Heim > Artikel > Backend-Entwicklung > Detaillierte Erläuterung der Funktionsweise von Arrays durch die Python-Numpy-Bibliothek
1. Einführung
NumPy (Numerical Python) ist eine Erweiterungsbibliothek der Python-Sprache, die eine große Anzahl unterstützt zahlreiche dimensionale Array- und Matrixoperationen sowie eine große Anzahl mathematischer Funktionsbibliotheken für Array-Operationen. Die Hauptdatenstruktur ist das ndarray-Array.
NumPy wird häufig zusammen mit SciPy (Scientific Python) und Matplotlib (Plotbibliothek) verwendet, und diese Kombination wird häufig als Ersatz für MatLab verwendet.
SciPy ist eine Open-Source-Python-Algorithmusbibliothek und ein mathematisches Toolkit. SciPy enthält Module für Optimierung, lineare Algebra, Integration, Interpolation, spezielle Funktionen, schnelle Fourier-Transformation, Signalverarbeitung und Bildverarbeitung, Lösung gewöhnlicher Differentialgleichungen und andere in Wissenschaft und Technik häufig verwendete Berechnungen.
Matplotlib ist eine visuelle Schnittstelle für die Programmiersprache Python und ihr numerisches Mathematik-Erweiterungspaket NumPy.
2. Erstellen
Erstellen Sie ein eindimensionales Array
(1) Direkt erstellen: np.array([1, 2, 3, 4, 5, 6])
(2) Erstellen Sie eine Konstante aus der Liste von Python: np.array(list([1, 2, 3, 4, 5, 6]))
Eindimensionale Wertdaten
(1) Erstellen Sie einen konstanten Wert mit 0: np.zeros(n,dytpe=float/int)
(2) Erstellen Sie einen konstanten Wert mit 1 Wert: np.ones(n)
(3) Erstellen Sie ein leeres Array: np.empty(4)
Erstellen Sie ein Array mit zunehmenden Elementen
( 1) Inkrementelles Array beginnend bei 0: np.arange(8)
(2) Gegebenes Intervall, benutzerdefinierte Schrittgröße: np.arange(0,1,0.2)
(3 ) Passen Sie bei gegebenem Intervall die Zahl an: np.linspace(-1,1,50)
Erstellen Sie ein mehrdimensionales Array: Erstellen Sie ein eindimensionales Array und fügen Sie es dem mehrdimensionalen Array hinzu
# 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据 # 二维数组相当于存放的是“两层”数组而已 arr1=np.array(list([1, 2, 3, 4, 5])) arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组 arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组 arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错 arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错
Verwandte Empfehlungen: „Python-Video-Tutorial“
Erstellen Sie (n*m) dimensionale Daten mit konstanten Werten
(1) Erstellen Sie a konstanter Wert von 0: np.zeros((n*m),dytpe=float/int)
(2) Erstellen Sie einen konstanten Wert mit 1: np.ones((n*m))
(3 )Erstellen Sie ein leeres Array: np.empty((n*m))
Erstellen Sie ein Array von Zufallszahlen
Generieren Sie einen Zufallszahlen-Seed:
(1) np.random.seed()
(2) np.random.RandomState()
Zufallszahlen generieren:
Generieren mit Zufallsarray mit regelmäßiger Verteilung
(1) Binomialverteilung: np.random.binomial(n, p, size)
(2) Normalverteilung: np. random.normal(loc , scale, size)
Konvertieren Sie die CSV-Datei in ein Array oder Array
Verwenden Sie np.genfromtxt('csv file name', delimiter = 'delimiter in der Datei') Funktion Konvertieren Sie die Datei in ein Array
csv_array = np.genfromtxt('sample.csv', delimiter=',') print(csv_array)
3. Transformation des Arrays
Generieren Sie die Funktion der Array/Matrix-Transposition, d. h. die Austausch von Zeilen- und Spaltennummern, verwenden Sie .T
a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) print(a.T) ------------------- # 结果如下 [[32 12 2] [15 10 16] [ 6 5 13] [ 9 23 40] [14 1 37]]
Ändern Sie die Form des Arrays:
(1) arr.resize(n,m): Die arr.resize(n,m )-Funktion ändert das Array an Ort und Stelle und erfordert: Die Anzahl der Elemente muss konsistent sein
a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]
(2) arr.reshape(n,m): Wenn der Parameter einer bestimmten Dimension -1 ist, bedeutet dies, dass Die Gesamtzahl der Elemente wird gemäß der anderen Dimension berechnet.
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
wird eine sein. Die Dimension wird auf zwei Dimensionen erhöht: np.newaxis
np.newaxis bedeutet eigentlich, die Dimension direkt zu erhöhen . Wir fügen dem Array im Allgemeinen nicht zu viele Dimensionen hinzu. Hier ist ein Beispiel für die Vergrößerung einer Dimension auf zwei Dimensionen:
(1) Zeilendimension erhöhen: arr[np.newaxis, :]
(2) Spaltendimension erhöhen: arr[: , np.newaxis]
a=np.arange(8) a # array([0, 1, 2, 3, 4, 5, 6, 7]) a.shape # (8,) a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]]) a.shape # (8,) a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]]) a.shape # (8,)
Dimensionalität reduzieren: arr.ravel()
Wenn die Funktion arr.ravel() Dimensionen reduziert: Standardmäßig wird ein neues Array in Zeilenreihenfolge generiert (d. h. zeilenweise gelesen); wenn der Parameter „F“ übergeben wird, wird die Spaltenreihenfolge reduziert
a=np.array([[1,2],[3,4]]) a.ravel() a.ravel('F') ---------------------------- # 结果 array([1, 2, 3, 4]) # 结果 array([1, 3, 2, 4])
4. Berechnung
Berechnungsoperationen am Array durchführen
(1) Elemente addieren und subtrahieren
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a+b a-b ---------------------------- # a+b和a-b结果分别是: array([[ 1, 3, 7, 6], [ 8, 6, 6, 13]]) array([[-1, -1, -3, 0], [ 0, 4, 6, 1]])
(2) Multiplikation: Elemente quadrieren/multiplizieren Matrix
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a**2 a*b ----------------------- # a矩阵平方/a*b矩阵中元素相乘结果分别: array([[ 0, 1, 4, 9], [16, 25, 36, 49]]) array([[ 0, 2, 10, 9], [16, 5, 0, 42]])
(3) Matrix*matrix:
# 要求a矩阵的行要等于b矩阵的列数;且a矩阵的列等于b矩阵的行数 a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]]) c1 = np.dot(a,b) c2 = a.dot(b) ---------------------- # ab矩阵相乘的结果:c1=c2 array([[ 31, 36], [ 99, 100]])
(4) Logische Berechnung
[Hinweis] Die Liste kann nicht als Ganzes verwendet werden, um logische Urteile darüber zu fällen einzelne Elemente darin!
# 结果返回:一个数组,其中每个元素根据逻辑判断的布尔类型的结果 a > 3 ----------------------------- # 结果如下: array([[False, False, False, False], [ True, True, True, True]])
5. Holen Sie sich den Wert
, um ein Element in einem eindimensionalen Array zu erhalten: Die Operation ist die gleiche wie beim Index der Liste
a = np.array([5, 2, 7, 0, 11]) a[0] # 结果为 5 a[:4] # 结果为 从头开始到索引为4结束 a[2:] # 结果为 从索引为2的开始到结尾 a[::2] # 结果为 从头开始到结尾,每2个取一个值
um ein mehrdimensionales Array zu erhalten. Ein Element, ein bestimmter Zeilen- oder Spaltenwert
a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) a[2,1] # 结果是一个元素 16 a[2][1] # 结果是一个元素 16 a[1] # 第2行 array([12, 10, 5, 23, 1]) a[:,2] # 取出全部行,第2列 [15,10,16] a[1:3, :] # 取出[1,3)行,全部列 a[1,1:] # array([10, 5, 23, 1])
erhält den
# 需要注意的是,我们数据进行逻辑计算操作得到的仍然是一个数组 # 如果我们想要的是一个过滤后的数组,就需要将"逻辑判断"传入数组中 a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) a[a > 3] a[(a > 3) | (a < 2)] ------------------------------ # 结果分别是: array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37]) array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])
, der die logische Operation erfüllt: Das Ergebnis wird Zeile für Zeile ausgegeben
a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) for x in a: print(x) -------------------- [32 15 6 9 14] [12 10 5 23 1] [ 2 16 13 40 37]
6. Kopieren/Teilen/Zusammenführen
Kopieren: arr.cope()
Teilen:
(1) Gleichmäßig geteilt: np.split(arr, n, axis=0 /1) (Das heißt, nur wenn die Anzahl der Zeilen oder Spalten durch n geteilt werden kann)
(2) Ungleiche Teilung: np.array_split (arr, n) Standardmäßig ist es zeilenweise in n Teile unterteilt
a = np.array([[32, 15, 6, 9, 14, 21], [12, 10, 5, 23, 1, 10], [2, 16, 13, 40, 37, 8]]) # 可以看到a矩阵是(3*6),所以使用np.split()只能尝试行分成3份;或者列分成2/3/6份 np.split(a,3,axis=0) np.split(a,3,axis=1) np.array_split(a,2) np.array_split(a,4,axis=1) ------------------------------------------- [array([[32, 15, 6, 9, 14, 21]]), array([[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])] [array([[32, 15], [12, 10], [ 2, 16]]), array([[ 6, 9], [ 5, 23], [13, 40]]), array([[14, 21], [ 1, 10], [37, 8]])] [array([[32, 15, 6, 9, 14, 21], [12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])] [array([[32, 15], [12, 10], [ 2, 16]]), array([[ 6, 9], [ 5, 23], [13, 40]]), array([[14], [ 1], [37]]), array([[21], [10], [ 8]])]
Merge: np.concatenate((arr1, arr2, arr3), axis=0/1) By Standardmäßig ist es unterhalb der Daten verbunden
a=np.random.rand(2,3) b=np.random.randint(1,size=(2,3)) np.concatenate((a,b,a)) # 接在下面 np.concatenate((a,b,a),axis=1) # 接在后面 ------------------------ array([[0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439], [0. , 0. , 0. ], [0. , 0. , 0. ], [0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439]]) array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. , 0. , 0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439, 0. , 0. , 0. , 0.4539276 , 0.24173315, 0.63931439]])
Das obige ist der detaillierte Inhalt vonDetaillierte Erläuterung der Funktionsweise von Arrays durch die Python-Numpy-Bibliothek. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!