这篇文章主要介绍Python Numpy库如何使用的相关内容，对新手学习和理解 Numpy库的使用有一定的帮助，感兴趣的朋友可以了解看看，希望大家阅读完这篇文章能有所收获，接下来跟随小编一起来学习一下吧。

Numpy库介绍

    numpy 库处理的最基础数据类型是由同种元素构成的多维数组（ndarray）， 简称" 数组”，数组中所有元素的类型必须相同， 数组中元素可以用整数索引， 序号从0开始。 ndarray类型的维度(dimensions)叫做轴(axes)， 轴的个数叫做秩(rank)。 一维数组的秩为1， 二维数组的秩为2， 二维数组 相当于由两个一维数组构成

    numpy 库概述：
    由于numpy 库中函数较多且命名容易与常用命名混淆，建议采用如下方式引用numpy 库：

import numpy as np

    其中， as保留字与import一起使用能够改变后续代码中库的命名空间， 有助于提高代码可读性。 简单说， 在程序的后续部分中， np代替numpy。

ndarray 类常用属性

    创建一个简单的数组后， 可以查看ndarray类型有一些基本属性

    1.ndarray.ndim
    数组轴的个数，在python的世界中，轴的个数被称作秩

    2.ndarray.shape
    数组的维度。这是一个指示数组在每个维度上大小的整数元组。例如一个n排m列的矩阵，它的shape属性将是(2,3),这个元组的长度显然是秩，即维度或者ndim属性

    3.ndarray.size
    数组元素的总个数，等于shape属性中元组元素的乘积。

    4.ndarray.dtype
    一个用来描述数组中元素类型的对象，可以通过创造或指定dtype使用标准Python类型。另外NumPy提供它自己的数据类型。

    5.ndarray.itemsize
    数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(=64/8),又如，一个元素类型为complex32的数组item属性为4(=32/8).

    6.ndarray.data
    包含实际数组元素的缓冲区，通常我们不需要使用这个属性，因为我们总是通过索引来使用数组中的元素。

import numpy as np #引入numpy模块
a = np.ones((4,5))
print(a)
print('数据轴个数： ',a.ndim)
print('每个维度的数据个数： ',a.shape)
print('数据类型',a.dtype)

# 结果
[[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1.]]
数据轴个数：  2
每个维度的数据个数：  (4, 5)
数据类型 float64

    小结：

Numpy常用函数

    array函数

    函数原型：

np.array([x,y,x],dtype=int)  # 从列表和元组中创建数组

    功能：array函数将列表转矩阵

import numpy as np #引入numpy模块
array=np.array([[1,2,3], #列表转矩阵
[4,5,6]])
print(array)
print('number of dim',array.ndim) #输出矩阵数据轴数
print('size',array.size) #输出矩阵总元素个数

# 结果
[[1 2 3]
[4 5 6]]
number of dim 2
size 6

    arange()函数和linspace()函数

    函数原型：

np.arange(x,y,i)   # 创建一个由x到y,以i为步长的数组
np.linspace(x,y,n)  # 创建一个由x到y，等分为n个元素的数组

import numpy as np #引入numpy模块
a=np.arange(1,12,2)# np.arange从1到12，间隔为2
print(a)
#从2到12，生成随机6个数，并控制为2行3列
b=np.linspace(2,12,6).reshape(2,3)
print(b)

# 结果：
[ 1 3 5 7 9 11]
[[ 2. 4. 6.]
[ 8. 10. 12.]]

    zeros(),empty和ones()

    功能：创建都是初始值相同元素（0，1）的数组
    函数原型：

np.ones((m,n),dtype)  # 创建一个m行n列的全为1的数组
np.zeros((m,n),dtype)  # 创建一个m行n列的全为0的数组
np.empty((m,n),dtype)  # 创建一个m行n列的全为0的数组

import numpy as np #引入numpy模块
a=np.zeros((5,8)) #元素都是0
b=np.ones((5,6)) #元素都是1
print(a)
print(b)

# 结果：
[[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0.]]
[[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]
[1. 1. 1. 1. 1. 1.]]

    ndarray 类的索引和切片方法

    和列表的索引差不多的

import numpy as np #引入numpy模块
a = np.random.rand(5,3)#生成随机5行3列数组
print(a)
print('获取第2行',a[2]) #获取第2行
print('切片',a[1:3]) #切片， 1到3行，不包括3
print('切片',a[-5:-2:2]) #切片，从后向前，步长为2

# 结果
[[0.53469047 0.47559129 0.65865181]
[0.89942399 0.66683114 0.55181635]
[0.11989817 0.06055933 0.56880058]
[0.95744499 0.94814163 0.2155053 ]
[0.95179242 0.61544664 0.40876683]]
获取第2行 [0.11989817 0.06055933 0.56880058]
切片 [[0.89942399 0.66683114 0.55181635]
[0.11989817 0.06055933 0.56880058]]
切片 [[0.53469047 0.47559129 0.65865181]
[0.11989817 0.06055933 0.56880058]]

    numpy 库运算函数

    总结

    提示：这里对文章进行总结：

    numpy 库还包括三角运算函数、 傅里叶变换、 随机和概率分布、 基本数值统计、 位运算、 矩阵运算等非常丰富的功能， 在使用时可以到官方网站查询

    python基础查表

    关于python中Numpy库的使用就介绍到这，上述示例具有一定的借鉴价值，感兴趣的朋友可以参考，希望能对大家有帮助，想要了解更多Numpy库的使用，大家可以关注其它的相关文章。

文本转载自脚本之家

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。