numpy和python的关系(numpy是)

python关于numpy基础问题

Python发展至今，已经有越来越多的人使用python进行科学技术，NumPY是python中的一款高性能科学计算和数据分析的基础包。

ndarray

ndarray（以下简称数组）是numpy的数组对象，需要注意的是，它是同构的，也就是说其中的所有元素必须是相同的类型。其中每个数组都有一个shape和dtype。

shape既是数组的形状，比如

复制代码

1 import numpy as np

2 from numpy.random import randn

3

4 arr = randn(12).reshape(3, 4)

5

6 arr

7

8 [[ 0.98655235 1.20830283 -0.72135183 0.40292924]

9 [-0.05059849 -0.02714873 -0.62775486 0.83222997]

10 [-0.84826071 -0.29484606 -0.76984902 0.09025059]]

11

12 arr.shape

13 (3, 4)

复制代码

其中(3, 4)即代表arr是3行4列的数组，其中dtype为float64

一下函数可以用来创建数组

array将输入数据转换为ndarray，类型可制定也可默认

asarray将输入转换为ndarray

arange类似内置range

ones、ones_like根据形状创建一个全1的数组、后者可以复制其他数组的形状

zeros、zeros_like类似上面，全0

empty、empty_like创建新数组、只分配空间

eye、identity创建对角线为1的对角矩阵

数组的转置和轴对称

转置是多维数组的基本运算之一。可以使用.T属性或者transpose()来实现。.T就是进行轴对换而transpose则可以接收参数进行更丰富的变换

复制代码

arr = np.arange(6).reshape((2,3))

print arr

[[0 1 2]

[3 4 5]]

print arr.T

[[0 3]

[1 4]

[2 5]]

arr = np.arange(24).reshape((2,3,4))

print arr

[[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

[[12 13 14 15]

[16 17 18 19]

[20 21 22 23]]]

print arr.transpose((0,1,2))

[[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

[[12 13 14 15]

[16 17 18 19]

[20 21 22 23]]]

复制代码

数组的运算

大小相等的数组之间做任何算术运算都会将运算应用到元素级别。

复制代码

1 arr = np.arange(9).reshape(3, 3)

2 print arr

3

4 [[0 1 2]

5 [3 4 5]

6 [6 7 8]]

7

8 print arr*arr

9

10 [[ 0 1 4]

11 [ 9 16 25]

12 [36 49 64]]

13

14 print arr+arr

15

16 [[ 0 2 4]

17 [ 6 8 10]

18 [12 14 16]]

19

20 print arr*4

21

22 [[ 0 4 8]

23 [12 16 20]

24 [24 28 32]]

复制代码

numpy的简单计算中，ufunc通用函数是对数组中的数据执行元素级运算的函数。

如：

复制代码

arr = np.arange(6).reshape((2,3))

print arr

[[0 1 2]

[3 4 5]]

print np.square(arr)

[[ 0 1 4]

[ 9 16 25]]

复制代码

类似的有：abs,fabs,sqrt,square,exp,log,sign,ceil,floor,rint,modf,isnan,isfinite,isinf,cos,cosh,sin,sinh,tan,tanh，

add,subtract,multiply,power,mod,equal,等等

问一下Python里的numpy的正确读法是什么?

?numpy?读法是:英['n?mpi]，NumPy是Python中科学计算的基础包。

它是一个Python库，提供多维数组对象，各种派生对象(如掩码数组和矩阵)，以及用于数组快速操作的各种例程，包括数学逻辑，形状操作，I / O离散傅立叶变换，随机模拟等等。

NumPy包的核心是ndarray对象。这封装了同构数据类型的n维数组，许多操作在编译代码中执行以提高性能。

NumPy数组和标准Python序列之间有几个重要的区别：

1、NumPy数组在创建时具有固定大小，与Python列表(可以动态增长)不同。更改ndarray的大小将创建一个新数组并删除原始数组。

2、NumPy数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。例外：可以有(Python，包括NumPy)对象的数组，从而允许不同大小的元素的数组。

3、NumPy数组有助于对大量数据进行高级数学和其他类型的操作。通常，与使用Python的内置序列相比，这些操作的执行效率更高，代码更少。

4、越来越多的基于Python的科学和数学软件包正在使用NumPy数组；虽然这些通常支持Python序列输入，但它们在处理之前将这些输入转换为NumPy数组，并且它们通常输出NumPy数组。

python中numpy 有哪些内容

Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。如果接触过matlab、scilab，那么numpy很好入手。

Numpy基础20问

一言以蔽之，numpy是python中基于数组对象的科学计算库。

提炼关键字，可以得出numpy以下三大特点：

因为numpy是一个python库，所以使用python包管理工具pip或者conda都可以安装。

安装python后，打开cmd命令行，输入：

即可完成安装。

n维数组（ndarray）对象，是一系列 同类数据 的集合，可以进行索引、切片、迭代操作。

numpy中可以使用 array 函数创建数组:

判断一个数组是几维，主要是看它有几个轴（axis）。

一个轴表示一维数组，两个轴表示二维数组，以此类推。

每个轴都代表一个一维数组。

比如说，二维数组第一个轴里的每个元素都是一个一维数组，也就是第二个轴。

一维数组一个轴：

二维数组两个轴：

三维数组三个轴：

以此类推n维数组。

numpy中常用 array 函数创建数组，传入列表或元组即可。

创建一维数组，并指定数组类型为 int ：

创建二维数组：

还可以使用 arange 函数创建一维数字数组，用法类似python的 range 函数.

numpy的 random 模块用来创建随机数组。

random模块还有其他函数，这里不多说。

前面说到，数组维度即代表轴的数量。

我们可以通过数组（adarray）对象的ndim或shape属性，来查看轴的数量。

数组（ndarray）对象的 size 属性可以查看数组包含元素总数。

还可以通过 shape 属性返回元素的乘积，来计算数组元素数量。

Numpy支持的数据类型非常多，所以很适合做数值计算。

下面给出常见的数据类型：

数组（adarrry）对象提供 dtype 属性，用来查看数组类型。

前面说过，数组的 shape 属性返回一个元组，能够反映数组的形状，包括维度以及每个轴的元素数量。

那么如果给定一个数组，怎么改变其形状呢？

常用的方式有两种：

比如说我要将一个二维数组转换为三维数组。

reshape 方法可以传入整数或者元组形式的参数。

传入的参数和 shape 属性返回的元组的含义是一样的。

例如， x2.reshape(1,2,3) 是将二维数组转换成三维数组，参数个数代表要转换的维度，参数数字从左到右分别表示0轴、1轴、2轴的元素数量。

resize 方法和 reshape 方法使用形式一样，区别是 resize 方法改变了原始数组形状。

numpy一维数组的索引和切片操作类似python列表，这里不多讲。

比如说取一维数组前三个元素。

重点是对多维数组的索引和切片。

多维数组有多个轴，那么就需要对每个轴进行索引。

例如，三维数组形状为(x,y,z)，分别代表：0轴有x个元素、1轴有y个元素，2轴有z个元素。

对0、1、2轴进行索引，如果取o轴第2个元素、1轴第0个元素、2轴第3个元素，那么索引形式就为[2,0,3]。

切片也是同样道理。

如果取o轴前2个元素、1轴前1个元素、2轴后2个元素，那么切片形式就为[:2,:1,-2:]。

说到迭代，大家很容易想到直接对数组直接使用 for 循环操作，对于一维数组来说，当然是可以的。

但对于多维数组，迭代是相对于0轴完成的，就是多维数组最外层的那一维。

你没有办法直接遍历数组里每一个元素，嵌套循环又太低效。

这个时候就需要用到 flat 方法，它可以将多维数组平铺为一维的迭代器。

数组（ndarray）对象提供了ravel方法，用来将多维数组展开为一维数组。

广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对多个数组的算术运算通常在相应的元素上进行。

较小的数组在较大的数组上“广播”，以便它们具有兼容的形状。

比如说一个一维数组乘以一个数字，相当于一维数组里每个元素都乘以这个数。

如果相同维度的数组进行运算，其shape相同，那么广播就是两个数组相同位数的元素进行运算。

如果两个数组维度不同，进行运算，这里就触发了广播的两个规则。

这两个规则保证了不同维度数组进行运算时，其维度自动调整成一致。

numpy提供了 transpose 函数用以对数组进行维度的调换，也就是转置操作。

转置后返回一个新数组。

当然，可以用更简单的方法。

数组对象提供了 T 方法，用于转置，同样会返回一个新数组。

numpy的 concatenate 函数用于沿指定轴连接相同形状的两个或多个数组。

numpy的 unique 函数用于去除数组中的重复元素，返回一个新数组。

unique 函数还能返回重复元素的索引、计数等信息，可去查文档自定义参数。

numpy文档

菜鸟教程