1. 소개
NumPy(NumPy)는 수많은 차원 배열 및 행렬 연산을 지원하는 Python 언어의 확장 라이브러리입니다. 배열 작업을 위한 라이브러리. 주요 데이터 구조는 ndarray 배열입니다.
NumPy는 SciPy(Scientific Python) 및 Matplotlib(플로팅 라이브러리)와 함께 사용되는 경우가 많으며, 이 조합은 MatLab을 대체하여 널리 사용됩니다.
SciPy는 오픈 소스 Python 알고리즘 라이브러리이자 수학 툴킷입니다. SciPy에는 최적화, 선형 대수, 적분, 보간, 특수 함수, 고속 푸리에 변환, 신호 처리 및 이미지 처리, 상미분 방정식 풀기, 과학 및 공학에서 일반적으로 사용되는 기타 계산을 위한 모듈이 포함되어 있습니다.
Matplotlib는 Python 프로그래밍 언어와 수치 수학 확장 패키지 NumPy를 위한 시각적 인터페이스입니다.
2. 만들기
1차원 배열 만들기
(1) 직접 만들기: np.array([1, 2, 3, 4, 5, 6])
(2) Python에서 만들기 list :np.array(list([1, 2, 3, 4, 5, 6]))
상수 값으로 1차원 데이터 생성
(1) 0으로 상수 값 생성: np.zeros( n, dytpe=float/int)
(2) 1로 상수 값 생성: np.ones(n)
(3) 빈 배열 생성: np.empty(4)
요소가 증가하는 배열 생성
(1) 0부터 시작하는 증분 배열: np.arange(8)
(2) 주어진 간격, 사용자 정의 단계 크기: np.arange(0,1,0.2)
(3) 주어진 간격, 사용자 정의 번호: np.linspace(-1,1,50)
다차원 배열 만들기: 1차원 배열을 만든 다음 다차원 배열에 추가하세요
# 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
관련 추천: "python 영상 tutorial"
상수 값의 (n*m) 차원 데이터 생성
(1) 0의 상수 값 생성: np.zeros((n*m),dytpe=float/int)
(2) 생성 상수 값 1: np.ones((n*m))
(3) 빈 배열 만들기: np.empty((n*m))
난수 배열 만들기
난수 생성 숫자 시드:
(1) np.random.seed()
(2) np.random.RandomState()
난수 생성:
분포 규칙을 사용하여 난수 배열 생성
(1) 이항 분포: np.random.binomial(n, p, size)
(2) 정규 분포: np.random.normal(loc, scale, size)
csv 파일을 배열 또는 배열로 변환
np 사용 .genfromtxt( 'csv 파일 이름', delimiter = 'delimiter in the file' ) 함수는 파일을 배열
csv_array = np.genfromtxt('sample.csv', delimiter=',') print(csv_array)
3으로 변환합니다. 배열 변환
은 배열/행렬 전치를 생성하는 함수입니다. , .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]]를 사용하여 행과 열 번호 교환
배열 모양 변경:
(1) arr.resize(n,m): arr.resize(n,m) 함수는 배열을 수정합니다. place, require: 요소 개수가 일정해야 합니다.
a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]
(2) arr .reshape(n,m): 특정 차원의 매개변수가 -1이면 전체 요소 개수가 다음에 따라 계산된다는 의미입니다. 다른 차원
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
한 차원을 두 차원으로 업그레이드: np.newaxis
np.newaxis 실제로 차원을 직접 추가한다는 의미는 일반적으로 배열에 너무 많은 차원을 추가하지 않습니다. 2차원으로:
(1) 행 차원 추가: arr[np.newaxis, :]
(2) 열 차원 증가: 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,)
차원 감소: arr.ravel()
arr.ravel() 차원 축소 시 함수: 기본값은 새 배열을 생성하기 위한 행 순서입니다(즉, 한 행 행 읽기). 매개변수 "F"가 전달되면 열 순서 차원 축소가 생성됩니다. 새로운 배열
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. 계산
배열에서 계산 작업을 수행합니다
(1) 요소 더하기 및 빼기
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) 곱셈: 행렬의 요소를 제곱/곱하기
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) 행렬 * 행렬:
# 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) 논리 계산
[참고] 목록을 전체적으로 사용하여 각 요소에 대한 논리적 판단을 내릴 수는 없습니다!
# 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 값 가져오기
1차원 배열의 요소 가져오기: 작업은 목록의 인덱스와 동일합니다.
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
다차원 배열의 요소, 행 또는 열 값 가져오기 array
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])
Operational
# 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])
traversal을 만족하는 로직을 얻습니다. 결과는
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 행으로 출력됩니다. Copy/Split/Merge
Copy: arr.cope()
Split:
(1 ) 등분할: np.split(arr , n, axis=0/1) (즉, 행이나 열의 개수를 n으로 나눌 수 있는 경우에만)
(2) 부등 나눗셈: np.array_split(arr, n) 기본값은 행별로 n 부분으로 나뉩니다
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]])]
Consolidation: np.concatenate((arr1, arr2, arr3), axis=0/1)은 기본적으로 데이터 아래에 연결됩니다
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]])
위 내용은 Python Numpy 라이브러리의 배열 작동에 대한 자세한 설명의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!