软件测试|Python科学计算神器numpy教程(九)

简介: 软件测试|Python科学计算神器numpy教程(九)

image.png

NumPy实现数组元素的增删改查
前言
NumPy是Python中最常用的科学计算库之一,它提供了高性能的多维数组对象和各种用于操作数组的函数。在本文中,我们将探讨如何使用NumPy进行数组元素的增加、删除、修改和查询操作。这些操作是数据处理和分析中常用的操作,通过学习它们,您将能够更好地利用NumPy进行数据处理和分析。

增加元素
在NumPy中,可以通过几种方式增加数组元素:

append:向数组末尾添加元素
insert:在指定位置插入元素
concatenate:将两个数组连接起来
代码示例:

import numpy as np

使用numpy.append()函数向数组末尾添加元素

arr = np.array([1, 2, 3])
new_arr = np.append(arr, 4)
print(new_arr) # 输出:[1 2 3 4]

使用numpy.insert()函数在指定位置插入元素

arr = np.array([1, 2, 3])
new_arr = np.insert(arr, 1, 4)
print(new_arr) # 输出:[1 4 2 3]

使用numpy.concatenate()函数将两个数组连接起来

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
new_arr = np.concatenate((arr1, arr2))
print(new_arr) # 输出:[1 2 3 4 5 6]
删除元素
在NumPy中,可以使用numpy.delete()函数删除数组中的元素。该函数需要指定要删除的数组和要删除的索引或切片。

代码如下:

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
new_arr = np.delete(arr, 2)
print(new_arr) # 输出:[1 2 4 5]

arr = np.array([1, 2, 3, 4, 5])
new_arr = np.delete(arr, [1, 3])

print(new_arr) # 输出:[1 3 5]

输出结果如下:
[1 2 4 5]
[1 3 5]
修改元素
在NumPy中,可以通过直接赋值的方式修改数组中的元素,也可以使用numpy.put()函数将指定的值放入数组的指定位置。

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
arr[2] = 6
print(arr) # 输出:[1 2 6 4 5]

arr = np.array([1, 2, 3, 4, 5])
np.put(arr, [1, 3], [10, 20])
print(arr) # 输出:[1 10 3 20 5]
查询元素
在NumPy中,可以使用索引或切片的方式查询数组中的元素。

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr[2]) # 输出:3

arr = np.array([1, 2, 3, 4, 5])
print(arr[1:4]) # 输出:[2 3 4]
总结
通过学习本文中介绍的方法,您现在应该能够使用NumPy进行数组元素的增加、删除、修改和查询操作了。NumPy提供了丰富的函数和方法,可以帮助您更高效地处理和分析数据。掌握这些操作将为您在数据科学和机器学习领域的工作中提供便利和灵活性。希望本文对您的学习有所帮助!

相关文章
|
6天前
|
Python
NumPy 教程 之 NumPy 统计函数 9
NumPy提供了多种统计函数,如计算数组中的最小值、最大值、百分位数、标准差及方差等。其中,标准差是一种衡量数据平均值分散程度的指标,它是方差的算术平方根。例如,对于数组[1,2,3,4],其标准差可通过计算各值与均值2.5的差的平方的平均数的平方根得出,结果为1.1180339887498949。示例代码如下: ```python import numpy as np print(np.std([1,2,3,4])) ``` 运行输出即为:1.1180339887498949。
99 50
|
7天前
|
数据采集 存储 搜索推荐
打造个性化网页爬虫:从零开始的Python教程
【8月更文挑战第31天】在数字信息的海洋中,网页爬虫是一艘能够自动搜集网络数据的神奇船只。本文将引导你启航,用Python语言建造属于你自己的网页爬虫。我们将一起探索如何从无到有,一步步构建一个能够抓取、解析并存储网页数据的基础爬虫。文章不仅分享代码,更带你理解背后的逻辑,让你能在遇到问题时自行找到解决方案。无论你是编程新手还是有一定基础的开发者,这篇文章都会为你打开一扇通往数据世界的新窗。
|
6天前
|
Python
NumPy 教程 之 NumPy 统计函数 10
NumPy统计函数,包括查找数组中的最小值、最大值、百分位数、标准差和方差等。方差表示样本值与平均值之差的平方的平均数,而标准差则是方差的平方根。例如,`np.var([1,2,3,4])` 的方差为 1.25。
92 48
|
1天前
|
存储 Python
NumPy 教程 之 NumPy 字节交换 1
本教程介绍了NumPy中的字节交换功能。字节顺序规定了多字节对象在内存中的存储规则,分为大端模式和小端模式。大端模式下,高字节存于低地址;而在小端模式下则相反。`numpy.ndarray.byteswap()`函数用于对ndarray中的每个元素进行字节序转换。示例展示了如何使用该函数实现字节交换,并提供了具体输出结果。
21 11
|
1天前
|
Python
NumPy 教程 之 NumPy 副本和视图 1
NumPy 副本和视图教程介绍:副本是对原始数据的完全拷贝,修改副本不会影响原始数据;而视图则是原始数据的引用,修改视图会影响原始数据。视图通常通过切片操作或 `ndarray.view()` 方法获得,副本则通过 `ndarray.copy()` 或 `deepCopy()` 函数生成。简单赋值不创建副本,而是共享原始数据。
23 9
|
2天前
|
机器学习/深度学习 搜索推荐 算法
NumPy 教程 之 NumPy 排序、条件筛选函数 8
NumPy提供了多种排序方法,包括快速排序、归并排序及堆排序,各有不同的速度、最坏情况性能、工作空间和稳定性特点。此外,NumPy还提供了`numpy.extract()`函数,可以根据特定条件从数组中抽取元素。例如,在一个3x3数组中,通过定义条件选择偶数元素,并使用该函数提取这些元素。示例输出为:[0., 2., 4., 6., 8.]。
16 8
|
5天前
|
机器学习/深度学习 搜索推荐 算法
NumPy 教程 之 NumPy 排序、条件筛选函数 2
介绍NumPy` 中的排序方法与条件筛选函数。通过对比快速排序、归并排序及堆排序的速度、最坏情况性能、工作空间需求和稳定性,帮助读者选择合适的排序算法。此外,还深入讲解了 `numpy.argsort()` 的使用方法,并通过具体实例展示了如何利用该函数获取数组值从小到大的索引值,并据此重构原数组,使得其变为有序状态。对于学习 `NumPy` 排序功能来说,本教程提供了清晰且实用的指导。
15 7
|
2天前
|
机器学习/深度学习 搜索推荐 算法
NumPy 教程 之 NumPy 排序、条件筛选函数 5
NumPy中的排序方法及特性对比,包括快速排序、归并排序与堆排序的速度、最坏情况性能、工作空间及稳定性分析。并通过`numpy.argmax()`与`numpy.argmin()`函数演示了如何获取数组中最大值和最小值的索引,涵盖不同轴方向的操作,并提供了具体实例与输出结果,便于理解与实践。
12 4
|
3天前
|
测试技术 持续交付 Apache
性能测试不再愁!Python+JMeter+Locust,三步打造高性能应用
【9月更文挑战第4天】随着互联网的发展,软件性能成为衡量应用成功的关键。性能测试确保应用稳定高效运行,但复杂环境和多样需求带来了挑战。Python、JMeter和Locust三款工具可构建高效全面的性能测试方案。Python语法简洁,库丰富;JMeter提供图形界面,支持多种协议;Locust基于Python,简单易用且高度可扩展。结合三者,能满足复杂需求,保证灵活性与高效性。无论初学者还是资深工程师,都能确保应用高性能运行。
10 1
|
7天前
|
Web App开发 测试技术 API
自动化测试之美:使用Selenium和Python进行Web应用测试
【8月更文挑战第31天】在软件开发的快节奏世界中,自动化测试如同一束明灯,照亮了质量保证之路。本文将引导你通过Selenium和Python的强大组合,探索如何构建高效的Web应用测试框架。我们不仅会讨论理论,还会深入代码,从一个简单的示例开始,逐步扩展至更复杂的场景。无论你是初学者还是有经验的开发者,这篇文章都将为你提供宝贵的见解和实用的技巧。让我们一同揭开自动化测试的神秘面纱,体验它的魅力所在。
下一篇
DDNS