Python Numpy 라이브러리의 배열 작동에 대한 자세한 설명

1. 소개

NumPy(NumPy)는 수많은 차원 배열 및 행렬 연산을 지원하는 Python 언어의 확장 라이브러리입니다. 배열 작업을 위한 라이브러리. 주요 데이터 구조는 ndarray 배열입니다.

NumPy는 SciPy(Scientific Python) 및 Matplotlib(플로팅 라이브러리)와 함께 사용되는 경우가 많으며, 이 조합은 MatLab을 대체하여 널리 사용됩니다.

SciPy는 오픈 소스 Python 알고리즘 라이브러리이자 수학 툴킷입니다. SciPy에는 최적화, 선형 대수, 적분, 보간, 특수 함수, 고속 푸리에 변환, 신호 처리 및 이미지 처리, 상미분 방정식 풀기, 과학 및 공학에서 일반적으로 사용되는 기타 계산을 위한 모듈이 포함되어 있습니다.

Matplotlib는 Python 프로그래밍 언어와 수치 수학 확장 패키지 NumPy를 위한 시각적 인터페이스입니다.

2. 만들기

1차원 배열 만들기

(1) 직접 만들기: np.array([1, 2, 3, 4, 5, 6])

(2) Python에서 만들기 list :np.array(list([1, 2, 3, 4, 5, 6]))

상수 값으로 1차원 데이터 생성

(1) 0으로 상수 값 생성: np.zeros( n, dytpe=float/int)

(2) 1로 상수 값 생성: np.ones(n)

(3) 빈 배열 생성: np.empty(4)

요소가 증가하는 배열 생성

(1) 0부터 시작하는 증분 배열: np.arange(8)

(2) 주어진 간격, 사용자 정의 단계 크기: np.arange(0,1,0.2)

(3) 주어진 간격, 사용자 정의 번호: np.linspace(-1,1,50)

다차원 배열 만들기: 1차원 배열을 만든 다음 다차원 배열에 추가하세요

# 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据
# 二维数组相当于存放的是“两层”数组而已
arr1=np.array(list([1, 2, 3, 4, 5]))
arr2=np.array([arr1,[1,0,0,1,0]])               # 2*5的两维数组
arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]]))    # 3*5的两维数组
arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])])     # 报错
arry=np.array([list([[ 1,2,3,  7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错

관련 추천: "python 영상 tutorial"

상수 값의 (n*m) 차원 데이터 생성

(1) 0의 상수 값 생성: np.zeros((n*m),dytpe=float/int)

(2) 생성 상수 값 1: np.ones((n*m))

(3) 빈 배열 만들기: np.empty((n*m))

난수 배열 만들기

난수 생성 숫자 시드:

(1) np.random.seed()

(2) np.random.RandomState()

난수 생성:

분포 규칙을 사용하여 난수 배열 생성

(1) 이항 분포: np.random.binomial(n, p, size)

(2) 정규 분포: np.random.normal(loc, scale, size)

csv 파일을 배열 또는 배열로 변환

np 사용 .genfromtxt( 'csv 파일 이름', delimiter = 'delimiter in the file' ) 함수는 파일을 배열

 csv_array = np.genfromtxt('sample.csv', delimiter=',')
 print(csv_array)

3으로 변환합니다. 배열 변환

은 배열/행렬 전치를 생성하는 함수입니다. , .T

a = np.array([[32, 15, 6, 9, 14], 
              [12, 10, 5, 23, 1],
              [2, 16, 13, 40, 37]])
print(a.T)
-------------------
# 结果如下
[[32 12  2]
 [15 10 16]
 [ 6  5 13]
 [ 9 23 40]
 [14  1 37]]

를 사용하여 행과 열 번호 교환

배열 모양 변경:

(1) arr.resize(n,m): arr.resize(n,m) 함수는 배열을 수정합니다. place, require: 요소 개수가 일정해야 합니다.

a=np.arange(8)
a.resize(2,4)
print(a)
---------------------------
[[0 1 2 3]
 [4 5 6 7]]

(2) arr .reshape(n,m): 특정 차원의 매개변수가 -1이면 전체 요소 개수가 다음에 따라 계산된다는 의미입니다. 다른 차원

a=np.arange(8).reshape(-1,1)
print(a)
-----------------
[[0]
 [1]
 [2]
 [3]
 [4]
 [5]
 [6]
 [7]]

한 차원을 두 차원으로 업그레이드: np.newaxis

np.newaxis 실제로 차원을 직접 추가한다는 의미는 일반적으로 배열에 너무 많은 차원을 추가하지 않습니다. 2차원으로:

(1) 행 차원 추가: arr[np.newaxis, :]

(2) 열 차원 증가: arr[:, np.newaxis]

a=np.arange(8)
a             # array([0, 1, 2, 3, 4, 5, 6, 7])
a.shape           # (8,)
a[np.newaxis, :]      # array([[0, 1, 2, 3, 4, 5, 6, 7]])
a.shape           # (8,)
a[: , np.newaxis]     # array([[0],[1],[2],[3],[4],[5],[6],[7]])
a.shape           # (8,)

차원 감소: arr.ravel()

arr.ravel() 차원 축소 시 함수: 기본값은 새 배열을 생성하기 위한 행 순서입니다(즉, 한 행 행 읽기). 매개변수 "F"가 전달되면 열 순서 차원 축소가 생성됩니다. 새로운 배열

a=np.array([[1,2],[3,4]])
a.ravel()       
a.ravel('F')      
----------------------------
# 结果 array([1, 2, 3, 4])
# 结果 array([1, 3, 2, 4])

4. 계산

배열에서 계산 작업을 수행합니다

(1) 요소 더하기 및 빼기

a=np.arange(8).reshape(2,4)       # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(2,4))   # array([[1, 2, 5, 3], [4, 1, 0, 6]])
a+b
a-b
----------------------------
# a+b和a-b结果分别是：
array([[ 1,  3,  7,  6],
       [ 8,  6,  6, 13]])
array([[-1, -1, -3,  0],
       [ 0,  4,  6,  1]])

( 2) 곱셈: 행렬의 요소를 제곱/곱하기

a=np.arange(8).reshape(2,4)       # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(2,4))   # array([[1, 2, 5, 3], [4, 1, 0, 6]])
a**2
a*b
-----------------------
# a矩阵平方／a*b矩阵中元素相乘结果分别：
array([[ 0,  1,  4,  9],
       [16, 25, 36, 49]])
array([[ 0,  2, 10,  9],
       [16,  5,  0, 42]])

(3) 행렬 * 행렬:

# 要求a矩阵的行要等于b矩阵的列数；且a矩阵的列等于b矩阵的行数
a=np.arange(8).reshape(2,4)       # array([[0, 1, 2, 3], [4, 5, 6, 7]])
b=np.random.randint(8,size=(4,2))   # array([[3, 0],[3, 3],[5, 6],[6, 7]])
c1 = np.dot(a,b)
c2 = a.dot(b)
----------------------
# ab矩阵相乘的结果：c1=c2 
array([[ 31,  36],
     [ 99, 100]])

(4) 논리 계산

[참고] 목록을 전체적으로 사용하여 각 요소에 대한 논리적 판단을 내릴 수는 없습니다!

# 结果返回：一个数组，其中每个元素根据逻辑判断的布尔类型的结果
a > 3 
-----------------------------
# 结果如下：
array([[False, False, False, False],
     [ True,  True,  True,  True]])

5 값 가져오기

1차원 배열의 요소 가져오기: 작업은 목록의 인덱스와 동일합니다.

a = np.array([5, 2, 7, 0, 11])
a[0]      # 结果为 5
a[:4]     # 结果为 从头开始到索引为4结束
a[2:]     # 结果为 从索引为2的开始到结尾
a[::2]      # 结果为 从头开始到结尾，每2个取一个值

다차원 배열의 요소, 행 또는 열 값 가져오기 array

a = np.array([[32, 15, 6, 9, 14], 
         [12, 10, 5, 23, 1],
         [2, 16, 13, 40, 37]])
a[2,1]     # 结果是一个元素 16
a[2][1]    # 结果是一个元素 16
a[1]      # 第2行 array([12, 10,  5, 23,  1])
a[：，2]   # 取出全部行，第2列 [15,10,16]
a[1:3, :]   # 取出[1，3)行，全部列
a[1,1:]    # array([10,  5, 23,  1])

Operational

# 需要注意的是，我们数据进行逻辑计算操作得到的仍然是一个数组
# 如果我们想要的是一个过滤后的数组，就需要将"逻辑判断"传入数组中
a = np.array([[32, 15, 6, 9, 14], 
              [12, 10, 5, 23, 1],
              [2, 16, 13, 40, 37]])
a[a > 3]
a[(a > 3) | (a < 2)]  
------------------------------
# 结果分别是：
array([32, 15,  6,  9, 14, 12, 10,  5, 23, 16, 13, 40, 37])
array([32, 15,  6,  9, 14, 12, 10,  5, 23,  1, 16, 13, 40, 37])

traversal을 만족하는 로직을 얻습니다. 결과는

a = np.array([[32, 15, 6, 9, 14], 
         [12, 10, 5, 23, 1],
         [2, 16, 13, 40, 37]])
for x in a:
    print(x)
--------------------
[32 15  6  9 14]
[12 10  5 23  1]
[ 2 16 13 40 37]

6 행으로 출력됩니다. Copy/Split/Merge

Copy: arr.cope()

Split:

(1 ) 등분할: np.split(arr , n, axis=0/1) (즉, 행이나 열의 개수를 n으로 나눌 수 있는 경우에만)

(2) 부등 나눗셈: np.array_split(arr, n) 기본값은 행별로 n 부분으로 나뉩니다

a = np.array([[32, 15, 6, 9, 14, 21], 
         [12, 10, 5, 23, 1, 10],
         [2, 16, 13, 40, 37, 8]])
              
# 可以看到a矩阵是(3*6)，所以使用np.split()只能尝试行分成3份；或者列分成2/3/6份 
np.split(a,3,axis=0)  
np.split(a,3,axis=1)
np.array_split(a,2)
np.array_split(a,4,axis=1)
-------------------------------------------
[array([[32, 15,  6,  9, 14, 21]]),
 array([[12, 10,  5, 23,  1, 10]]),
 array([[ 2, 16, 13, 40, 37,  8]])]
   
[array([[32, 15],
        [12, 10],
        [ 2, 16]]), array([[ 6,  9],
        [ 5, 23],
        [13, 40]]), array([[14, 21],
        [ 1, 10],
        [37,  8]])]
        
[array([[32, 15,  6,  9, 14, 21],
        [12, 10,  5, 23,  1, 10]]), array([[ 2, 16, 13, 40, 37,  8]])]
        
[array([[32, 15],
        [12, 10],
        [ 2, 16]]), array([[ 6,  9],
        [ 5, 23],
        [13, 40]]), array([[14],
        [ 1],
        [37]]), array([[21],
        [10],
        [ 8]])]

Consolidation: np.concatenate((arr1, arr2, arr3), axis=0/1)은 기본적으로 데이터 아래에 연결됩니다

a=np.random.rand(2,3)
b=np.random.randint(1,size=(2,3))
np.concatenate((a,b,a))         # 接在下面
np.concatenate((a,b,a),axis=1)      # 接在后面
------------------------
array([[0.95912866, 0.81396527, 0.809493  ],
       [0.4539276 , 0.24173315, 0.63931439],
       [0.        , 0.        , 0.        ],
       [0.        , 0.        , 0.        ],
       [0.95912866, 0.81396527, 0.809493  ],
       [0.4539276 , 0.24173315, 0.63931439]])
array([[0.95912866, 0.81396527, 0.809493  , 0.        , 0.        ,
        0.        , 0.95912866, 0.81396527, 0.809493  ],
       [0.4539276 , 0.24173315, 0.63931439, 0.        , 0.        ,
        0.        , 0.4539276 , 0.24173315, 0.63931439]])

위 내용은 Python Numpy 라이브러리의 배열 작동에 대한 자세한 설명의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!