前言
python中的list可以存放多种元素,造成了维护成本高,遍历速度慢,所以采用使用底层语言写的numpy,提高了速度。
第一部分ndarry
import numpy as np
lis = [[1,2],[1,3]]
print type(lis)
#<type 'list'>
np_lis1 = np.array(lis)
np_lis2 = np.array(lis,dtype=np.float)
print type(np_lis1)
print type(np_lis2)
#<type 'numpy.ndarray'>
#<type 'numpy.ndarray'>
print np_lis1.shape # 形状 : 几行几列:(2L, 2L)
print np_lis1.ndim # 维度 : 2
print np_lis1.dtype # 类型 : int32
print np_lis2.dtype # 类型 : float64
print np_lis1.itemsize # 每个元素大小 : 4字节
print np_lis1.size # 大小 : 一共有多少元素 4个,注意不是两个。
np只允许有一种数据类型,如bool, int8/16/32/64, float16/32/64,complex复数 等等,正因为如此,则需要限定其元素类型
使用
np_lis = np.array(lis,dtype=np.float)
注意:dtype的类型 需要加np
np.array 中的特殊属性
np.shape # 形状 : 几行几列
np.ndim # 维度
np.dtype # 类型
np.itemsize # 每个元素大小字节
np.size # 大小 : 一共包含所有的元素个数
第二部分 常用Array
import numpy as np
np.zeros([2,4])
# 2行4列的0矩阵
np.ones([3,5])
# 3行5列的单位矩阵
np.random.rand(2,4)
# 2行4列的随机数(均匀分布)
np.random.rand()
# 一个随机数 : 0.18846516
np.random.randint(1,10,2)
# 随机整数 low high size : [9 3]
np.random.randn(2,4)
# 标准正态分布
np.random.choice([10,20,30])
# 选择指定数组的随机数 : 10
np.random.beta(1,10,5)
#B分布 1-10 生成5 low high size
第三部分 Array 的常用操作
numpy是可以的改变的
import numpy as np
print np.arange(1,11)
# 等差数列 ,1到10
print np.arange(1,11).reshape(2,5)
# reshape 修改数组维度
print np.arange(1,11).reshape(2,-1)
# 其中5可以缺省为负数
print "---------------------"
lis = np.arange(1,11).reshape(2,-1)
print np.exp(lis) # 自然指数
print np.exp2(lis) # 自然指数的平方
print np.sqrt(lis) # 开方
print np.sin(lis)
print np.cos(lis)
print np.log(lis) # 对数
输出结果
np.arange(1,11)
np.arange(1,11).reshape(2,5)
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
np.arange(1,11).reshape(2,-1)
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
函数操作
import numpy as np
lis = np.array([[[1,2,3,4],[4,5,6,7]],
[[7,8,9,10],[10,11,12,13]],
[[14,15,16,17],[18,19,20,21]]
])
print lis.sum() #252 所有的元素的求和
# 可以通过维度进行求和,从0开始,深度从浅到深
print lis.sum(axis=0)
# 深度最浅,则认为是三个元素,每个元素对应位置相加,计算深度为最外层
# [[22 25 28 31],[32 35 38 41]]
print lis.sum(axis=1)
# 深度为1 ,则进入每个元素中,在每个元素的对应位置相加,计算深度为每个元素层
#[[ 5 7 9 11],[17 19 21 23],[32 34 36 38]]
print lis.sum(axis=2)
# 深度为2, 则进入每个元素中的小元素,对每个小元素求和,计算深度为每个元素内的元素层
#[[10 22],[34 46],[62 78]]
# 类似的有相似的函数
lis.max(axis=)
lis.min(axis=)
两个array的操作
import numpy as np
lis1 = np.array([10,20,30,40])
lis2 = np.array([4,3,2,1])
print lis1+lis2 # [14 23 32 41]
print lis1-lis2 # [ 6 17 28 39]
print lis1*lis2 # [40 60 60 40]
print lis1/lis2 # [ 2 6 15 40]
# 平方
print lis1**2 # [ 100 400 900 1600]
# 点乘
print np.dot(lis1.reshape([2,2]),lis2.reshape([2,2]))
# [[ 80 50]
# [200 130]]
# 追加
print np.concatenate((lis1,lis2),axis=0)
#np.concatenate(a_tuple=,axis=)
#[10 20 30 40 4 3 2 1]
# 追加成两行
print np.vstack((lis1,lis2))
# [[10 20 30 40]
# [ 4 3 2 1]]
# 追加成一行
print np.hstack((lis1,lis2))
# [10 20 30 40 4 3 2 1]
print "---------------------------"
ls1 = [10,20,30,40]
ls2 = [4,3,2,1]
print ls1+ls2 #追加
# [10, 20, 30, 40, 4, 3, 2, 1]
# 区别就是 这是个list 有逗号
第四部分 矩阵操作和线性方程组
import numpy as np
from numpy.linalg import *
# numpy.linalg模块包含线性代数的函数。使用这个模块,
# 可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。
# 生成单位矩阵
lst = np.eye(3)
print lst
# [[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]
lis = np.array([[1.,2.],[3.,4.]])
print '矩阵的逆:'
print inv(lis)
print '矩阵的转置:'
print lis.transpose()
print '行列式:'
print det(lis)
print '特征值和特征向量:'
print eig(lis) # 结果第一个array是特征值第二array是特征向量
print '解方程组:'
y = np.array([[5.],[7.]])
print solve(lis,y)
输出结果:
单位矩阵 np.eye()
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
矩阵的逆: inv(lis)
[[-2. 1. ]
[ 1.5 -0.5]]
矩阵的转置:lis.transpose
[[ 1. 3.]
[ 2. 4.]]
行列式:det(lis)
-2.0
特征值和特征向量: eig(lis)
(array([-0.37228132, 5.37228132]), array([[-0.82456484, -0.41597356],
[ 0.56576746, -0.90937671]]))
解方程组:solve(a,b)
[[-3.]
[ 4.]]