numpy简介、ndarray、numpy基本操作、ndarray运算、矩阵运算

文章目录

• ​​一、简介​​
• ​​二、N维数组-ndarray​​

• ​​1.ndarray的属性​​
• ​​2.ndarray的形状​​

• ​​三、基本操作​​

• ​​1.全0数组​​
• ​​2.全0/1数组​​
• ​​3.从现有数组生成​​
• ​​4.生成固定范围的数组​​
• ​​5.生成随机数​​

• ​​1. np.random.rand(d0, d1, ..., dn)​​
• ​​2. np.random.uniform(low=0.0, high=1.0, size=None)​​
• ​​3. np.random.randint(low, high=None, size=None, dtype='l')​​
• ​​4.绘制直方图​​
• ​​5.绘制正态分布图​​

• ​​6.数组的索引、切片​​
• ​​7.形状修改​​
• ​​8.类型修改​​
• ​​9.数组去重​​
• ​​10.小结​​

• ​​四、ndarray运算​​

• ​​1.逻辑运算​​
• ​​2.np.all​​
• ​​3.np.any​​
• ​​4.np.where (包括 np.logical_or)​​
• ​​5.统计运算 max,min,mean(平均值),median(中位数),std(标准差),var(方差)​​
• ​​6.小结​​

• ​​五、数学矩阵​​
• ​​六、数组间的运算​​
• ​​七、矩阵运算 np.matmul np.dot​​

• ​​1.np.matmul​​
• ​​2.np.dot​​

一、简介

1. Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
2. Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
3. Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
4. NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。

例如：
用ndarray进行存储：

import numpy as np

# 创建ndarray
score = np.array([[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]])

socre

array([[80, 89, 86, 67, 79],
       [78, 97, 89, 67, 81],
       [90, 94, 78, 67, 74],
       [91, 91, 90, 67, 69],
       [76, 87, 75, 67, 86],
       [70, 79, 84, 67, 84],
       [94, 92, 93, 67, 64],
       [86, 85, 83, 67, 80]])

小结

二、N维数组-ndarray

1.ndarray的属性

2.ndarray的形状

# 创建不同形状的数组
>>> a = np.array([[1,2,3],[4,5,6]])
>>> b = np.array([1,2,3,4])
>>> c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])

分别打印出形状

>>> a.shape
>>> b.shape
>>> c.shape

(2, 3)  # 二维数组
(4,)    # 一维数组
(2, 2, 3) # 三维数组

三、基本操作

1.全0数组

#生成全0数组
np.zeros((6,6,6))
#生成全1数组
np.ones((6,6,6))

2.全0/1数组

（上截图吧，不想CtrlCV了）

3.从现有数组生成

b = np.array(a)  #复制的形式生成新数组
c = np.asarray(a) #引用的形式生成新数组

4.生成固定范围的数组

5.生成随机数

1. np.random.rand(d0, d1, …, dn)

返回[0.0，1.0)内的一组均匀分布的数。

2. np.random.uniform(low=0.0, high=1.0, size=None)

功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.

参数介绍:

• low: 采样下界，float类型，默认值为0；
• high: 采样上界，float类型，默认值为1；
• size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出mnk个样本，缺省时输出1个值。

返回值：ndarray类型，其形状和参数size中描述一致。

3. np.random.randint(low, high=None, size=None, dtype=‘l’)

从一个均匀分布中随机采样，生成一个整数或N维整数数组，取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。

4.绘制直方图

#绘制均匀分布抽样生成的数据的直方图
x = np.random.uniform(-10,10,1000000)
plt.figure(figsize=(20,8))
plt.hist(x, bins=1000)
plt.show()

5.绘制正态分布图

#绘制正态分布抽样生成的数据的直方图
x_n = np.random.standard_normal((100000))
plt.figure(figsize=(20,8))
plt.hist(x_n, bins=1000)
plt.show()

1.正态分布创建方式

• np.random.randn(d0, d1, …, dn)
  功能：从标准正态分布中返回一个或多个样本值
• np.random.normal(loc=0.0, scale=1.0, size=None)
  loc：float
  此概率分布的均值（对应着整个分布的中心centre）
  scale：float
  此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
  size：int or tuple of ints
  ​ 输出的shape，默认为None，只输出一个值
• np.random.standard_normal(size=None)
  返回指定形状的标准正态分布的数组。

6.数组的索引、切片

一维、二维、三维的数组如何索引？

# 三维，一维
a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
# 返回结果
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[12,  3, 34],
        [ 5,  6,  7]]])
# 索引、切片
>>> a1[0, 0, 1]   # 输出: 2

7.形状修改

8.类型修改

9.数组去重

np.unique()

10.小结

四、ndarray运算

1.逻辑运算

import numpy as np
stock_change = np.random.standard_normal((8,5))
stock_change

2.np.all

3.np.any

4.np.where (包括 np.logical_or)

5.统计运算 max,min,mean(平均值),median(中位数),std(标准差),var(方差)

6.小结

五、数学矩阵

知识点小结

六、数组间的运算

七、矩阵运算 np.matmul np.dot

1.np.matmul

2.np.dot