numpy入门笔记

学习参考：
菜鸟教程
numpy入门博客
numpy入门视频

NumPy安装

默认情况使用国外线路，国外太慢，我们使用清华的镜像

pip3 install numpy scipy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

一、创建数组

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

在这里插入图片描述

一维数组

import numpy as np

arr1 = [1, 2, 3, 4, 5]
arr2 = [10, 20, 30, 40, 50]
print(arr1 + arr2)

arr3 = np.array(arr1)
arr4 = np.array(arr2)
print(arr3 + arr4)
print(arr4 / arr3)
print(arr3.shape) # （行，列）
print(arr3.max(), arr3.argmax()) # 最大值，最大值索引（从0开始）
print(arr3.ndim) # 维度

在这里插入图片描述

二维数组

import numpy as np

arr1 = np.array([[1, 2, 3],[4, 5, 6]])
print(arr1)
print(arr1.ndim)
print(arr1.shape)

在这里插入图片描述

创建默认值数组
- 创建全零数组的用途是初始化一个具有特定形状和大小的数组，其中所有元素都设置为0。在处理图像或其他数据时，全零数组可以用作初始值或占位符。例如，假设我们要读取一个尺寸为（255，255，255）的图片，我们可以创建一个相同维度的全零数组，然后将图片读入该数组进行填充。这样做的好处是，我们可以直接将原始图像数据存储在全零数组中，而无需担心数据溢出或其他问题。
- 全1数组同理
- 全空数组创建出来的全空数组中的数据都是无限小的、无限接近于0但不是0，这方便我们数学上的一些操作

import numpy as np

data = np.zeros(shape=(3, 4))
print(data)

data1 = np.ones(shape=(3, 4))
print(data1)

data2 = np.empty(shape=(3, 4))
print(data2)

在这里插入图片描述

import numpy as np

sevens = np.full((3, 4), 7)
print(sevens)

在这里插入图片描述

import numpy as np

sevens = np.full((3, 4), 7, dtype=float)
print(sevens)

在这里插入图片描述

有连续序列的数组 arange（从数值范围创建数组）

import numpy as np

data = np.arange(1, 10, 3) # arange(a, b, l)范围[a, b)，步长l
print(data)

在这里插入图片描述

有连续间隔的数组 linspace
也称线性等分向量（linear space），在一个指定区间内按照指定的步长，将区间均等分，生成的是一个线段类型的数组。生成的线性间隔数据中，是有把区间的两端加进去的

import numpy as np

data = np.linspace(1, 10, 20)# 开始端1，结束端10，且分割成20个数据，生成线段
print(data)
print(data.ndim)

在这里插入图片描述

随机数组
创建随机数组的用途是初始化一个具有特定形状和大小的数组，其中所有元素都是随机生成的。在处理一些需要模拟随机数据的情况时，随机数组可以用作占位符或测试数据。

import numpy as np

data = np.random.rand(3, 4) # 3行4列
data1 = np.random.randint(1, 6, size=(3, 4)) # 数值在[1， 6)之间的随机整数，3行4列
print(data)
print(data1)

在这里插入图片描述

import numpy as np

random_arr = np.random.random((3, 4)) # [0.0, 1)
print(random_arr)

在这里插入图片描述

改变数组形状
因为数组中元素是没有改变的，所以重塑数组指定的尺寸大小是否和原本的尺寸大小一样，大一点和小一点都会报错，2行3列的数组，你可以把它改成为3行2列的数组，或者1行6列，改后尺寸必须一样，reshape本质就是原本数组中的元素按顺序展开来，然后依次填入新定义的尺寸中去.注意 reshape后面填的是元组数据类型

import numpy as np

arr1 = [1, 2, 3, 4]
arr2 = [5, 6, 7, 8]
arr3 = np.array([arr1, arr2])
print(arr3)
arr3 = arr3.reshape((4, 2))
print(arr3)

在这里插入图片描述

数组转置

import numpy as np

arr1 = [1, 2, 3, 4]
arr2 = [5, 6, 7, 8]
arr3 = np.array([arr1, arr2])
print(arr3)
print(arr3.T)

在这里插入图片描述
其中改变数组形状arr.reshape((c, r))是重新安装规格填入元素，数组转置arr.T类似于矩阵转置

二、数组显示

数组维度 ndim
数组形状shape
数组中元素个数
数组的数据类型 dtype

import numpy as np

arr1 = [1, 2, 3, 4]
arr2 = [5, 6, 7, 8]
arr3 = np.array([arr1, arr2])
print(arr3)
print(arr3.ndim)
print(arr3.shape)
print(arr3.size)
print(arr3.dtype)

在这里插入图片描述

三、数组运算

import numpy as np

arr1 = [1, 2, 3, 4]
arr2 = [5, 6, 7, 8]
arr3 = np.array(arr1)
arr4 = np.array(arr2)
print(arr3 + arr4)
print(arr4 - arr3)
print(arr3 * arr4)
print(arr4 / arr3)

在这里插入图片描述

四、数据统计

axis = 0 代表对横轴操作，也就是第0轴
axis = 1 代表对纵轴操作，也就是第1轴

数组的中位数numpy.median(a, axis=None, out=None, overwrite_input=False, keepdims=<no value>)

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.median(arr))
print(np.median(arr, axis=0))
print(np.median(arr, axis=1))

在这里插入图片描述

计算数组中的元素沿指定轴的最值

numpy.amin(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)
numpy.amax(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)

在这里插入图片描述

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.amin(arr))
print(np.amin(arr, axis=0))
print(np.amin(arr, axis=1))

在这里插入图片描述

数组的平均值numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<no value>)

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.mean(arr))
print(np.mean(arr, axis=0))
print(np.mean(arr, axis=1))

在这里插入图片描述

数组中元素最大值与最小值的差（最大值 - 最小值）

numpy.ptp(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.ptp(arr))
print(np.ptp(arr, axis=0))
print(np.ptp(arr, axis=1))

在这里插入图片描述

小于特定值的观察值的百分比

numpy.percentile(a, q, axis)

在这里插入图片描述

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.percentile(arr, 50))
print(np.percentile(arr, 50, axis=0))
print(np.percentile(arr, 50, axis=1))

在这里插入图片描述

五、保存&加载

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 把arr数组保存到helloNumpy.npy文件中
np.save('helloNumpy.npy', arr)

# 加载helloNumpy.npy的内容到arr1中
arr1 = np.load('helloNumpy.npy')
print(arr1)