オリジナル：https://blog.csdn.net/fu6543210/article/details/83240024
なぜ使用numpyの
Pythonは配列のように使用することができる容器のリストを提供します。しかし、リスト要素は、任意のオブジェクトとすることができるので、リストは単純なリスト[1,2,3]を保持するために、ように、オブジェクトへのポインタに格納されています。これは3つのポインタと整数3つのオブジェクトが必要です。数値計算のために、このような構造は明らかに十分に効率的ではありません。
Pythonがモジュールのアレイを提供するが、唯一の一次元アレイをサポートしていますが、それは多次元（理解される傾向があるTensorFlowマトリックス中）配列、また各種の演算機能をサポートしていません。そして、適当な数値計算ではありません。
numpyのは、これらの欠点を補うために現れました。
（ - 「Pythonの科学計算」から取らCHEMICAL）
NPとしてnumpyのインポート
アレイの作成
##従来の作成方法
A = np.array（[2,3,4]）
B = np.array（[2.0,3.0,4.0]）
C = np.array（[1.0,2.0]、[3.0,4.0 ]]）
D = np.array（[1,2]、[3,4]、DTYPE =コンプレックス）を指定データ型＃1
印刷A、a.dtypeの
印刷B、b.dtypeの
プリントC、c.dtypeの
印刷D、d.dtype
[2 3 4] INT32
[2. 3. 4]のfloat64
[1 2]
[3。4]のfloat64
[[1 + 2 + 0.j 0.j]
[3 + 0 .J 4 + 0.j]] complex128
共通機能アレイ
プリントnp.arange（0,7,1、DTYPE = np.int16 ）＃0 を起点として、間隔が1がデフォルト（既定が曖昧によって引き起こされていない）であってもよいで
印刷np.ones（（2,3- 、4）、DTYPE = np.int16） ＃2 ページ、3行目、4、全体、データ型指定
印刷np.zeros（（2,3,4））＃ 2 ページ、3行目、4、全体を0
印刷np.empty（（2,3））＃の値はメモリに依存する
印刷np.arange（0,10,2）10を超えない始点として＃0、2のステップサイズ
印刷np.linspace（-1,2 5点取る5）-1＃始点、終点2、
ランダム整数印刷np.random.randint（0,3、（2,3） ）＃ 0よりも未満3,2行3列
[0 1 2 3 4 5 6]
[[[1 1 1 1]
、[1 1 1 1]
、[1 1 1 1]
[1 1 1 1]
、[1 1 1 1]
、[1 1 1 1]]]
[[[0 0 0 0]
[0 0 0 0]
[0 0 0。 0]
[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]]
[[1.39069238e-309 1.39069238e-309 1.39069238e-309]
[1.39069238 309-1.39069238e E-309 1.39069238e-309]
[0 2 4 6 8]
[-1。-0.25夜12時51分25秒2]
[1 0 1]
[0 1 0]
型変換は、
フロート（1）印刷
印刷INT（1.0）
プリントBOOLを（2）
フロート（true）を印刷
1.0
1
真
1.0
アレイ出力
上から下へ、左から右に
マトリックス・リストに3次元配列を印刷行、印刷の2次元マトリクスアレイを印刷するために一次元アレイ
np.arangeプリント（1,6,2）
印刷np.arange .reshape（3,4-）＃形状が出力変更することができる（12）と
、印刷np.arange（24）.reshape（2,3,4 ）＃2 、ページをライン3、4
[1 3 5]
[0 1 2 3]
[4 5 6 7]
[8 9 10 11]
[[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]
[12 13 14 15]
、[16 17 18 19]
[20 21 22 23]]]
基本的な操作
ステージ演算素子##
A = np.array（[1,2,3,4]）
B = np.arange（4）
印刷A、B
プリントAB＆
印刷* Bは
印刷A ** 2
プリント2 * np.sin （A）
プリントA> 2
印刷np.exp（A）インデックス＃
[1 2 3 4] [0 1 2 3]
[1 1 1 1]
[0 2 6 12]
[1 4 9 16]
[1.68294197 1.81859485 0.28224002 -1.51360499]
[FALSE FALSE TRUE TRUE]
[2.71828183 7.3890561 20.08553692 54.59815003]
##行列演算（二次元アレイ）
A = np.array（[1,2]、[3,4]）＃2行2
B = np.arange（6）.reshape（ （2、-1 ））＃2行3
を印刷A、Bの
印刷a.dot（B）行3列＃2
[1 2]
[3 4] [0 1 2]
[3 4 5]
[6 9 12]
[12 19 26]
##アレイのオペレータではなく、メソッドを呼び出す
np.random.randint =（0,5、（2,3））
プリント
）（印刷a.sumを、a.sum（軸= 1）、a.sum（0） ＃軸は、操作軸を指定（デフォルトすべてを、または0.1を指定することができる）
印刷a.min（）、a.max（軸= 1）、a.mean＃軸= 0（軸= 1）：カラムによって算出列を、軸= 1：計算行
印刷a.cumsum（1）＃行と累積を算出します
[2 3 3]
[0 2 1]
11 [8 3] [2 5 4]
0 [3 2] [2.66666667 1]
[2 5 8]
[0 2 3]
インデックス、スライス、反復
##一次元アレイ
np.arange =（0,10,1）** 2
印刷
印刷A [0]、A [2]、Aは[-1]、Aは、[-2]＃インデックスは、0から始まります-1最後のインデックスである
[5 2]、印刷 [-5：-1]＃ 起点を含む、エンドポイントが含まれていない
[-1] = 100;印刷 ＃ 割り当てを
[1：4] = 100 。 割り当てられた一括プリント＃
= [2：6] ＃印刷、-100 第インデックスに最初から割り当てられたが、すべての要素（ステップ2 =）
印刷＃; :: -1]を印刷逆の出力、それ自体変化
[np.sqrt（np.abs（I B = Iにおいてため））];＃bを印刷トラバースすることによって割り当て
[0 1 4 9 16 25 36 49 64 81]
0 4 81 64
[4 9 16] [25 36 49 64]
[0 1 4 9 16 25 36 49 64 100]
[0 100 100 100 16 25 36 49 64 100 ]
[-100 100 -100 100 -100 25 36 49 64 100]
[100 64 49 36 25 -100 100 -100 100 -100]
[-100 100 -100 100 -100 25 36 49 64 100]
[10.0、10.0 、10.0、10.0、10.0、5.0、6.0、7.0、8.0、10.0]
多次元アレイ##
A = np.arange（0,20）.reshape（（4,5））
を印刷A、A [2,3]、A [：1]、[1：4,2]、A ：[13]
プリント[-1]＃は、に対応する場合[-1：]、すなわち、軸の数が指数未満で、インデックスは、スライス全体デフォルトありません
np.arange = B（0,24）.reshape（（2,3,4））
プリントB、B＃はbに相当する[1] [1：、：] [1、...]とBの
印刷' -------------------「
行のために：
印刷行番号が第一の軸にトラバースベース
[0 1 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19] 13 [1 6 11 16] [7 12 17] [[5 6 7 8 9]
[10 11 12 13 14]
、[15 16 17 18 19]
[[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]
[12 13 14 15]
、[16 17 18 19]
[20 21 22 23]]]
[12 13 14 15]
、[16 17 18 19]
[20 21 22 23]
-------------------
[0 1 2 3 4]
[5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
運転形状
np.floor =（10 *のnp.random.random（（3,4-）））
、形状a.shape＃出力印刷
自体は変わりません（ポスト（）＃出力平坦化a.ravel印刷を）
a.shape =（6,2）の形状変化印刷＃
転置印刷a.transposeを（）＃出力
[0 4 3 2]
[1 1 3 3]
[4。4. 6. 5]（3、4）
[0 4. 3. 2. 1. 1。 3. 3. 4. 4. 6 5]
[0 4]
[3 2]
[1 1]
[3 3]
[4。4]
[6。5] ]
[0 3. 1. 3. 4. 6]
[4。2. 1. 3. 4. 5.]
##補足：再形成およびリサイズ
A = np.array（[1,2,3]、[4,5,6]]）
B =
a.reshape（（3,2））アレイ自体＃を変更しません形状
印刷
b.resizeを（（3,2））＃アレイ自体は、形状変化
プリントBを
[1 2 3]
[4 5 6]
[1 2]
[3 4]
[5,6]
---------------------
numpyのモジュールでは、我々は多くの場合、特定の使用では、リサイズを使用し、再構築は通常、アレイサイズのリサイズを変更するために使用され、配列のサイズを大きくするために使用し再形成。
1.resize
誰かが他の人のブログは、言った1が直接変更するために、元のデータには戻り値ではありません、2つの方法で使用、サイズ変更、サイズ変更使用方法に応じて、実際には、戻り値のサイズを変更していない見て前に、使い方がされています値を返し、それは元の配列の値を変更しないであろう。
1.1は、戻り値を持つ、元のデータは変更されません。
NPとしてnumpyのインポート
X = np.array（[1,2,3,4]、
[5,6,7,8]、
[9,10,11,12]]）
X_new = np.resize（X、 （3,3））＃が変化しない元のXの
印刷（ "X：\ n"は、X）#original X
プリント（ "X_new：の\ n"、X_new）＃新しいX
>>
X：
[1 2 3 4]
[5 6 7 8]
[9 10 11 12]
X_new：
[1 2 3]
[4 5 6]
[7 8 9]
1.2戻り値、直接配列の元のサイズを変更しません
NPとしてインポートnumpyの
X = np.array（[1,2,3,4]、
[5,6,7,8]、
[9,10,11,12]]）
X_2 = X.resize（（3 、3））の元Xを#change、および値の返しません
印刷（ "X：\ n"を、X）＃変更元Xの
印刷（ "X_2：\ nを"、X_2）＃リターンなし
：X
[[ 1 2 3]
[4 5 6]
[7 8 9]
X_2：
なし
2.reshape
の形状を変更せずに、新たなデータの配列に
NPとしてインポートnumpyの
X = np.array（[1,2,3,4,5,6,7,8]）
X_2 = X.reshape（（2,4））2×4 2次元のアレイ#retuen
2 * 2 * 2 3次元のアレイretuen X_3 = X.reshape（（2,2,2））＃
プリント（ "X：\ n"は、X）
の印刷（ "X_2：\ n"は、X_2）
プリント（ "X_3：の\ n"、X_3）
>>
X：
[1 2 3 4 5 6 7 8]
X_2：
[1 2 3 4]
[5 6 7 8]
X_3：
[[[1 2]
[3 4 ]
[5,6]
、[7~8]]]
---------------------
著者：インクXiaobai
---------------------
著者：furuit
ソース：CSDNの
元ます。https：//blog.csdn.net/fu6543210/article/details/83240024
著作権：この記事はブロガーのオリジナルの記事、再現され、ボーエンのリンクを添付してください！