# 将100个数改成10*10的形状

np1 = np.arange(0,100,1)
np1


array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

np1.shape = (-1,20)
np1


array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
[20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
[40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
[60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
[80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])

np2 = np1.reshape(10,-1)
np2


array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], [10, 11, 12, 13, 14, 15, 16, 17, 18, 19], [20, 21, 22, 23, 24, 25, 26, 27, 28, 29], [30, 31, 32, 33, 34, 35, 36, 37, 38, 39], [40, 41, 42, 43, 44, 45, 46, 47, 48, 49], [50, 51, 52, 53, 54, 55, 56, 57, 58, 59], [60, 61, 62, 63, 64, 65, 66, 67, 68, 69], [70, 71, 72, 73, 74, 75, 76, 77, 78, 79], [80, 81, 82, 83, 84, 85, 86, 87, 88, 89], [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])

# === 数组运算 ===

1、矢量化运算

np2/2


array([[ 0. , 0.5, 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5], [ 5. , 5.5, 6. , 6.5, 7. , 7.5, 8. , 8.5, 9. , 9.5], [ 10. , 10.5, 11. , 11.5, 12. , 12.5, 13. , 13.5, 14. , 14.5], [ 15. , 15.5, 16. , 16.5, 17. , 17.5, 18. , 18.5, 19. , 19.5], [ 20. , 20.5, 21. , 21.5, 22. , 22.5, 23. , 23.5, 24. , 24.5], [ 25. , 25.5, 26. , 26.5, 27. , 27.5, 28. , 28.5, 29. , 29.5], [ 30. , 30.5, 31. , 31.5, 32. , 32.5, 33. , 33.5, 34. , 34.5], [ 35. , 35.5, 36. , 36.5, 37. , 37.5, 38. , 38.5, 39. , 39.5], [ 40. , 40.5, 41. , 41.5, 42. , 42.5, 43. , 43.5, 44. , 44.5], [ 45. , 45.5, 46. , 46.5, 47. , 47.5, 48. , 48.5, 49. , 49.5]])

2、 一维数组运算

Chinese = np.array([89,70,59,22])
Math = np.array([99,99,99,98])
Chinese+Math


array([188, 169, 158, 120])

3、 多维数组运算，加法

ran1 = np.random.randint(0,100,[3,3])
print(ran1)
ran2 = np.random.randint(0,100,[3,3])
print(ran2)
ran1 + ran2


[[ 8 6 1] [ 7 21 6] [45 88 7]]
[[74 76 95] [97 88 96] [92 6 78]]
[[82, 82, 96], [104, 109, 102], [137, 94, 85]]

4、 数组广播

ran1 = np.random.randint(0,100,[3,3])
print(ran1)


[[84 25 38] [87 32 60] [41 14 76]]
[[144, 35, 58], [147, 42, 80], [101, 24, 96]]

addScore = np.array([60,10,20]).reshape(3,1)


array([[60],
[10],
[20]])

a、如果第一个数组是3X3，那么广播的数组必须是1X3 或 3X1
b、广播数组的行列与源数组，要么相同，要么为1
c、多维数组的条件以此类推。

|
1天前
|

NumPy 教程 之 NumPy 创建数组 8
**NumPy创建数组：使用zeros_like创建与原数组形状相同的零数组。zeros_like(a, dtype=None, order=&#39;K&#39;, subok=True, shape=None)基于给定数组a的形状，生成所有元素为0的新数组。参数可定制数据类型、存储顺序和形状。实例：创建一个3x3的零矩阵。**
13 7
|
1天前
|
Python
NumPy 教程 之 NumPy 创建数组 6
NumPy教程中介绍如何用numpy.ones创建数组：生成指定形状的全1数组。例如，np.ones(5)产生一维浮点数数组，np.ones([2,2], dtype=int)则创建二维整数数组。输出：  [1. 1. 1. 1. 1.] [[1 1] [1 1]]  形状、数据类型（默认None为浮点型）和内存排列顺序（默认&#39;C&#39;）可自定义。
10 3
|
2天前
|
Python
NumPy 教程 之 NumPy 创建数组 5
NumPy教程：使用numpy.ones创建全1数组，形如numpy.ones(shape, dtype=None, order=&#39;C&#39;)，参数shape定义数组形状，dtype指定数据类型，默认无类型，order设定内存布局，默认&#39;C&#39;（行优先）。
10 4
|
3天前
|

NumPy 教程 之 NumPy 创建数组 1
**NumPy创建数组教程：** 使用numpy.empty快速生成未初始化的数组，形如numpy.empty(shape, dtype=float, order=&#39;C&#39;)，设定数组形状、数据类型和内存排列顺序。
14 4
|
4天前
|
Python
NumPy 教程 之 NumPy 数组属性 7
NumPy教程：数组属性聚焦秩(rank)和轴(axis)，表示维度数量。ndarray.flags揭示内存细节，如C/F_CONTIGUOUS标志指示数据连续性，OWNDATA检查内存所有权，WRITEABLE允许写入，ALIGNED确保硬件对齐，UPDATEIFCOPY涉及副本更新。
11 4
|
3天前
|
Python
NumPy 教程 之 NumPy 数组属性 8
NumPy教程讲解数组属性，数组的秩表示维度数，如一维数组秩为1，二维为2。每个线性数组是轴，二维数组由两轴组成。x=np.array([1,2,3,4,5])，打印x.flags显示数组连续性、数据所有权、可写性等信息。
13 2
|
2天前
|
Python
NumPy 教程 之 NumPy 创建数组 3
NumPy教程：使用numpy.zeros创建全零数组，形状为shape，数据类型默认为float，顺序默认为&#39;C&#39;（行主序）。dtype和order参数可自定义。
8 0
|
16天前
|

Python在社交媒体分析中扮演关键角色，借助Pandas、NumPy、Matplotlib等工具处理、可视化数据及进行机器学习。
【7月更文挑战第5天】Python在社交媒体分析中扮演关键角色，借助Pandas、NumPy、Matplotlib等工具处理、可视化数据及进行机器学习。流程包括数据获取、预处理、探索、模型选择、评估与优化，以及结果可视化。示例展示了用户行为、话题趋势和用户画像分析。Python的丰富生态使得社交媒体洞察变得高效。通过学习和实践，可以提升社交媒体分析能力。
30 1
|
1月前
|
BI 测试技术 索引
Python学习笔记之NumPy模块——超详细(安装、数组创建、正态分布、索引和切片、数组的复制、维度修改、拼接、分割...)-1
Python学习笔记之NumPy模块——超详细(安装、数组创建、正态分布、索引和切片、数组的复制、维度修改、拼接、分割...)
49 0
|
7天前
|
SQL 并行计算 API
23 9