? 博客主页：小小马车夫的主页
? 所属专栏：Python学习记录
前言
numpy是python中一个科学计算的库，由于底层是C语言实现，极大提高运算性能，本文主要对numpy数组作一个系统介绍，以供自己和一些初学者参考和复习。
一、numpy数组创建
1、numpy.array创建数组
numpy.array可以创建一维、二维甚至任意维数据。
>>> a = np.array([
... [1, 2, 3],
... [4, 5, 6],
... [7, 8, 9]
... ])
>>> a.shape
(3, 3)
>>> a
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
2、从已有数组中创建数组
numpy.asarray可以从已有数组创建数组。
>>> b = np.asarray(a, dtype=np.float32)
>>> b.shape
(3, 3)
>>> b.dtype
dtype('float32')
>>> b
array([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]], dtype=float32)
二、numpy创建数组初始化
1、numpy.zero
np.zeros((3,2))
array([[0., 0.],
[0., 0.],
[0., 0.]])
(3,2)代表一个三行二列的数组
2、numpy.ones
np.ones((2, 4))
array([[1., 1., 1., 1.],
[1., 1., 1., 1.]])
3、numpy.arange
numpy.arange创建某一范围内的数组。
np.arange(3, 7)
array([3, 4, 5, 6])
4、numpy.linspace
numpy.linspace返回两个参数区间范围内等间距的数。
np.linspace(0, 1, 5)
array([0. , 0.25, 0.5 , 0.75, 1. ])
5、numpy.random
numpy.random生成一个随机的数组。
np.random.rand(2, 4)
array([[0.74471957, 0.00958814, 0.03729488, 0.41100284],
[0.74790347, 0.256831 , 0.48457024, 0.39946753]])
三、numpy类型转换和形状改变
1、数据类型转换
#a.dtype 默认数据类型是float64
>>> a = np.zeros((3,2))
>>> a.dtype
dtype('float64')
#初始化时指定数据类型
>>> a = np.zeros((3,2), dtype=np.int32)
>>> a.dtype
dtype('int32')
#转换数据类型
b = a.astype(int)
>>> b = a.astype(int)
>>> b.dtype
dtype('int64')
2、形状改变
>>> a = np.arange(20)
>>> a
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19])
>>> a.shape
(20,)
>>> a.reshape(4, 5)
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
四、numpy数组获取元素
1、获取一个元素
a = np.array([[1, 2, 3],
[4, 5, 6]])
a[0, 1]
2
2、获取一行
代码承接四.1
>>> a[0,:]
array([1, 2, 3])
>>> a[0]
array([1, 2, 3])
3、获取一列
>>> a[:,0]
array([1, 4])
五、numpy数组基本运算
1、四则运算
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
>>> a + b
array([5, 7, 9])
>>> a / b
array([0.25, 0.4 , 0.5 ])
2、点乘运算dot
>>> np.dot(a, b)
32
3、矩阵乘法@ matmul
a = np.array([[1,2],[3, 4]])
b = np.array([[2, 0], [0, 2]])
>>> a @ b
array([[2, 4],
[6, 8]])
@符等同于numpy.matnul
4、求平方根
a = np.array([1, 2, 3])
>>> np.sqrt(a)
array([1. , 1.41421356, 1.73205081])
5、三角函数
a = np.array([1, 2, 3])
np.sin(a)
np.cos(a)
>>> np.sin(a)
array([0.84147098, 0.90929743, 0.14112001])
>>> np.cos(a)
array([ 0.54030231, -0.41614684, -0.9899925 ])
6、对数和指数运算
a = np.array([1, 2, 3])
>>> np.log(a)
array([0. , 0.69314718, 1.09861229])
>>> np.power(a, 2)
array([1, 4, 9])
7、与一个数作运算 （广播）
>>> a * 5
array([ 5, 10, 15])
8、不同尺寸的数组也可以直接作运算 (广播)
a = np.array([[1],
[10],
[20]
])
b = np.array([0, 1, 2])
>>> a + b
array([[ 1, 2, 3],
[10, 11, 12],
[20, 21, 22]])
在做运算之前，numpy会将这两个数组扩展至相同的尺寸，然后再将同位置的元素相加
9、求数组最大值、最小值
>>> a = np.array([1, 2, 3, 4, 5])
>>> a.min()
1
>>> a.max()
5
>>>
10、求数组最小值、最大值元素所在的索引
>>> a = np.array([1, 2, 3, 4, 5])
>>> a.argmin()
0
>>> a.argmax()
4
>>>
11、求和、平均数、方差、标准差
a = np.array([1, 2, 3, 4, 5])
>>> a.sum()
15
>>> a.mean()
3.0
>>> a.var()
2.0
>>> a.std()
1.4142135623730951
12、指定维度
大多数操作都可以指定维度，具体如下：
a = np.array([[1, 2, 3, 4, 5],
[5, 6, 7, 8, 9]])
>>> a.sum(axis=0)
array([ 6, 8, 10, 12, 14])
>>> a.sum(axis=1)
array([15, 35])
>>> a.sum()
50
>>>
总结
以上是本文的主要内容了，主要从numpy数组创建、初始化、获取形状和改变形状、获取元素，最后详细介绍了numpy支持的各种基本运算。
如果觉得有些帮助或觉得文章还不错，请关注一下博主，你的关注是我持续写作的动力。另外，如果有什么问题，可以在评论区留言，或者私信博主，博主看到后会第一时间进行回复。
【间歇性的努力和蒙混过日子，都是对之前努力的清零】
欢迎转载，转载请注明出处：https://blog.csdn.net/xxm524/article/details/128255891