arange(2, 14).reshape((3, 4)) print(t1) # 获取最小值的索引 print("获取最小值的索引: ", np.argmin(t1)) # 获取最大值的索引 print("获取最大值的索引: ", np.argmax(t1)) # 获取平均值 print("获取平均值: ", np.mean(t1)) print("获取平均值: ", np.average(t1)) # 获取中位数 print("获取中位数: ", np.median(t1)) # 逐步累加 print("逐步累加: ", np.cumsum(t1)) # 每两个数之间的差 print("每两个数之间的差: ", np.diff(t1)) # 找出非0的数 print("找出非0的数: ", np.nonzero(t1)) # 排序 print("排序: ", np.sort(t1)) # 将行变成列，将列变成行 print("将行变成列，将列变成行: ", np.transpose(t1)) print("将行变成列，将列变成行: ", t1.T) # 将矩阵中大于9的数该为9，将小于5的数改为5 print("将矩阵中大于9的数该为9，将小于5的数改为5: ", np.clip(t1, 5, 9)) """ 运行结果： [[ 2 3 4 5] [ 6 7 8 9] [10 11 12 13]] 获取最小值的索引: 0 获取最大值的索引: 11 获取平均值: 7.5 获取平均值: 7.5 获取中位数: 7.5 逐步累加: [ 2 5 9 14 20 27 35 44 54 65 77 90] 每两个数之间的差: [[1 1 1] [1 1 1] [1 1 1]] 找出非0的数: (array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64)) 排序: [[ 2 3 4 5] [ 6 7 8 9] [10 11 12 13]] 将行变成列，将列变成行: [[ 2 6 10] [ 3 7 11] [ 4 8 12] [ 5 9 13]] 将行变成列，将列变成行: [[ 2 6 10] [ 3 7 11] [ 4 8 12] [ 5 9 13]] 将矩阵中大于9的数该为9，将小于5的数改为5: [[5 5 5 5] [6 7 8 9] [9 9 9 9]] """
import numpy as np t1 = np.arange(24).reshape((4, 6)) print(t1) print('*' * 50) # 转置方式1（讲原始的行变成列，将列变成行） print(t1.transpose()) print('*' * 50) # 转置方式2 print(t1.T) print('*' * 50) # 转置方式3 print(t1.swapaxes(1,0)) """ 运行结果： [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]] ************************************************** [[ 0 6 12 18] [ 1 7 13 19] [ 2 8 14 20] [ 3 9 15 21] [ 4 10 16 22] [ 5 11 17 23]] ************************************************** [[ 0 6 12 18] [ 1 7 13 19] [ 2 8 14 20] [ 3 9 15 21] [ 4 10 16 22] [ 5 11 17 23]] ************************************************** [[ 0 6 12 18] [ 1 7 13 19] [ 2 8 14 20] [ 3 9 15 21] [ 4 10 16 22] [ 5 11 17 23]] """
import numpy as np # 一维数组 t1 = np.arange(3, 15) print(t1) print(t1[3]) # 二维数组 t2 = np.arange(3, 15).reshape(3, 4) print(t2) print("获取第2行第2列的元素: ", t2[1][1]) print("获取第3行第3列的元素: ", t2[2][2]) print("获取第3行第2列的元素: ", t2[2, 1]) print("获取第3行的所有元素: ", t2[2, :]) print("获取第2列的所有元素: ", t2[:, 1]) print("获取第1行的第2列到第3列的元素: ", t2[1, 1:3]) # 循环 print(t2.flatten()) for item in t2.flat: print(item) """ 运行结果： [ 3 4 5 6 7 8 9 10 11 12 13 14] 6 [[ 3 4 5 6] [ 7 8 9 10] [11 12 13 14]] 获取第2行第2列的元素: 8 获取第3行第3列的元素: 13 获取第3行第2列的元素: 12 获取第3行的所有元素: [11 12 13 14] 获取第2列的所有元素: [ 4 8 12] 获取第1行的第2列到第3列的元素: [8 9] [ 3 4 5 6 7 8 9 10 11 12 13 14] 3 4 5 6 7 8 9 10 11 12 13 14 """
import numpy as np t1 = np.array([1, 1, 1]) t2 = np.array([2, 2, 2]) # 上下合并 t3 = np.vstack((t1, t2)) print("上下合并: ", t3, t3.shape) # 左右合并 t4 = np.hstack((t1, t2)) print("左右合并: ", t4, t4.shape) # 改变维度 s1 = np.array([1, 1, 1])[:, np.newaxis] s2 = np.array([2, 2, 2])[:, np.newaxis] # 上下合并 s3 = np.vstack((s1, s2)) print("上下合并: ", s3, s3.shape) # 左右合并 s4 = np.hstack((s1, s2)) print("左右合并: ", s4, s4.shape) # 多个array合并 s5 = np.concatenate((s1, s2, s2, s1), axis=0) print(s5) s6 = np.concatenate((s1, s2, s2, s1), axis=1) print(s6) """ 运行结果： 上下合并: [[1 1 1] [2 2 2]] (2, 3) 左右合并: [1 1 1 2 2 2] (6,) 上下合并: [[1] [1] [1] [2] [2] [2]] (6, 1) 左右合并: [[1 2] [1 2] [1 2]] (3, 2) [[1] [1] [1] [2] [2] [2] [2] [2] [2] [1] [1] [1]] [[1 2 2 1] [1 2 2 1] [1 2 2 1]] """
import numpy as np t1 = np.arange(12).reshape((3, 4)) print(t1) # 横向分割 print("横向分割 ") print(np.split(t1, 3, axis=0)) print(np.vsplit(t1, 3)) # 纵向分割 print("纵向分割 ") print(np.split(t1, 2, axis=1)) print(np.hsplit(t1, 2)) # 不等量分割 print("不等量分割 ") print(np.array_split(t1, 3, axis=1)) """ 运行结果： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 横向分割 [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])] [array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])] 纵向分割 [array([[0, 1], [4, 5], [8, 9]]), array([[ 2, 3], [ 6, 7], [10, 11]])] [array([[0, 1], [4, 5], [8, 9]]), array([[ 2, 3], [ 6, 7], [10, 11]])] 不等量分割 [array([[0, 1], [4, 5], [8, 9]]), array([[ 2], [ 6], [10]]), array([[ 3], [ 7], [11]])] """
对于刚刚加载出来的数据,我如果只想选择其中的某一列(行)我们应该怎么做呢?
其实操作很简单,和python中列表的操作一样
import numpy as np t1 = np.arange(64).reshape(8, 8) print("原始数据为: ", t1) # 取一行 print("取一行数据为: ", t1[0]) # 取一列 print("取一列数据为: ", t1[:, 2]) # 取多行 print("取多行数据为: ", t1[1:3]) # 取多列 print("取多列数据为: ", t1[:, 1:3]) # 取不连续的多行 print("取不连续的多行: ", t1[[1, 3, 5]]) # 取不连续的多列 print("取不连续的多列: ", t1[:, [1, 3, 5]]) # 取指定行指定列（取第三行，第四列的值） print("取指定行指定列: ", t1[2, 3]) # 取多行多列（取第三行到第五行，第二列到第四列的结果） print("取多行多列: ", t1[2:5, 1:4]) # 取多个不相邻的点(0, 0), (2, 1), (2, 3) print("取多个不相邻的点: ", t1[[0, 2, 2], [0, 1, 3]]) """ 运行结果 原始数据为: [[ 0 1 2 3 4 5 6 7] [ 8 9 10 11 12 13 14 15] [16 17 18 19 20 21 22 23] [24 25 26 27 28 29 30 31] [32 33 34 35 36 37 38 39] [40 41 42 43 44 45 46 47] [48 49 50 51 52 53 54 55] [56 57 58 59 60 61 62 63]] 取一行数据为: [0 1 2 3 4 5 6 7] 取一列数据为: [ 2 10 18 26 34 42 50 58] 取多行数据为: [[ 8 9 10 11 12 13 14 15] [16 17 18 19 20 21 22 23]] 取多列数据为: [[ 1 2] [ 9 10] [17 18] [25 26] [33 34] [41 42] [49 50] [57 58]] 取不连续的多行: [[ 8 9 10 11 12 13 14 15] [24 25 26 27 28 29 30 31] [40 41 42 43 44 45 46 47]] 取不连续的多列: [[ 1 3 5] [ 9 11 13] [17 19 21] [25 27 29] [33 35 37] [41 43 45] [49 51 53] [57 59 61]] 取指定行指定列: 19 取多行多列: [[17 18 19] [25 26 27] [33 34 35]] 取多个不相邻的点: [ 0 17 19] """
import numpy as np t1 = np.arange(4) print(t1) c1 = t1 t1[0] = 11 print(t1) print(c1 is t1) print(c1) t2 = np.arange(4) c2 = t2.copy() t2[3] = 44 print(t2) print(c2 is t2) print(c2) """ 运行结果： [0 1 2 3] [11 1 2 3] True [11 1 2 3] [ 0 1 2 44] False [0 1 2 3] """
轴（axis）：
在numpy中可以理解为方向，使用0,1,2...数字表示，对于一个一维数组，只有一个0轴，对于2维数组（shape(2, 2)），有0轴和1轴，对于三维数组（shape(2, 2, 3)），有0,1,2轴
有了轴的概念之后我们计算会更加方便，比如计算一个2维数组的平均值，必须制定是计算哪个方向上面的数字的平均值
语法：
np.loadtxt(fname, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes', max_rows=None)
参数解释：
| 解释 | |
|---|---|
| fname | 文件，字符串或产生器，可以是.gz或bz2压缩文件 |
| dtype | 数据类型，可选，csv的字符串一什么数据类型读入数组，默认float |
| delimiter | 分割字符串，默认是任何空格，改为逗号 |
| skiprows | 跳过前x行，一般跳过第一行表头 |
| usecols | 读取指定的列，索引，元祖类型 |
| unpack |
import numpy as np file_path = './files/demo_001.csv' data = np.loadtxt(file_path, dtype='int', delimiter=',', encoding='utf-8') # 转置 data_1 = np.loadtxt(file_path, dtype='int', delimiter=',', encoding='utf-8', unpack=True) print(data) print('*'*50) print(data_1) """ 运行结果： [[ 1234 3467 3478 457889] [ 1234 3467 3478 457889] [ 1234 3467 3478 457889] [ 1234 3467 3478 457889] [ 1234 3467 3478 457889]] ************************************************** [[ 1234 1234 1234 1234 1234] [ 3467 3467 3467 3467 3467] [ 3478 3478 3478 3478 3478] [457889 457889 457889 457889 457889]] """