[python]Numpy快速入门

简介: NumPY是Python的一个矩阵处理库,提供了大量点矩阵处理函数,其内部通过C语言实现,执行速度快。1.一维NumPY数组使用NumPY提供的arange(n)函数可以创建一个包含n个元素的NumPY数组,取值分别为0~n-1.

NumPY是Python的一个矩阵处理库,提供了大量点矩阵处理函数,其内部通过C语言实现,执行速度快。

1.一维NumPY数组

使用NumPY提供的arange(n)函数可以创建一个包含n个元素的NumPY数组,取值分别为0~n-1.

>>> from NumPY import *
>>> a=arange(4)
>>> a
array([0, 1, 2, 3])
>>> a.shape
(4,)
>>> 

使用array()创建NumPY数组.

>>> mm=array((4,5,1))
>>> mm
array([4, 5, 1])
>>> pp=array((10,20,30))
>>> pp
array([10, 20, 30])
>>> mm+pp
array([14, 25, 31])
>>> pp*2
array([20, 40, 60])

使用标准的Python时,向量运算需要循环实现,使用NumPY可以直接运算. 对每个元素平方:

>>> mm**2
array([16, 25,  1])

访问元素:

>>> mm[1]
5
>>> pp[2]
30
>>> 2*mm[1]
10
>>> 

2. 多维NumPY数组

>>> jj=array([[1,2,3],[4,5,6],[7,8,9]])
>>> jj
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

数组访问:

>>> jj[1]
array([4, 5, 6])
>>> jj[1][1]
5
>>> jj[0,2]
3

数组相乘

>>> a1=array([1,2,3])
>>> b1=array([4,8,10])
>>> a1*b1
array([ 4, 16, 30])
>>> a2=array([[2,3,4],[5,6,7]])
>>> b2=array([[1,2,3],[4,5,6]])
>>> a2*b2
array([[ 2,  6, 12],
       [20, 30, 42]])
>>> 

可以看到NumPY数组相乘,两个数组行和列都是相同的,然后对应位置相乘。数组乘法和矩阵乘法还是有区别的,矩阵乘法中两个矩阵必须满足m*n和n*k的条件。

3.NumPY矩阵

创建NumPY矩阵需要导入matrix或mat模块

>>> from numpy import mat,matrix
>>> m1=mat([[1,2,3],[2,3,1]])
>>> m1
matrix([[1, 2, 3],
        [2, 3, 1]])
>>> m2=mat([[1,1,2],[2,1,1]])
>>> m2
matrix([[1, 1, 2],
        [2, 1, 1]])
>>> m1*m2
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Library/Frameworks/Python.framework/Versions/3.5/lib/python3.5/site-packages/numpy/matrixlib/defmatrix.py", line 343, in __mul__
    return N.dot(self, asmatrix(other))
ValueError: shapes (2,3) and (2,3) not aligned: 3 (dim 1) != 2 (dim 0)

这时候m1*m2会发生错误,m1,m2 都为2*3的矩阵,因此不能相乘。把m2转置为3*2的矩阵:

>>> m2.T
matrix([[1, 2],
        [1, 1],
        [2, 1]])
>>> m1*m2.T
matrix([[9, 7],
        [7, 8]])

如果想把矩阵m1和m2中的元素对应相乘,可以使用multiply函数:

>>> from numpy import multiply
>>> m1
matrix([[1, 2, 3],
        [2, 3, 1]])
>>> m2
matrix([[1, 1, 2],
        [2, 1, 1]])
>>> multiply(m1,m2)
matrix([[1, 2, 6],
        [4, 3, 1]])

使用shape函数查看矩阵的维数:

>>> m1.shape
(2, 3)

使用sort函数可以把矩阵中的每一行元素进行排序:

>>> m3=mat([[7,5,4],[9,8,7],[5,2,0]])
>>> m3
matrix([[7, 5, 4],
        [9, 8, 7],
        [5, 2, 0]])
>>> m3.sort()
>>> m3
matrix([[4, 5, 7],
        [7, 8, 9],
        [0, 2, 5]])

计算矩阵平均值:

>>> m3.mean()
5.2222222222222223

取出某一行元素:

>>> m3
matrix([[4, 5, 7],
        [7, 8, 9],
        [0, 2, 5]])
>>> m3[1,:]
matrix([[7, 8, 9]])
>>> m3[2,:]
matrix([[0, 2, 5]])

取指定范围元素, 如取出矩阵m3中第三行中的第二列和第三列,也就算2和5:

>>> m3[2,1:3]
matrix([[2, 5]])

官方文档:numpy-1.10.1

目录
相关文章
|
存储 Java 数据处理
(numpy)Python做数据处理必备框架!(一):认识numpy;从概念层面开始学习ndarray数组:形状、数组转置、数值范围、矩阵...
Numpy是什么? numpy是Python中科学计算的基础包。 它是一个Python库,提供多维数组对象、各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法,包括数学、逻辑、形状操作、排序、选择、I/0 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。 Numpy能做什么? numpy的部分功能如下: ndarray,一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组 用于对整组数据进行快速运算的标准数学函数(无需编写循环)。 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。 线性代数、随机数生成以及傅里叶变换功能。 用于集成由C、C++
896 1
|
Java 数据处理 索引
(numpy)Python做数据处理必备框架!(二):ndarray切片的使用与运算;常见的ndarray函数:平方根、正余弦、自然对数、指数、幂等运算;统计函数:方差、均值、极差;比较函数...
ndarray切片 索引从0开始 索引/切片类型 描述/用法 基本索引 通过整数索引直接访问元素。 行/列切片 使用冒号:切片语法选择行或列的子集 连续切片 从起始索引到结束索引按步长切片 使用slice函数 通过slice(start,stop,strp)定义切片规则 布尔索引 通过布尔条件筛选满足条件的元素。支持逻辑运算符 &、|。
609 0
|
机器学习/深度学习 API 异构计算
JAX快速上手:从NumPy到GPU加速的Python高性能计算库入门教程
JAX是Google开发的高性能数值计算库,旨在解决NumPy在现代计算需求下的局限性。它不仅兼容NumPy的API,还引入了自动微分、GPU/TPU加速和即时编译(JIT)等关键功能,显著提升了计算效率。JAX适用于机器学习、科学模拟等需要大规模计算和梯度优化的场景,为Python在高性能计算领域开辟了新路径。
1215 0
JAX快速上手:从NumPy到GPU加速的Python高性能计算库入门教程
|
存储 数据采集 数据处理
Pandas与NumPy:Python数据处理的双剑合璧
Pandas与NumPy是Python数据科学的核心工具。NumPy以高效的多维数组支持数值计算,适用于大规模矩阵运算;Pandas则提供灵活的DataFrame结构,擅长处理表格型数据与缺失值。二者在性能与功能上各具优势,协同构建现代数据分析的技术基石。
1069 0
|
Linux 数据库 数据安全/隐私保护
Python web Django快速入门手册全栈版,共2590字,短小精悍
本教程涵盖Django从安装到数据库模型创建的全流程。第一章介绍Windows、Linux及macOS下虚拟环境搭建与Django安装验证;第二章讲解项目创建、迁移与运行;第三章演示应用APP创建及项目汉化;第四章说明超级用户创建与后台登录;第五章深入数据库模型设计,包括类与表的对应关系及模型创建步骤。内容精炼实用,适合快速入门Django全栈开发。
887 1
|
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。
1180 5
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
677 2
|
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。
573 3
|
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。
844 2
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
569 1

推荐镜像

更多