Numpy库常用函数大全：快速上手与实践指南
Numpy库是Python中最常用的数据处理库之一，它凭借着其高效、便捷的操作方式广受数据分析人员的喜爱。在Numpy库中，有许多常用的函数可以帮助我们快速、高效地完成数据处理任务。本篇文章将介绍一些常用的Numpy函数，并提供代码示例和实际应用场景，让读者能够更快地上手Numpy库。
一、创建数组
- numpy.array
函数原型：numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
功能描述：将列表等对象转化为数组。
代码实例：
import numpy as np
a = np.array([1, 2, 3])
print(a) # 输出 [1 2 3]- numpy.zeros
函数原型：numpy.zeros(shape, dtype=float, order='C')
功能描述：创建指定形状的全零数组。
代码实例：
import numpy as np
a = np.zeros((2, 3))
print(a) # 输出 [[0. 0. 0.]
# [0. 0. 0.]]- numpy.ones
函数原型：numpy.ones(shape, dtype=None, order='C')
功能描述：创建指定形状的全一数组。
代码实例：
import numpy as np
a = np.ones((2, 3))
print(a) # 输出 [[1. 1. 1.]
# [1. 1. 1.]]- numpy.arange
函数原型：numpy.arange(start, stop, step, dtype=None)
功能描述：创建等差数列数组。
代码实例：
import numpy as np
a = np.arange(0, 10, 2)
print(a) # 输出 [0 2 4 6 8]二、数组的操作
- numpy.reshape
函数原型：numpy.reshape(a, newshape, order='C')
功能描述：将数组a转换为指定形状的新数组。
代码实例：
import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])
b = a.reshape((2, 3))
print(b) # 输出 [[1 2 3]
# [4 5 6]]- numpy.transpose
函数原型：numpy.transpose(a, axes=None)
功能描述：对数组进行转置操作。
代码实例：
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.transpose(a)
print(b) # 输出 [[1 4]
# [2 5]
# [3 6]]- numpy.concatenate
函数原型：numpy.concatenate((a1, a2, ...), axis=0)
功能描述：对数组进行拼接操作。
代码实例：
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=0)
print(c) # 输出 [[1 2]
# [3 4]
# [5 6]
# [7 8]]三、数组的计算
- numpy.abs
函数原型：numpy.abs(x, args, *kwargs)
功能描述：计算数组中各元素的绝对值。
代码实例：
import numpy as np
a = np.array([-1, 2, -3])
b = np.abs(a)
print(b) # 输出 [1 2 3]- numpy.round
函数原型：numpy.round(a, decimals=0, out=None)
功能描述：对数组中的元素进行四舍五入。
代码实例：
import numpy as np
a = np.array([1.3, 2.6, 3.2])
b = np.round(a)
print(b) # 输出 [1. 3. 3.]- numpy.sum
函数原型：numpy.sum(a, axis=None)
功能描述：计算数组中各元素之和。
代码实例：
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.sum(a, axis=0)
print(b) # 输出 [4 6]四、常用数学函数
- numpy.exp
函数原型：numpy.exp(x, args, *kwargs)
功能描述：计算数组中各元素的指数函数值。
代码实例：
import numpy as np
a = np.array([1, 2, 3])
b = np.exp(a)
print(b) # 输出 [ 2.71828183 7.3890561 20.08553692]- numpy.log
函数原型：numpy.log(x, args, *kwargs)
功能描述：计算数组中各元素的自然对数。
代码实例：
import numpy as np
a = np.array([1, 2, 3])
b = np.log(a)
print(b) # 输出 [0. 0.69314718 1.09861229]- numpy.sqrt
函数原型：numpy.sqrt(x, args, *kwargs)
功能描述：计算数组中各元素的平方根。
代码实例：
import numpy as np
a = np.array([1, 4, 9])
b = np.sqrt(a)
print(b) # 输出 [1. 2. 3.]五、实际应用场景
- 模拟多项式函数
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-5, 5, num=50)
y = np.power(x, 3) - 3 * np.power(x, 2) + 2 * x + 1
plt.plot(x, y)
plt.show()- 数组加权求和
import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([0.1, 0.2, 0.3, 0.4])
result = np.sum(a * b)
print(result) # 输出 2.0- 对数组进行排序
import numpy as np
a = np.array([3, 2, 1, 4])
b = np.sort(a)
print(b) # 输出 [1 2 3 4]总结：
本篇文章介绍了Numpy库的一些常用函数和应用场景，包括数组的创建、操作、计算，以及一些数学函数。我们可以根据实际应用场景灵活使用这些函数，让数据处理更加高效便捷。建议读者自己动手编写代码实践一下，加深对Numpy库的理解和掌握。
以上就是Numpy库常用函数大全：快速上手与实践指南的详细内容，更多请关注编程网其它相关文章！
免责声明：
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的，并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据，供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
