怎么使用NumPy进行数组数据处理

本篇内容主要讲解“怎么使用NumPy进行数组数据处理”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“怎么使用NumPy进行数组数据处理”吧!

介绍

NumPy是Python中用于数值计算的核心包之一，它提供了大量的高效数组操作函数和数学函数。它支持多维数组和矩阵运算，并且可以集成C/C++和Fortran的代码，因此可以非常高效地处理大量数据。以下是NumPy的一些主要功能和用途：

多维数组：NumPy的核心是ndarray（N维数组）对象，可以用来存储同类型的元素。这些数组可以是一维、二维或更高维度。它们提供了方便的数组索引和切片，以及许多基本操作和计算（如加、减、乘、除、取幂等）。

数组操作：NumPy提供了大量的数组操作函数，包括数学函数（如三角函数、指数函数、对数函数等）、逻辑函数（如布尔运算、比较运算、逻辑运算等）、排序函数、统计函数等。

矩阵操作：NumPy提供了矩阵操作函数，如矩阵加、减、乘、转置、求逆等，可以方便地进行线性代数计算。

随机数生成：NumPy可以生成各种随机数，如正态分布、均匀分布、泊松分布、贝努利分布等，以及随机排列和随机选择等。

文件IO：NumPy可以读写各种文件格式，包括文本文件、二进制文件和matlab文件等，以便于数据的存储和传输。

与其他Python库的整合：NumPy可以方便地与其他Python库（如Pandas、SciPy、matplotlib等）整合使用，以进行数据分析、科学计算和可视化等。

import numpy as np

Ndarray

1.ndarray的操作

将列表数据生成array()

a = np.array([1,2,3,4,5])

确认数据类型

print(a.dtype)  # int32

如果将浮点数代入整数型数组里，数据自动变为整数型（小数点以下自动舍掉）

a[1] = -3.6print(a)  # [1 -3 3 4 5]

变换数据类型

a2 = a.astype(np.float32)print(a2, a2.dtype)  # [1. -3. 3. 4. 5.] float32

二维数组

b = np.array([[1, 2, 3],              [3.2, 5.3, 6.6]])print('b=', b)  # b= [[1.  2.  3. ][3.2 5.3 6.6]]print('b[1,2]=', b[1,2])  # b[1,2] = 6.6

2.ndarray的参数

• ndarry.ndim         数组的维数

• ndarry.shape       数组的行列数

• ndarry.size          元素的个数

• ndarry.dtype        数据的类别

print('ndim =', a.ndim, b.ndim)print('shape =', a.shape, b.shape)print('size =', a.size, b.size)print('dtype =', a.dtype, b.dtype) # ndim = 1 2# shape = (5,) (2, 3)# size = 5 6# dtype = float32 float64

reshape进行数组重组（元素数不变）

print(b.reshape(6)) # 转为1维数组 [ 1.   2.  -1.1  3.2  5.3  6.6]print(b.reshape(3,2)) # 转为3行2列数组 [[ 1.   2. ][-1.1  3.2][ 5.3  6.6]]print(b.T) # 矩阵的转置 [[ 1.   3.2][ 2.   5.3][-1.1  6.6]]

矩阵的计算

矩阵与数值的四则运算时，各个值都进行运算

print(b+2)  #[[3.  4.  0.9][5.2 7.3 8.6]]print(b-2)  #[[-1.   0.  -3.1][ 1.2  3.3  4.6]]print(b*2)  #[[ 2.   4.  -2.2][ 6.4 10.6 13.2]]print(b/2)  #[[ 0.5   1.   -0.55][ 1.6   2.65  3.3 ]]print(b**3) #3次幂 [[  1.      8.     -1.331][ 32.768 148.877 287.496]]print(b//1) #用这种方法舍掉小数 [[ 1.  2. -2.][ 3.  5.  6.]]

同维度矩阵计算时，相同位置的值进行运算（矩阵维度不同时报错）

c = b/2print(b+c)  # [[ 1.5   3.   -1.65][ 4.8   7.95  9.9 ]]print(b-c)  # [[ 0.5   1.   -0.55][ 1.6   2.65  3.3 ]]print(b*c)  # [[ 0.5    2.     0.605][ 5.12  14.045 21.78 ]]print(b/c)  # [[2. 2. 2.][2. 2. 2.]]

行列の積は「@」

a行b列×b行c列＝a行c列の行列

A = np.arange(6).reshape(3,2)B = np.arange(8).reshape(2,4)print(A)  #[[0 1][2 3][4 5]]print(B)  #[[0 1 2 3][4 5 6 7]]print(A@B)  #[[ 4  5  6  7][12 17 22 27][20 29 38 47]]

矩阵的生成

1维矩阵的生成（初始值，终止值，条件）

• arange 条件为指定步长，总数自动决定，不包括终止值

• linspace 条件为总数，步长自动决定，包括终止值

np.arange(0,10,0.1)# array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. , 1.1, 1.2,#      1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5,#      2.6, 2.7, 2.8, 2.9, 3. , 3.1, 3.2, 3.3, 3.4, 3.5, 3.6, 3.7, 3.8,#      3.9, 4. , 4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1,#      5.2, 5.3, 5.4, 5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4,#      6.5, 6.6, 6.7, 6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.5, 7.6, 7.7,#      7.8, 7.9, 8. , 8.1, 8.2, 8.3, 8.4, 8.5, 8.6, 8.7, 8.8, 8.9, 9. ,#      9.1, 9.2, 9.3, 9.4, 9.5, 9.6, 9.7, 9.8, 9.9]) np.linspace(0,10,100)# array([ 0. ,  0.1,  0.2,  0.3,  0.4,  0.5,  0.6,  0.7,  0.8,  0.9,  1. ,#       1.1,  1.2,  1.3,  1.4,  1.5,  1.6,  1.7,  1.8,  1.9,  2. ,  2.1,#       2.2,  2.3,  2.4,  2.5,  2.6,  2.7,  2.8,  2.9,  3. ,  3.1,  3.2,#       3.3,  3.4,  3.5,  3.6,  3.7,  3.8,  3.9,  4. ,  4.1,  4.2,  4.3,#       4.4,  4.5,  4.6,  4.7,  4.8,  4.9,  5. ,  5.1,  5.2,  5.3,  5.4,#       5.5,  5.6,  5.7,  5.8,  5.9,  6. ,  6.1,  6.2,  6.3,  6.4,  6.5,#       6.6,  6.7,  6.8,  6.9,  7. ,  7.1,  7.2,  7.3,  7.4,  7.5,  7.6,#       7.7,  7.8,  7.9,  8. ,  8.1,  8.2,  8.3,  8.4,  8.5,  8.6,  8.7,#       8.8,  8.9,  9. ,  9.1,  9.2,  9.3,  9.4,  9.5,  9.6,  9.7,  9.8,#       9.9, 10. ])

多维矩阵

np.zeros((3,2))  #array([[0., 0.],#      [0., 0.],#      [0., 0.]]) np.ones((5,2,3), dtype=np.int16) # array([[[1, 1, 1],#         [1, 1, 1]],##        [[1, 1, 1],#         [1, 1, 1]],##        [[1, 1, 1],#         [1, 1, 1]],##        [[1, 1, 1],#         [1, 1, 1]],##        [[1, 1, 1],#         [1, 1, 1]]], dtype=int16) print(np.ones((5,2,2))*128) [[[128. 128.]#   [128. 128.]]# #  [[128. 128.]#   [128. 128.]]# #  [[128. 128.]#   [128. 128.]]# #  [[128. 128.]#   [128. 128.]]# #  [[128. 128.]#   [128. 128.]]]

3.例子

生成随机二维数组

rnd = np.random.random((5,5))print(rnd) # [[0.61467866 0.38383428 0.4604147  0.41355961 0.22680966]#  [0.83895625 0.49135984 0.21811832 0.91433166 0.18616649]#  [0.80176894 0.23622139 0.87041535 0.59623534 0.93986178]#  [0.48324671 0.62398314 0.82435621 0.92421743 0.84660406]#  [0.63578052 0.99794079 0.46970418 0.85743179 0.11774799]]

生成图像

plt.imshow(rnd, cmap='gray')plt.colorbar()  #0为黑色，1为白色

plt.imshow(rnd>0.5, cmap='gray')plt.colorbar()

color_img = np.array([    [[255,0,0],     [0,255,0],     [0,0,255]],    [[255,255,0],     [0,255,255],     [255,0,255]],    [[255,255,255],     [128,128,128],     [0,0,0]],])plt.imshow(color_img)

到此，相信大家对“怎么使用NumPy进行数组数据处理”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！