1. 簡介
NumPy(Numerical Python) 是Python 語言的擴充程式庫，支援大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。最主要的資料結構是ndarray數組。
NumPy 通常與 SciPy（Scientific Python）和 Matplotlib（繪圖庫）一起使用， 這種組合廣泛用於取代 MatLab。
SciPy 是一個開源的 Python 演算法庫和數學工具包。 SciPy 包含的模組有最優化、線性代數、積分、插值、特殊函數、快速傅立葉變換、訊號處理和影像處理、常微分方程求解和其他科學與工程中常用的計算。
Matplotlib 是 Python 程式語言及其數值數學擴充包 NumPy 的視覺化操作介面。
2. 建立
建立一維陣列
（1）直接建立：np.array([1, 2, 3, 4, 5, 6])
（2）從python的list中建立：np.array(list([1, 2, 3, 4, 5, 6]))
#建立常數值的一維資料
（1）建立以0為常數值：np.zeros(n,dytpe=float/int)
（2）建立以1為常數值：np.ones(n)
（3）建立一個空數組：np.empty(4)
建立一個元素遞增的陣列
（ 1）從0開始成長的遞增數組：np.arange(8)
（2）給定區間，自訂步長：np.arange(0,1,0.2)
# （3）給定區間，自訂個數：np.linspace(-1,1,50)
#建立多維數組：建立單一維度數組，再新增進多維數組
# 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
相關推薦：《python影片教學》
建立常數值的(n*m)維資料
（1）建立以0為常數值： np.zeros((n*m),dytpe=float/int)
（2）建立以1為常數值：np.ones((n*m))
（3 )建立一個空數組：np.empty((n*m))
創建隨機數字的陣列
產生隨機數種子：
（1） np.random.seed()
（2）np.random.RandomState()
產生隨機數字：
csv_array = np.genfromtxt('sample.csv', delimiter=',') print(csv_array)
3. 陣列的變形
產生陣列/矩陣轉置的函數，即行列數字交換，使用.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]]a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
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,)
# ：arr.ravel()arr.ravel()函數在降維時：預設是行序優先產生新數組（就是一行行讀）；如果傳入參數「F」則是列序降維生成新數組
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. 計算
對數組進行計算操作（1）對元素進行加減計算#
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]])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]])# 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]])# 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. 取值
取得一維數組中的某個元素：操作和list列表的index一樣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
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])# 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])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. 複製／分割/合併
複製：arr.cope()
### 分割：######（1）等分：np.split(arr, n, axis=0 /1)（即行數或列數可以整除n時才可以）######（2）不等分：np.array_split(arr, n) 預設按行分n份###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]])]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]])以上是Python Numpy函式庫對陣列的操作詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！
