簡約而不簡單|值得收藏的Numpy小抄表(含主要語法、代碼)

2021-01-14 機器學習初學者

NumPy（Numeric Python）提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理，以及精密的運算庫。專為進行嚴格的數字處理而產生。多為很多大型金融公司使用，以及核心的科學計算組織如：Lawrence Livermore，NASA用其處理一些本來使用C++，Fortran或Matlab等所做的任務。

安裝Numpy

可以通過 Pip 或者 Anaconda安裝Numpy:

或

本文目錄

基礎

NumPy最常用的功能之一就是NumPy數組：列表和NumPy數組的最主要區別在於功能性和速度。

列表提供基本操作，但NumPy添加了FTTs、卷積、快速搜索、基本統計、線性代數、直方圖等。

兩者數據科學最重要的區別是能夠用NumPy數組進行元素級計算。

axis 0 通常指行

axis 1 通常指列

操作描述文檔np.array([1,2,3])一維數組https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.arraynp.array([(1,2,3),(4,5,6)])二維數組https://numpy.org/doc/stable/reference/generated/numpy.array.html#numpy.arraynp.arange(start,stop,step)等差數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html佔位符操作描述文檔np.linspace(0,2,9)數組中添加等差的值https://docs.scipy.org/doc/numpy/reference/generated/numpy.linspace.htmlnp.zeros((1,2))創建全0數組docs.scipy.org/doc/numpy/reference/generated/numpy.zeros.htmlnp.ones((1,2))創建全1數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.ones.html#numpy.onesnp.random.random((5,5))創建隨機數的數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.random.htmlnp.empty((2,2))創建空數組https://numpy.org/doc/stable/reference/generated/numpy.empty.html舉例：
import numpy as np
# 1 dimensionalx = np.array([1,2,3])# 2 dimensionaly = np.array([(1,2,3),(4,5,6)])
x = np.arange(3)>>> array([0, 1, 2])
y = np.arange(3.0)>>> array([ 0.,  1.,  2.])
x = np.arange(3,7)>>> array([3, 4, 5, 6])
y = np.arange(3,7,2)>>> array([3, 5])

數組屬性數組屬性語法描述文檔array.shape維度(行,列)https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.shape.htmllen(array)數組長度https://docs.python.org/3.5/library/functions.html#lenarray.ndim數組的維度數https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.ndim.htmlarray.size數組的元素數https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.size.htmlarray.dtype數據類型https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.htmlarray.astype(type)轉換數組類型https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.astype.htmltype(array)顯示數組類型https://numpy.org/doc/stable/user/basics.types.html拷貝 /排序操作描述文檔np.copy(array)創建數組拷貝https://docs.scipy.org/doc/numpy/reference/generated/numpy.copy.htmlother = array.copy()創建數組深拷貝https://docs.scipy.org/doc/numpy/reference/generated/numpy.copy.htmlarray.sort()排序一個數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.htmlarray.sort(axis=0)按照指定軸排序一個數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.html舉例
import numpy as np# Sort sorts in ascending ordery = np.array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])y.sort()print(y)>>> [ 1  2  3  4  5  6  7  8  9  10]
數組操作例程增加或減少元素操作描述文檔np.append(a,b)增加數據項到數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.append.htmlnp.insert(array, 1, 2, axis)沿著數組0軸或者1軸插入數據項https://docs.scipy.org/doc/numpy/reference/generated/numpy.insert.htmlnp.resize((2,4))將數組調整為形狀(2,4)https://docs.scipy.org/doc/numpy/reference/generated/numpy.resize.htmlnp.delete(array,1,axis)從數組裡刪除數據項https://numpy.org/doc/stable/reference/generated/numpy.delete.html舉例
import numpy as np# Append items to arraya = np.array([(1, 2, 3),(4, 5, 6)])b = np.append(a, [(7, 8, 9)])print(b)>>> [1 2 3 4 5 6 7 8 9]
# Remove index 2 from previous arrayprint(np.delete(b, 2))>>> [1 2 4 5 6 7 8 9]
組合數組操作描述文檔np.concatenate((a,b),axis=0)連接2個數組，添加到末尾https://docs.scipy.org/doc/numpy/reference/generated/numpy.concatenate.htmlnp.vstack((a,b))按照行堆疊數組https://numpy.org/doc/stable/reference/generated/numpy.vstack.htmlnp.hstack((a,b))按照列堆疊數組docs.scipy.org/doc/numpy/reference/generated/numpy.hstack.html#numpy.hstack舉例
import numpy as npa = np.array([1, 3, 5])b = np.array([2, 4, 6])
# Stack two arrays row-wiseprint(np.vstack((a,b)))>>> [[1 3 5]     [2 4 6]]
# Stack two arrays column-wiseprint(np.hstack((a,b)))>>> [1 3 5 2 4 6]
分割數組操作描述文檔numpy.split()分割數組
https://docs.scipy.org/doc/numpy/reference/generated/numpy.split.htmlnp.array_split(array, 3)將數組拆分為大小（幾乎）相同的子數組https://docs.scipy.org/doc/numpy/reference/generated/numpy.array_split.html#numpy.array_splitnumpy.hsplit(array, 3)在第3個索引處水平拆分數組
https://numpy.org/doc/stable/reference/generated/numpy.hsplit.html#numpy.hsplit舉例
# Split array into groups of ~3a = np.array([1, 2, 3, 4, 5, 6, 7, 8])print(np.array_split(a, 3))>>> [array([1, 2, 3]), array([4, 5, 6]), array([7, 8])]
數組形狀變化操作操作描述文檔other = ndarray.flatten()平鋪一個二維數組到一維數組https://numpy.org/doc/stable/reference/generated/numpy.ndarray.flatten.htmlnumpy.flip()翻轉一維數組中元素的順序https://docs.scipy.org/doc/stable/reference/generated/numpy.flip.htmlnp.ndarray[::-1]翻轉一維數組中元素的順序
reshape改變數組的維數https://docs.scipy.org/doc/stable/reference/generated/numpy.reshape.htmlsqueeze從數組的形狀中刪除單維度條目https://numpy.org/doc/stable/reference/generated/numpy.squeeze.htmlexpand_dims擴展數組維度
https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.expand_dims.html其他操作描述文檔other = ndarray.flatten()平鋪2維數組到1維數組https://numpy.org/doc/stable/reference/generated/numpy.ndarray.flatten.htmlarray = np.transpose(other)
 array.T數組轉置https://numpy.org/doc/stable/reference/generated/numpy.transpose.htmlinverse = np.linalg.inv(matrix)求矩陣的逆矩陣https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.inv.html
舉例
>>> np.linalg.inv([[3,1],[2,4]])array([[ 0.4, -0.1],       [-0.2,  0.3]])
數學計算操作操作描述文檔np.add(x,y)
x + y加https://docs.scipy.org/doc/numpy/reference/generated/numpy.add.htmlnp.substract(x,y)
x - y減https://docs.scipy.org/doc/numpy/reference/generated/numpy.subtract.html#numpy.subtractnp.divide(x,y)
x / y除https://docs.scipy.org/doc/numpy/reference/generated/numpy.divide.html#numpy.dividenp.multiply(x,y)
x * y乘https://docs.scipy.org/doc/numpy/reference/generated/numpy.multiply.html#numpy.multiplynp.sqrt(x)平方根https://docs.scipy.org/doc/numpy/reference/generated/numpy.sqrt.html#numpy.sqrtnp.sin(x)元素正弦https://docs.scipy.org/doc/numpy/reference/generated/numpy.sin.html#numpy.sinnp.cos(x)元素餘弦https://docs.scipy.org/doc/numpy/reference/generated/numpy.cos.html#numpy.cosnp.log(x)元素自然對數https://docs.scipy.org/doc/numpy/reference/generated/numpy.log.html#numpy.lognp.dot(x,y)點積https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.htmlnp.roots([1,0,-4])給定多項式係數的根https://docs.scipy.org/doc/numpy/reference/generated/numpy.roots.html
舉例
# If a 1d array is added to a 2d array (or the other way), NumPy# chooses the array with smaller dimension and adds it to the one# with bigger dimensiona = np.array([1, 2, 3])b = np.array([(1, 2, 3), (4, 5, 6)])print(np.add(a, b))>>> [[2 4 6]     [5 7 9]]     # Example of np.roots# Consider a polynomial function (x-1)^2 = x^2 - 2*x + 1# Whose roots are 1,1>>> np.roots([1,-2,1])array([1., 1.])# Similarly x^2 - 4 = 0 has roots as x=±2>>> np.roots([1,0,-4])array([-2.,  2.])
比較操作描述文檔==等於https://docs.python.org/2/library/stdtypes.html!=不等於
https://docs.python.org/2/library/stdtypes.html<小於https://docs.python.org/2/library/stdtypes.html>大於https://docs.python.org/2/library/stdtypes.html<=小於等於https://docs.python.org/2/library/stdtypes.html>=大於等於https://docs.python.org/2/library/stdtypes.htmlnp.array_equal(x,y)數組比較https://numpy.org/doc/stable/reference/generated/numpy.array_equal.html舉例：
# Using comparison operators will create boolean NumPy arraysz = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])c = z < 6print(c)>>> [ True  True  True  True  True False False False False False]
基本的統計操作描述文檔np.mean(array)Meanhttps://numpy.org/doc/stable/reference/generated/numpy.mean.html#numpy.meannp.median(array)Medianhttps://numpy.org/doc/stable/reference/generated/numpy.median.html#numpy.medianarray.corrcoef()Correlation Coefficienthttps://numpy.org/doc/stable/reference/generated/numpy.corrcoef.html#numpy.corrcoefnp.std(array)Standard Deviationhttps://docs.scipy.org/doc/numpy/reference/generated/numpy.std.html#numpy.std舉例
# Statistics of an arraya = np.array([1, 1, 2, 5, 8, 10, 11, 12])
# Standard deviationprint(np.std(a))>>> 4.2938910093294167
# Medianprint(np.median(a))>>> 6.5
更多操作描述文檔array.sum()數組求和https://numpy.org/doc/stable/reference/generated/numpy.sum.htmlarray.min()數組求最小值https://numpy.org/doc/stable/reference/generated/numpy.ndarray.min.htmlarray.max(axis=0)數組求最大值（沿著0軸）
array.cumsum(axis=0)指定軸求累計和https://numpy.org/doc/stable/reference/generated/numpy.cumsum.html
切片和子集操作描述文檔array[i]索引i處的一維數組https://numpy.org/doc/stable/reference/arrays.indexing.htmlarray[i,j]索引在[i][j]處的二維數組https://numpy.org/doc/stable/reference/arrays.indexing.htmlarray[i<4]布爾索引https://numpy.org/doc/stable/reference/arrays.indexing.htmlarray[0:3]選擇索引為 0, 1和 2https://numpy.org/doc/stable/reference/arrays.indexing.htmlarray[0:2,1]選擇第0,1行，第1列https://numpy.org/doc/stable/reference/arrays.indexing.htmlarray[:1]選擇第0行數據項 (與[0:1, :]相同)https://numpy.org/doc/stable/reference/arrays.indexing.htmlarray[1:2, :]選擇第1行https://numpy.org/doc/stable/reference/arrays.indexing.html[comment]: <> "array[1,...]等同於 array[1,:,:]array[ : :-1]反轉數組同上舉例
b = np.array([(1, 2, 3), (4, 5, 6)])
# The index *before* the comma refers to *rows*,# the index *after* the comma refers to *columns*print(b[0:1, 2])>>> [3]
print(b[:len(b), 2])>>> [3 6]
print(b[0, :])>>> [1 2 3]
print(b[0, 2:])>>> [3]
print(b[:, 0])>>> [1 4]
c = np.array([(1, 2, 3), (4, 5, 6)])d = c[1:2, 0:2]print(d)>>> [[4 5]]

相關焦點

  • 簡約而不簡單!值得收藏的 NumPy 小抄表(含主要語法、代碼)
    Numpy是一個用python實現的科學計算的擴展程序庫，包括：3、用於整合C/C++和Fortran代碼的工具包
  • 小白學數據小抄放送 Python,R,大數據,機器學習
    Python基礎小抄表 這張由Datacamp製作的小抄表覆蓋了所有Python數據科學需要的基礎知識。如果你剛開始用Python，可以留著這張做快速參考。背下這些小抄的代碼變量、數據類型函數、字符串操作、類型轉換、列表和常用操作。尤其是它列出了重要的Python包，給出了用於選擇並導入包的小抄代碼。
  • 小白學數據28張小抄放送 Python,R,大數據,機器學習
    Python基礎小抄表 這張由Datacamp製作的小抄表覆蓋了所有Python數據科學需要的基礎知識。如果你剛開始用Python，可以留著這張做快速參考。背下這些小抄的代碼變量、數據類型函數、字符串操作、類型轉換、列表和常用操作。尤其是它列出了重要的Python包，給出了用於選擇並導入包的小抄代碼。
  • 詳解:Python 取numpy數組的某幾行某幾列方法(含對與錯示例)
    詳解：Python 取numpy數組的某幾行某幾列方法（含對與錯示例） 今天為大家帶來的內容是Python 取numpy數組的某幾行某幾列方法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，要是喜歡的話記得點讚轉發收藏不迷路哦!!!
  • python數據科學系列:numpy入門詳細教程
    本篇先從numpy開始，對numpy常用的方法進行思維導圖式梳理，多數方法僅拉單列表，部分接口輔以解釋說明及代碼案例。最後分享了個人關於axis和廣播機制的理解。本文知識要點一級菜單    另外，當resize新尺寸參數與原數組大小不一致時，要求操作對象具有原數組的，而不能是view或簡單賦值。（具體參考08 視圖與拷貝一節）
  • Python數據分析類庫系列-Numpy之多維數組ndarray
    NumPy可以在整個數組上執行複雜的計算，而不需要Python的for循環。你可以利用這種數組對整塊數據執行一些數學運算，其語法跟標量元素之間的運算一樣。 要明白Python是如何利用與標量值類似的語法進行批次計算，我先引入NumPy，然後生成一個包含隨機數據的小數組： import numpy as np data = np.random.randn(2,3)data out：
  • Numpy入門詳細教程
    本篇先從numpy開始，對numpy常用的方法進行思維導圖式梳理，多數方法僅拉單列表，部分接口輔以解釋說明及代碼案例。最後分享了個人關於axis和廣播機制的理解。數組變形是指對給定數組重新整合各維度大小的過程，numpy封裝了4類基本的變形操作：轉置、展平、尺寸重整和複製。主要方法接口如下：
  • 小升初:英語語法基礎知識匯總,內容全面,值得「收藏」!
    小升初：英語語法基礎知識匯總，內容全面，值得「收藏」！英語作為一門語言類的科目， 跟語文一樣，有很多的共同點，最為明顯的就是需要記背的知識點太多！也因此有很多孩子不喜歡英語，覺得背這些單詞短語實在是太枯燥乏味了，還不如一道數學題來得有趣。
  • Python的武器庫05:numpy模塊(下)
    python的語法並不簡單，有複雜難懂的部分，之所以有這樣一句格言，是因為python中有很多強大的模塊，就像一個武器庫。Python正式由於這些模塊的出現，只要引入這個模塊，調用這個模塊的集成函數，問題迎刃而解；不需要從頭開始，節省了大量的時間。上一篇文章主要講述了numpy的數學函數，這節課主要講一下numpy如何創建矩陣，以及對矩陣的一些運算。
  • 簡約而不簡單,低調中帶有霸氣的百達翡麗鸚鵡螺
    雖然接觸腕錶有幾年的時間，但是對於百達翡麗這個品牌一直處於邊緣試探的狀態，主要是感覺這個品牌還是離我很遙遠，但不知道的是，我與百達翡麗的一場邂逅正在悄悄逼近。
  • 現代簡約裝修風格讓你家簡約不簡單
    川北在線核心提示：原標題：現代簡約裝修風格讓你家簡約不簡單 現代簡約裝修風格是現在較流行的風格之一,流暢的線條和簡約的設計既是這種風格的特點,也是這種風格的優點,既不需要過多的裝飾,也能體現簡潔的時尚品味、健康簡約的生活方式,現代簡約裝修風格可以讓你的家簡約不簡單。
  • NumPy ndarray數組的創建
    NumPy 是 Python 的外部庫，不在標準庫中，若要使用它，需要先導入 NumPy：import numpy as
  • Python編程:如何規範numpy中數組元素的列印輸出格式
    引言對於Python語言開發者，如果你經常處理大量數據運算的話，numpy是一個必不可少的程序擴展庫，它支持大維度數組與矩陣運算，提供了非常豐富的數學運算函數，並且，相對於Python自身提供的列表類型，它在運算速度上有著無與倫比的優勢。
  • python數據分析包|Pandas&NumPy小抄(Cheat_Sheet)
    3、NumPy速查手冊二文本格式#Importing/exporting#numpy讀入及保存內容np.loadtxt('file.txt') | From a text filefile.csv',delimiter=',') | From a CSV filenp.savetxt('file.txt',arr,delimiter=' ') | Writes to a text filenp.savetxt('file.csv',arr,delimiter=',') | Writes to a CSV file#Creating Arrays#numpy
  • 如何將Numpy加速700倍?用 CuPy 呀
    只要用兼容的 CuPy 代碼替換 Numpy 代碼，用戶就可以實現 GPU 加速。CuPy 支持 Numpy 的大多數數組運算，包括索引、廣播、數組數學以及各種矩陣變換。如果遇到一些不支持的特殊情況，用戶也可以編寫自定義 Python 代碼，這些代碼會利用到 CUDA 和 GPU 加速。
  • 第04篇:資料庫中如何使用代碼實現建庫、建表、建約束
    前面在第一篇中，曾主要講解通過資料庫管理系統（DBMS）的圖形化界面實現建庫、建表、建約束。雖然簡單易操作，但如果不小心將資料庫、表格意外刪除，就需要重新創建；如果多次執行這樣的操作就會感覺非常繁瑣。再者當項目測試完成後，需要部署在客戶的真實電腦上。
  • 4個Python初學者必學的Numpy小技巧
    下面小芯就基於實踐整理出了Python初學者應該學習的4個numpy技巧，它們能夠幫助你編寫更簡潔易讀的代碼。在學習numpy技巧之前，請確保已熟悉以下文章中的一些Python內置功能。1. 掩碼數組——選擇數據集是不完善的，它們總是包含缺失或無效記錄的數組，而這些記錄是時常需要忽略的。例如，由於傳感器故障，氣象站的測量值可能包含缺失值。
  • 好程式設計師Python培訓分享numpy簡介
    好程式設計師Python培訓分享numpy簡介：一、numpy簡介：NumPy是一個功能強大的Python庫，主要用於對多維數組執行計算。NumPy這個詞來源於兩個單詞-- Numerical和Python。NumPy提供了大量的庫函數和操作，可以幫助程式設計師輕鬆地進行數值計算。
  • 如何獲取numpy數組的真實地址?如何與ctypes數組共享內存?
    那麼，如何使用ctypes庫定義一個與numpy共享內存空間的數組變量呢？仍以上面的例子，定義一個uint8類型的數組b，與a數組共享內存區域，可使用下面的代碼：b = (c_uint8*len(a)).from_address(a.
  • Python學習第112課——numpy中數組查找元素和改變元素的小技巧
    代碼如下：現在我們學習幾個用index找到ndarray中元素的小技巧。★技巧1：★技巧2：以上兩種寫法運行結果都是：以上兩種簡寫技巧，相當於從h中找到元素時，通過兩個list[0,1,2]和[2,1,0]，每個list的元素一一對應，分別取出第1行第3列、第2行第2列、第3行第1列的元素，三個元素分別為3、5、7。