云浮北京网站建设,没有rss源的网站如何做rss订阅,移动商城app下载,静态网页模板怎么用NumPy#xff1a;Python中的强大数学工具 文章目录NumPy#xff1a;Python中的强大数学工具一、NumPy简介二、创建数组三、数组尺寸四、数组运算五、数组切片六、数组连接七、数据存取八、数组形态变换九、数组排序与搜索十、矩阵与线性代数运算一、NumPy简介
当谈到数据科学…NumPyPython中的强大数学工具 文章目录NumPyPython中的强大数学工具一、NumPy简介二、创建数组三、数组尺寸四、数组运算五、数组切片六、数组连接七、数据存取八、数组形态变换九、数组排序与搜索十、矩阵与线性代数运算一、NumPy简介
当谈到数据科学和数值计算时NumPy是Python编程语言中最重要的软件库之一。NumPy提供了强大的多维数组对象和一系列高效的函数和操作以便在Python中进行数值计算和科学计算。
NumPy的核心是ndarray即n-dimensional array一种用于存储和处理多维数组的数据结构。NumPy中的数组可以包含不同类型的数据包括整数、浮点数、布尔值和字符串等这使得NumPy数组非常灵活。
NumPy的另一个关键功能是它提供了许多用于数组操作和计算的函数。例如可以使用NumPy中的函数进行向量化操作即对整个数组进行操作而不是对数组中的每个元素进行单独的操作。这种向量化操作可以大大提高计算速度。
除了基本的数组操作和函数之外NumPy还提供了许多其他的功能。例如NumPy中有用于线性代数、随机数生成、傅里叶变换、信号处理和图像处理等领域的函数和类。此外NumPy还可以与其他Python库和工具集如Pandas和Matplotlib集成使用以便进行更复杂的数据分析和可视化。
总之NumPy是Python编程语言中最重要的软件库之一提供了强大的多维数组对象和一系列高效的函数和操作使得Python成为一种优秀的数值计算和科学计算的工具。
二、创建数组
在NumPy中有几种方法可以创建数组。以下是其中几种常见的方法 使用numpy.array()函数创建数组这是一种最基本的创建数组的方法它接受一个序列例如Python列表或元组作为输入并将其转换为NumPy数组。例如下面的代码将Python列表转换为NumPy数组 import numpy as npa np.array([1, 2, 3, 4, 5])
print(a)[1 2 3 4 5]使用numpy.zeros()函数创建数组这个函数创建一个由0组成的数组并指定数组的形状。例如下面的代码创建一个形状为3, 4的二维数组 import numpy as npa np.zeros((3, 4))
print(a)[[0. 0. 0. 0.][0. 0. 0. 0.][0. 0. 0. 0.]]使用numpy.ones()函数创建数组这个函数创建一个由1组成的数组并指定数组的形状。例如下面的代码创建一个形状为2, 3的二维数组 import numpy as npa np.ones((2, 3))
print(a)[[1. 1. 1.][1. 1. 1.]]使用numpy.arange()函数创建数组这个函数创建一个等差数列并将其转换为NumPy数组。例如下面的代码创建一个由1到9的整数组成的数组 import numpy as npa np.arange(1, 10)
print(a)[1 2 3 4 5 6 7 8 9]使用numpy.linspace()函数创建数组这个函数创建一个在指定范围内均匀分布的数组。例如下面的代码创建一个由0到1之间的5个数字组成的数组 import numpy as npa np.linspace(0, 1, 5)
print(a)[0. 0.25 0.5 0.75 1. ]这些是一些在NumPy中创建数组的常用方法和示例。这些函数提供了许多选项可以进一步自定义数组的形状、数据类型和其他特性。
三、数组尺寸
在NumPy中可以使用shape属性获取数组的尺寸它返回一个表示数组形状的元组其中元组中的每个值表示该维度的大小。以下是一些示例
import numpy as np# 创建一个二维数组
a np.array([[1, 2, 3], [4, 5, 6]])# 获取数组的形状
print(a.shape) # 输出 (2, 3)# 创建一个三维数组
b np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])# 获取数组的形状
print(b.shape) # 输出 (2, 2, 2)# 创建一个一维数组
c np.array([1, 2, 3, 4, 5])# 获取数组的形状
print(c.shape) # 输出 (5,)在第一个示例中我们创建了一个2x3的二维数组并使用shape属性获取其形状它返回一个元组(2, 3)。在第二个示例中我们创建了一个2x2x2的三维数组并使用shape属性获取其形状它返回一个元组(2, 2, 2)。在第三个示例中我们创建了一个包含5个元素的一维数组并使用shape属性获取其形状它返回一个元组(5,)这里使用的逗号表示这是一个元组而不是单个整数。
除了shape属性之外NumPy还提供了许多其他的属性和方法用于获取和操作数组的尺寸和形状例如ndim属性、size属性、reshape()方法等。这些方法可以帮助您更好地了解和操作数组的结构和形状。
四、数组运算
NumPy中的数组运算可以使用各种数学运算符和NumPy中提供的函数完成。以下是一些示例
import numpy as np# 创建两个数组
a np.array([1, 2, 3])
b np.array([4, 5, 6])# 加法
c a b
print(c) # 输出 [5 7 9]# 减法
d a - b
print(d) # 输出 [-3 -3 -3]# 乘法
e a * b
print(e) # 输出 [ 4 10 18]# 除法
f a / b
print(f) # 输出 [0.25 0.4 0.5 ]# 按位求幂
g a ** b
print(g) # 输出 [ 1 32 729]# 按位取余
h a % b
print(h) # 输出 [1 2 3]# 求平方根
i np.sqrt(a)
print(i) # 输出 [1. 1.41421356 1.73205081]在上面的示例中我们创建了两个NumPy数组a和b然后使用加法、减法、乘法、除法、按位求幂、按位取余和求平方根等运算符对它们进行了各种运算。对于所有这些运算NumPy会对数组的每个元素进行相应的运算。
此外NumPy还提供了许多其他函数用于对数组进行各种操作例如sum()、mean()、std()、min()、max()等这些函数可以对数组进行聚合操作或者对数组中的元素进行排序、比较等操作。这些函数可以帮助您更好地了解和操作NumPy数组。
五、数组切片
在NumPy中可以使用切片操作从数组中获取子数组或部分元素。切片操作使用[start:stop:step]的语法其中start表示子数组的起始索引stop表示子数组的结束索引不包括该索引对应的元素step表示切片步长。以下是一些示例
import numpy as np# 创建一个一维数组
a np.array([1, 2, 3, 4, 5])# 获取前三个元素
b a[:3]
print(b) # 输出 [1 2 3]# 获取第二个到第四个元素
c a[1:4]
print(c) # 输出 [2 3 4]# 获取每隔一个元素的子数组
d a[::2]
print(d) # 输出 [1 3 5]# 反转数组
e a[::-1]
print(e) # 输出 [5 4 3 2 1]# 创建一个二维数组
f np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 获取第一行
g f[0, :]
print(g) # 输出 [1 2 3]# 获取第二列
h f[:, 1]
print(h) # 输出 [2 5 8]# 获取前两行和前两列的子数组
i f[:2, :2]
print(i) # 输出 [[1 2] [4 5]]在上面的示例中我们首先创建了一个一维数组a和一个二维数组f然后使用切片操作从这些数组中获取子数组或部分元素。我们可以使用索引和切片操作来访问一维和多维数组的不同部分这些操作可以让我们更方便地操作和处理数组中的数据。
六、数组连接
在NumPy中可以使用各种函数将两个或多个数组连接在一起以形成更大的数组。以下是一些示例
import numpy as np# 创建两个一维数组
a np.array([1, 2, 3])
b np.array([4, 5, 6])# 水平连接两个数组
c np.hstack((a, b))
print(c) # 输出 [1 2 3 4 5 6]# 垂直连接两个数组
d np.vstack((a, b))
print(d)
# 输出 [[1 2 3]
# [4 5 6]]# 深度连接两个数组
e np.dstack((a, b))
print(e)
# 输出 [[[1 4]
# [2 5]
# [3 6]]]# 创建两个二维数组
f np.array([[1, 2], [3, 4]])
g np.array([[5, 6], [7, 8]])# 水平连接两个数组
h np.hstack((f, g))
print(h)
# 输出 [[1 2 5 6]
# [3 4 7 8]]# 垂直连接两个数组
i np.vstack((f, g))
print(i)
# 输出 [[1 2]
# [3 4]
# [5 6]
# [7 8]]# 深度连接两个数组
j np.dstack((f, g))
print(j)
# 输出 [[[1 5]
# [2 6]]
# [[3 7]
# [4 8]]]在上面的示例中我们创建了一些数组并使用hstack()、vstack()和dstack()函数将它们连接在一起。这些函数可以将两个或多个数组沿着不同的维度连接起来例如在一维数组中进行水平连接在二维数组中进行水平、垂直和深度连接。这些函数可以帮助我们更方便地将不同的数组组合在一起并进行一些更复杂的操作和分析。
七、数据存取
NumPy提供了两个函数np.save()和np.load()用于将数组存储到磁盘文件中以及从磁盘文件中加载数组。
np.save(file, arr, allow_pickleTrue, fix_importsTrue)将数组存储到磁盘文件中。 file文件名字符串类型。arr要保存的数组。allow_pickle是否允许pickle序列化。默认为True。fix_imports如果为True则为Python 2和Python 3兼容性而导入pickle模块。默认为True。 np.load(file, mmap_modeNone, allow_pickleTrue, fix_importsTrue, encodingASCII)从磁盘文件中加载数组。 file文件名字符串类型。mmap_mode如果给定使用内存映射来加速读取大文件。默认为None。allow_pickle是否允许pickle序列化。默认为True。fix_imports如果为True则为Python 2和Python 3兼容性而导入pickle模块。默认为True。encoding如果数据文件是文本文件则指定文件的编码格式。默认为’ASCII’。
以下是一个简单的示例演示了如何使用np.save()和np.load()函数来保存和加载数组
import numpy as np# 创建一个数组
arr np.array([1, 2, 3, 4, 5])# 保存数组到文件
np.save(my_array.npy, arr)# 加载文件中的数组
loaded_array np.load(my_array.npy)# 打印加载的数组
print(loaded_array)在上面的示例中我们首先创建一个数组arr然后使用np.save()函数将它保存到文件my_array.npy中。接着我们使用np.load()函数从文件中加载数组并将其存储在loaded_array变量中。最后我们打印loaded_array以确认我们已经成功地加载了数组。注意文件名包含文件扩展名.npy。保存和加载多维数组的方法与此类似只是需要将数组作为参数传递给相应的函数。
八、数组形态变换
NumPy提供了一些方法可以用于改变数组的形状或者大小。下面是几个常用的方法并给出相应的示例 reshape()方法改变数组的形状不改变元素个数 import numpy as np# 创建一个3x4的数组
arr np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])# 将数组形状变为4x3
new_arr arr.reshape(4, 3)print(new_arr)array([[ 1, 2, 3],[ 4, 5, 6],[ 7, 8, 9],[10, 11, 12]])resize()方法改变数组的形状和大小 import numpy as np# 创建一个3x4的数组
arr np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])# 改变数组的形状和大小为4x5
arr.resize(4, 5)print(arr)array([[ 1, 2, 3, 4, 5],[ 6, 7, 8, 9, 10],[11, 12, 0, 0, 0],[ 0, 0, 0, 0, 0]])transpose()方法交换数组的维度 import numpy as np# 创建一个3x4的数组
arr np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])# 交换数组的维度
new_arr arr.transpose()print(new_arr)array([[ 1, 5, 9],[ 2, 6, 10],[ 3, 7, 11],[ 4, 8, 12]])flatten()方法将数组展开为一维数组 import numpy as np# 创建一个3x4的数组
arr np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])# 将数组展开为一维数组
new_arr arr.flatten()print(new_arr)array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])这些方法可以方便地对数组进行形态变换但需要注意的是有些方法会直接修改原始数组的形状而有些方法则会返回一个新的数组。在使用这些方法时需要根据具体的需求来选择合适的方法来实现。
九、数组排序与搜索
NumPy提供了一些方法可以对数组进行排序和搜索。下面是几个常用的方法并给出相应的示例 sort()方法对数组进行排序 import numpy as np# 创建一个随机数组
arr np.array([3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5])# 对数组进行排序
arr.sort()print(arr)array([1, 1, 2, 3, 3, 4, 5, 5, 5, 6, 9])argsort()方法返回数组排序后的索引值 import numpy as np# 创建一个随机数组
arr np.array([3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5])# 返回数组排序后的索引值
idx arr.argsort()print(idx)array([ 1, 3, 6, 0, 9, 2, 4, 8, 10, 7, 5])searchsorted()方法返回要插入元素的索引值 import numpy as np# 创建一个有序数组
arr np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])# 返回要插入元素的索引值
idx np.searchsorted(arr, 5)print(idx)4max()方法和min()方法返回数组中的最大值和最小值 import numpy as np# 创建一个随机数组
arr np.array([3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5])# 返回数组中的最大值和最小值
max_value arr.max()
min_value arr.min()print(max_value, min_value)9 1这些方法可以方便地对数组进行排序和搜索但需要注意的是排序方法会直接修改原始数组而搜索方法不会修改数组。在使用这些方法时需要根据具体的需求来选择合适的方法。
十、矩阵与线性代数运算
NumPy提供了强大的矩阵和线性代数运算功能下面介绍一些常用的运算方法并举例说明 创建矩阵 使用numpy.array()函数可以创建矩阵。 import numpy as np# 创建一个2x2的矩阵
matrix np.array([[1, 2], [3, 4]])print(matrix)array([[1, 2],[3, 4]])矩阵乘法 使用numpy.dot()函数可以进行矩阵乘法运算。 import numpy as np# 创建两个矩阵
matrix1 np.array([[1, 2], [3, 4]])
matrix2 np.array([[5, 6], [7, 8]])# 矩阵乘法
result np.dot(matrix1, matrix2)print(result)array([[19, 22],[43, 50]])矩阵的逆 使用numpy.linalg.inv()函数可以求矩阵的逆。 import numpy as np# 创建一个2x2的矩阵
matrix np.array([[1, 2], [3, 4]])# 求矩阵的逆
inv_matrix np.linalg.inv(matrix)print(inv_matrix)array([[-2. , 1. ],[ 1.5, -0.5]])矩阵的转置 使用numpy.transpose()函数可以求矩阵的转置。 import numpy as np# 创建一个2x3的矩阵
matrix np.array([[1, 2, 3], [4, 5, 6]])# 求矩阵的转置
transpose_matrix np.transpose(matrix)print(transpose_matrix)array([[1, 4],[2, 5],[3, 6]])矩阵的行列式 使用numpy.linalg.det()函数可以求矩阵的行列式。 import numpy as np# 创建一个2x2的矩阵
matrix np.array([[1, 2], [3, 4]])# 求矩阵的行列式
det_matrix np.linalg.det(matrix)print(det_matrix)-2.0求特征值和特征向量 使用numpy.linalg.eig()函数可以求解矩阵的特征值和特征向量。特征向量是在相应特征值下的非零向量。 import numpy as np# 创建一个3x3的矩阵
matrix np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 求解特征值和特征向量
eigenvalues, eigenvectors np.linalg.eig(matrix)print(特征值, eigenvalues)
print(特征向量, eigenvectors)特征值 [ 1.61168440e01 -1.11684397e00 -1.30367773e-15]
特征向量 [[-0.23197069 -0.78583024 0.40824829][ 0.52532209 -0.08675134 -0.81649658][-0.81867387 0.61232755 0.40824829]]奇异值分解 奇异值分解Singular Value DecompositionSVD是一种用于矩阵分解的方法。它将矩阵分解成三个矩阵的乘积即AUΣVTA U\Sigma V^TAUΣVT其中UUU和VVV是正交矩阵Σ\SigmaΣ是一个对角矩阵对角线上的元素称为奇异值。 使用numpy.linalg.svd()函数可以进行奇异值分解。 import numpy as np# 创建一个3x2的矩阵
matrix np.array([[1, 2], [3, 4], [5, 6]])# 进行奇异值分解
U, S, VT np.linalg.svd(matrix)print(U, U)
print(奇异值, S)
print(V转置, VT)U [[-0.2298477 -0.88346102 -0.40824829][-0.52474482 -0.24078249 0.81649658][-0.81964194 0.40189604 -0.40824829]]
奇异值 [9.52551809 0.51430058]
V转置 [[-0.61962948 -0.78489445][ 0.78489445 -0.61962948]]这些函数是NumPy中用于进行线性代数计算的一小部分。NumPy还提供了许多其他有用的线性代数函数例如求解线性方程组、计算矩阵的行列式和求逆等。这些函数使得使用NumPy可以更加方便地进行线性代数计算。
