前言
大家應(yīng)該都有所了解，下面就簡單介紹下Numpy，NumPy(Numerical Python)是一個(gè)用于科學(xué)計(jì)算第三方的Python包。
NumPy提供了許多高級(jí)的數(shù)值編程工具，如：矩陣數(shù)據(jù)類型、矢量處理，以及精密的運(yùn)算庫。專為進(jìn)行嚴(yán)格的數(shù)字處理而產(chǎn)生。下面本文將詳細(xì)介紹關(guān)于python中numpy包使用教程之?dāng)?shù)組和相關(guān)操作的相關(guān)內(nèi)容，下面話不多說，來一起看看詳細(xì)的介紹：
一、數(shù)組簡介
Numpy中，最重要的數(shù)據(jù)結(jié)構(gòu)是：多維數(shù)組類型（numpy.ndarray）
ndarray由兩部分組成：
數(shù)組（即矩陣）的維度被稱為axes，維數(shù)稱為rank
ndarray 的重要屬性包括:
ndarray.ndim：數(shù)組的維數(shù)，也稱為rankndarray.shape：數(shù)組各維的大小，對(duì)一個(gè)n行m列的矩陣來說， shape 為 (n,m)ndarray.size：元素的總數(shù)。ndarray.dtype：每個(gè)元素的類型，可以是numpy.int32, numpy.int16, and numpy.float64等ndarray.itemsize：每個(gè)元素占用的字節(jié)數(shù)。ndarray.data：指向數(shù)據(jù)內(nèi)存。二、數(shù)組的使用
使用numpy前要先導(dǎo)入模塊，使用下面的語句導(dǎo)入模塊：
improt numpy as np #其中np為numpy的別名，是一種習(xí)慣用法
1.使用array方法生成數(shù)組
array，也就是數(shù)組，是numpy中最基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)，最關(guān)鍵的屬性是維度和元素類型，在numpy中，可以非常方便地創(chuàng)建各種不同類型的多維數(shù)組，并且執(zhí)行一些基本基本操作，生成數(shù)組的方法有一下幾種：
以list或tuple變量產(chǎn)生以為數(shù)組：
>>> print np.array([1,2,3,4]) [1 2 3 4] >>> print np.array((1.2,2,3,4)) [ 1.2 2. 3. 4. ]
以list或tuple變量為元素產(chǎn)生二維數(shù)組或者多維數(shù)組：
>>> x = np.array(((1,2,3),(4,5,6))) >>> x array([[1, 2, 3], [4, 5, 6]]) >>> y = np.array([[1,2,3],[4,5,6]]) >>> y array([[1, 2, 3], [4, 5, 6]])
2.使用numpy.arange方法生成數(shù)組
>>> print np.arange(15) [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] >>> print type(np.arange(15)) <type 'numpy.ndarray'>
3.使用內(nèi)置函數(shù)生成特殊矩陣（數(shù)組）
零矩陣
>>> print np.zeros((3,4)) [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]]
一矩陣
>>> print np.ones((3,4)) [[ 1. 1. 1. 1.] [1. 1. 1. 1.] [ 1. 1. 1. 1.]]
單位矩陣
>>> print np.eye(3) [[ 1. 0. 0.] [0. 1. 0.] [ 0. 0. 1.]]
4.索引與切片
>>> x = np.array(((1,2,3),(4,5,6))) >>> x[1,2] #獲取第二行第三列的數(shù) 6
>>> y=x[:,1] #獲取第二列 >>> y array([2, 5])
與python語法一致，不再舉例。
5.獲取數(shù)組屬性
>>> a = np.zeros((2,2,2)) >>> print a.ndim #數(shù)組的維數(shù) 3 >>> print a.shape #數(shù)組每一維的大小 (2, 2, 2) >>> print a.size #數(shù)組的元素?cái)?shù) 8 >>> print a.dtype #元素類型 float64 >>> print a.itemsize #每個(gè)元素所占的字節(jié)數(shù) 8
6.數(shù)組變換
多維轉(zhuǎn)換為一維：
>>> x array([[1, 2, 3], [4, 5, 6]]) >>> x.flatten() array([1, 2, 3, 4, 5, 6])
一維轉(zhuǎn)換為多維：
>>> print np.arange(15).reshape(3,5) #改變形狀，將一維的改成三行五列 [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]
轉(zhuǎn)置：
>>> x array([[1, 2, 3], [4, 5, 6]]) >>> x.transpose() array([[1, 4], [2, 5], [3, 6]])
7.數(shù)組組合
水平組合：
>>> y=x >>> numpy.hstack((x,y)) array([[1, 2, 3, 1, 2, 3], [4, 5, 6, 4, 5, 6]]
垂直組合
>>> numpy.vstack((x,y)) array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]])
用concatenate函數(shù)可以同時(shí)實(shí)現(xiàn)這兩種方式，通過指定axis參數(shù)，默認(rèn)為0，垂直組合。
>>> numpy.concatenate((x,y)) array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]) >>> numpy.concatenate((x,y),axis=1) array([[1, 2, 3, 1, 2, 3], [4, 5, 6, 4, 5, 6]])
8.數(shù)組分割
垂直分割
>>> z array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]) >>> numpy.vsplit(z,2) #注意這里設(shè)置的分割數(shù)目必須可以被行數(shù)整除 [array([[1, 2, 3], [4, 5, 6]]), array([[1, 2, 3], [4, 5, 6]])]
水平分割
>>> numpy.hsplit(z,3) [array([[1], [4], [1], [4]]), array([[2], [5], [2], [5]]), array([[3], [6], [3], [6]])]
用split函數(shù)可以同時(shí)實(shí)現(xiàn)這兩個(gè)效果，通過設(shè)置其axis參數(shù)區(qū)別，與組合類似，這里不在演示。
三、矩陣
通過上面對(duì)數(shù)組的操作可以知道，numpy中可以通過數(shù)組模擬矩陣，但是numpy也有專門處理矩陣的數(shù)據(jù)結(jié)構(gòu)――matrix。
1.生成矩陣
>>> numpy.mat('1 2 3;4 5 6;7 8 9') matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) 2.數(shù)組矩陣轉(zhuǎn)化
矩陣轉(zhuǎn)數(shù)組
>>> m=numpy.mat('1 2 3;4 5 6;7 8 9') >>> numpy.array(m) array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) 數(shù)組轉(zhuǎn)矩陣
>>> n=numpy.array(m) >>> numpy.mat(n) matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
3.矩陣方法
求逆：
>>> m.I matrix([[ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15], [ 9.00719925e+15, -1.80143985e+16, 9.00719925e+15], [ -4.50359963e+15, 9.00719925e+15, -4.50359963e+15]])
總結(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對(duì)武林網(wǎng)的支持
新聞熱點(diǎn)
疑難解答
圖片精選
