科学计算库Numpy-数据结构

简介: 科学计算库Numpy-数据结构

假定所有操作都事先导入numpy库


import numpy


1、查询文档


在运用numpy库的时候遇到不知道使用的函数可以查询官方文档来学习,例如查询genfromtxt()函数的文档


print(help(numpy.genfromtxt))


2、创建向量(数组)和矩阵


①创建一个向量


vector = numpy.array([5, 10, 15, 20])
print(vector)


结果为:[ 5 10 15 20 ]


②创建一个矩阵


matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])
print(matrix)


结果为:


[[5, 10, 15] 
[20, 25, 30] 
[35, 40, 45]]


3、对向量和矩阵进行描述


vector = numpy.array([5, 10, 15])
print(vector.shape)


结果为:( 3, )

即向量 vector 中有三个元素


matrix = numpy.array([[5, 10, 15], [20, 25, 30]])
print(matrix.shape)


结果为:( 2, 3 )

即矩阵matrix中有2行3列


4、获取向量和数组中的数据的类型

以向量举例


vector = numpy.array([1, 2, 3, 4, 5])
vector.dtype


结果为:dtype(‘int32’)

即vector中数据的类型为int32


需要注意的是,向量和矩阵中的所有元素必须是同一数据类型,如果同时存在整数和浮点数,那么所有元素都会被定义为浮点数


例:


vector = numpy.array([1, 2, 3, 4, 5.0])
vector.dtype


结果为:dtype(‘float64’)


5、读取文件

例:


filedate = numpy.genfromtxt("filename.txt", delimiter=",", dtype=str, skip_header=1)
print(filedate)


结果即是输出文件中的内容


参数解释:


“filename.txt”即是文件名+拓展名

delimiter=”,”:指定 , 为分隔符,即按 , 断句

dtype=str:读入的文件数据类型是 str 类型

skip_header=1:跳过第一行不读入,若skip_header=0则不跳过第一行(第一行往往是表头,不是我们需要的数据)


需要注意的是,genfromtxt()函数读出的数据是矩阵格式


6、切片取样


假定向量和矩阵


vector = numpy.array([1, 2, 3, 4])
matrix = numpy.array([['Iam', 'smell', '108'],
                      ['Not', 'brick', '116'],
                      ['Yes', 'phone', '132']])


①若想取出矩阵中的元素“116”,则使用如下语句


print(matrix[1, 2])   #取出第2行第3列的元素(索引值从0算起)


结果为:116


②若想取出向量的前三个元素,则使用如下语句


print(vector[0:2])


结果为:[ 1 2 3 ]


③若想取出矩阵的第三列,则使用如下语句


print(matrix[:,2])     #":,"取列


结果为:[ ‘108’ ‘116’ ‘132’]


④若想取出矩阵中前两列的前两个元素,则使用如下语句


print(matrix[:,0:2])


结果为:

[[‘Iam’, ‘smell’], 
[‘Not’, ‘brick’]]


⑤若想取出矩阵中的后两行的前两列,则使用如下语句


print(matrix[1:3, 0:2])


结果为:

[[‘Not’, ‘brick’], 
[‘Yes’, ‘phone’]]


相关文章
|
1月前
|
数据采集 数据处理 Python
探索数据科学前沿:Pandas与NumPy库的高级特性与应用实例
探索数据科学前沿:Pandas与NumPy库的高级特性与应用实例
33 0
|
20天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
28 3
|
22天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
46 5
|
21天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
38 2
|
1月前
|
机器学习/深度学习 数据采集 算法
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
【10月更文挑战第5天】随着数据科学和机器学习领域的快速发展,处理大规模数据集的能力变得至关重要。Python凭借其强大的生态系统,尤其是NumPy、Pandas和SciPy等库的支持,在这个领域占据了重要地位。本文将深入探讨这些库如何帮助科学家和工程师高效地进行数据分析,并通过实际案例来展示它们的一些高级应用。
51 0
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
|
1月前
|
机器学习/深度学习 算法 数据挖掘
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧1
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧
51 5
|
1月前
|
机器学习/深度学习 算法 数据可视化
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧2
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧
40 1
|
2月前
|
数据挖掘 Python
NumPy求解微分方程:轻松掌握科学计算的利器
NumPy求解微分方程:轻松掌握科学计算的利器
57 0
|
2月前
|
数据挖掘 Python
​Python神奇之旅:探索NumPy库的力量
​Python神奇之旅:探索NumPy库的力量
17 0
|
19天前
|
C语言
【数据结构】栈和队列(c语言实现)(附源码)
本文介绍了栈和队列两种数据结构。栈是一种只能在一端进行插入和删除操作的线性表,遵循“先进后出”原则;队列则在一端插入、另一端删除,遵循“先进先出”原则。文章详细讲解了栈和队列的结构定义、方法声明及实现,并提供了完整的代码示例。栈和队列在实际应用中非常广泛,如二叉树的层序遍历和快速排序的非递归实现等。
97 9

热门文章

最新文章

相关实验场景

更多
下一篇
无影云桌面