EEPW论坛

　　NumPy是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表(nestedliststructure)结构要高效的多(该结构也可以用来表示矩阵(matrix))。NumPy(NumericPython)提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：LawrenceLivermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

　　numpy中的数据类型，ndarray类型，和标准库中的array.array并不一样。

　　ndarray的创建

　　>>>importnumpyasnp

　　>>>a=np.array([2,3,4])

　　>>>a

　　array([2,3,4])

　　>>>a.dtype

　　dtype('int64')

　　>>>b=np.array([1.2,3.5,5.1])

　　>>>b.dtype

　　dtype('float64')

　　二维的数组

　　>>>b=np.array([(1.5,2,3),(4,5,6)])

　　>>>b

　　array([[1.5,2.,3.],

　　[4.,5.,6.]])

　　创建时指定类型

　　>>>c=np.array([[1,2],[3,4]],dtype=complex)

　　>>>c

　　array([[1.+0.j,2.+0.j],

　　[3.+0.j,4.+0.j]])

　　创建一些特殊的矩阵

　　>>>np.zeros((3,4))

　　array([[0.,0.,0.,0.],

　　[0.,0.,0.,0.],

　　[0.,0.,0.,0.]])

　　>>>np.ones((2,3,4),dtype=np.int16)#dtypecanalsobespecified

　　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]]],dtype=int16)

　　>>>np.empty((2,3))#uninitialized,outputmayvary

　　array([[3.73603959e-262,6.02658058e-154,6.55490914e-260],

　　[5.30498948e-313,3.14673309e-307,1.00000000e+000]])

　　创建一些有特定规律的矩阵

　　123456789>>>np.arange(10,30,5)

　　array([10,15,20,25])

　　>>>np.arange(0,2,0.3)#itacceptsfloatarguments

　　array([0.,0.3,0.6,0.9,1.2,1.5,1.8])

　　>>>fromnumpyimportpi

　　>>>np.linspace(0,2,9)#9numbersfrom0to2

　　array([0.,0.25,0.5,0.75,1.,1.25,1.5,1.75,2.])

　　>>>x=np.linspace(0,2*pi,100)#usefultoevaluatefunctionatlotsofpoints

　　>>>f=np.sin(x)

　　一些基本的运算

　　加减乘除三角函数逻辑运算

　　>>>a=np.array([20,30,40,50])

　　>>>b=np.arange(4)

　　>>>b

　　array([0,1,2,3])

　　>>>c=a-b

　　>>>c

　　array([20,29,38,47])

　　>>>b**2

　　array([0,1,4,9])

　　>>>10*np.sin(a)

　　array([9.12945251,-9.88031624,7.4511316,-2.62374854])

　　>>>a<35

　　array([True,True,False,False],dtype=bool)

　　矩阵运算

　　matlab中有.*,./等等

　　但是在numpy中，如果使用+，-，×，/优先执行的是各个点之间的加减乘除法

　　如果两个矩阵(方阵)可既以元素之间对于运算，又能执行矩阵运算会优先执行元素之间的运算

　　>>>importnumpyasnp

　　>>>A=np.arange(10,20)

　　>>>B=np.arange(20,30)

　　>>>A+B

　　array([30,32,34,36,38,40,42,44,46,48])

　　>>>A*B

　　array([200,231,264,299,336,375,416,459,504,551])

　　>>>A/B

　　array([0,0,0,0,0,0,0,0,0,0])

　　>>>B/A

　　array([2,1,1,1,1,1,1,1,1,1])

　　如果需要执行矩阵运算，一般就是矩阵的乘法运算

　　>>>A=np.array([1,1,1,1])

　　>>>B=np.array([2,2,2,2])

　　>>>A.reshape(2,2)

　　array([[1,1],

　　[1,1]])

　　>>>B.reshape(2,2)

　　array([[2,2],

　　[2,2]])

　　>>>A*B

　　array([2,2,2,2])

　　>>>np.dot(A,B)

　　8

　　>>>A.dot(B)

　　8

　　一些常用的全局函数

　　12345678910>>>B=np.arange(3)

　　>>>B

　　array([0,1,2])

　　>>>np.exp(B)

　　array([1.,2.71828183,7.3890561])

　　>>>np.sqrt(B)

　　array([0.,1.,1.41421356])

　　>>>C=np.array([2.,-1.,4.])

　　>>>np.add(B,C)

　　array([2.,0.,6.])

　　矩阵的索引分片遍历

　　>>>a=np.arange(10)**3

　　>>>a

　　array([0,1,8,27,64,125,216,343,512,729])

　　>>>a[2]

　　8

　　>>>a[2:5]

　　array([8,27,64])

　　>>>a[:6:2]=-1000#equivalenttoa[0:6:2]=-1000;fromstarttoposition6,exclusive,setevery2ndelementto-1000

　　>>>a

　　array([-1000,1,-1000,27,-1000,125,216,343,512,729])

　　>>>a[::-1]#reverseda

　　array([729,512,343,216,125,-1000,27,-1000,1,-1000])

　　>>>foriina:

　　...print(i**(1/3.))

　　...

　　nan

　　1.0

　　nan

　　3.0

　　nan

　　5.0

　　6.0

　　7.0

　　8.0

　　9.0

　　矩阵的遍历

　　>>>importnumpyasnp

　　>>>b=np.arange(16).reshape(4,4)

　　>>>forrowinb:

　　...print(row)

　　...

　　[0123]

　　[4567]

　　[891011]

　　[12131415]

　　>>>fornodeinb.flat:

　　...print(node)

　　...

　　矩阵的特殊运算

　　改变矩阵形状--reshape

　　>>>a=np.floor(10*np.random.random((3,4)))

　　>>>a

　　array([[6.,5.,1.,5.],

　　[5.,5.,8.,9.],

　　[5.,5.,9.,7.]])

　　>>>a.ravel()

　　array([6.,5.,1.,5.,5.,5.,8.,9.,5.,5.,9.,7.])

　　>>>a

　　array([[6.,5.,1.,5.],

　　[5.,5.,8.,9.],

　　[5.,5.,9.,7.]])

　　resize和reshape的区别

　　resize会改变原来的矩阵，reshape并不会

　　>>>a

　　array([[6.,5.,1.,5.],

　　[5.,5.,8.,9.],

　　[5.,5.,9.,7.]])

　　>>>a.reshape(2,-1)

　　array([[6.,5.,1.,5.,5.,5.],

　　[8.,9.,5.,5.,9.,7.]])

　　>>>a

　　array([[6.,5.,1.,5.],

　　[5.,5.,8.,9.],

　　[5.,5.,9.,7.]])

　　>>>a.resize(2,6)

　　>>>a

　　array([[6.,5.,1.,5.,5.,5.],

　　[8.,9.,5.,5.,9.,7.]])

　　矩阵的合并

　　>>>a=np.floor(10*np.random.random((2,2)))

　　>>>a

　　array([[8.,8.],

　　[0.,0.]])

　　>>>b=np.floor(10*np.random.random((2,2)))

　　>>>b

　　array([[1.,8.],

　　[0.,4.]])

　　>>>np.vstack((a,b))

　　array([[8.,8.],

　　[0.,0.],

　　[1.,8.],

　　[0.,4.]])

　　>>>np.hstack((a,b))

　　array([[8.,8.,1.,8.],

　　[0.,0.,0.,4.]])

　　以上就是关于扣丁学堂详解Python框架之NumPy常用方法总结的详细介绍，最后想要了解更多关于Python发展前景趋势，请关注扣丁学堂官网、微信等平台，扣丁学堂IT职业在线学习教育平台为您提供最新的Python培训视频教程系统，通过千锋扣丁学堂金牌讲师在线录制的Python视频教程课程，让你快速掌握Python从入门到精通开发实战技能。扣丁学堂Python技术交流群：816572891。