[人工智能]python数据分析 Numpy库的常用操作

目录

1、numpy对象基础属性的查询

2、numpy的数组的常用操作

3、numpy常用数据操作方法

4、numpy里axis的理解

5、numpy里常用的线性代数计算

numpy库的引入：

import numpy as np

1、numpy对象基础属性的查询

lst = [[1, 2, 3], [4, 5, 6]]

def numpy_type():
    print(type(lst))
    data = np.array(lst, dtype=np.float64)  # array将数组转为numpy的数组

    # bool,int,int8,int16,int32,int64,int128,uint8,uint32,
    # uint64,uint128,float16/32/64,complex64/128

    print(type(data))  # 数据类型
    print(data.shape)  # 几行几列
    print(data.ndim)  # 空间维数
    print(data.dtype)  # 元素类型
    print(data.itemsize)  # 元素所占字节
    print(data.size)  # 元素总数

2、numpy的数组的常用操作

def numpy_array():
    # 输出2行4列的全0的numpy的array数组
    print(np.zeros([2, 4]))  # 一般用于数据初始化

    # 输出3行5列的全1的numpy的array数组
    print(np.ones([3, 5]))

    # 随机数
    print(np.random.rand(2, 4))  # 生成2行4列的随机数矩阵,此时默认元素大小在0到1
    print(np.random.rand())  # 打印一个随机数,此时默认元素大小在0到1
    print(np.random.rand(1, 10, 3))  # 三个参数分别对应x、y、z轴,表示三维矩阵

    # 与rand不同randint的三个参数表示范围[1,10)内的3个元素的一维数组
    print(np.random.randint(1, 10, 3))  

    print(np.random.randint(1, 10))  # randint必须传入参数范围，这表示返回一个范围内的随机数
    print(np.random.randn())  # 返回一个标准正态分布的随机数
    print(np.random.randn(2, 4))  # 返回2行4列符合标准正态发布的随机数
    print(np.random.choice([10, 2, 3, 1, 5, 6]))  # 从可迭代数组中随机返回一个
    print(np.random.beta(1, 10, 100))  # 随机生成[1,10]里符合beta发布的100元素的一维数组

    lst1 = np.array([10, 20, 30, 40])
    lst2 = np.array([4, 3, 2, 1])
    # 直接操作
    print(lst2 + lst1)
    print(lst2 - lst1)
    print(lst2 / lst1)
    print(lst2 * lst1)
    print(lst2 ** lst1)  # 平方

    # 点乘
    print(np.dot(lst1.reshape([2, 2]), lst2.reshape([2, 2])))

    # 追加
    print(np.concatenate((lst2, lst1), axis=0))  # 0水平追加,1竖向追加
    print(np.vstack((lst2, lst1)))  # 竖向追加
    print(np.hstack((lst2, lst1)))  # 水平追加

    # 分裂
    print(np.split(lst2, 2))  # 分成2份

    # 拷贝
    print(np.copy(lst2))

3、numpy常用数据操作方法

def numpy_handle():
    print(np.arange(1, 11))  # 生成[1,11)里的整数的一维数组,默认按1递增
    print(np.arange(1, 11).reshape([2, 5]))  # reshape方法可以将矩阵重构为x行y列的矩阵
    print(np.arange(1, 11).reshape([2, -1]))  # 也可以使用缺失值-1实现相同的效果
    data = np.arange(1, 11).reshape([2, -1])
    print(np.exp(data))  # 自然指数e的指数操作
    print(np.exp2(data))  # 自然指数e的平方操作
    print(np.sqrt(data))  # 开方操作
    print(np.sin(data))  # 三角函数
    print(np.log(data))  # 对数操作
    print(data.max())  # 最大值
    print(data.min())  # 最小值

4、numpy里axis的理解

def numpy_axis():
    data = np.array([
        [[1, 2, 3, 4],
         [5, 6, 7, 8]],
        [[9, 10, 11, 12],
         [13, 14, 15, 16]],
        [[17, 18, 19, 20],
         [20, 21, 22, 23]]
    ])
    # axis从外而内的渗入，值越大渗透入层数越多，最大为n-1
    # axis=0,表示从外而内n+1层，即1进行解析
    print(data.sum(axis=2))  # 求和  #这里渗入了3层
    print(data.max(axis=1))  # 获取最大值
    print(data.min(axis=0))  # 获取最小值

5、numpy里常用的线性代数计算

这里记得引入依赖：

from numpy.linalg import *  # 引入线性方程组的依赖

def numpy_line():
    from numpy.linalg import *  # 引入线性方程组的依赖
    print(np.eye(3))  # 阶级为3的单位矩阵
    lst3 = np.array([[1, 2],
                     [3, 4]])
    print(inv(lst3))  # 逆矩阵
    print(lst3.transpose())  # 转置矩阵
    print(det(lst3))  # 行列式
    print(eig(lst3))  # 体征值和体征向量，第一个表示体征值，第二个表示体征向量
    y = np.array([[5.], [7.]])
    print(solve(lst3, y))  # 求解线性矩阵方程

了解更多参考官方手册：NumPy 参考手册 | NumPy 中文