Grundlegendes Erlernen von Numpy in Python und Durchführen von Array- und Vektorberechnungen

Vorwort

In Python verwenden wir manchmal Arrays, um Daten zu verarbeiten, was die Datenverarbeitungseffizienz erheblich verbessern kann. Es ähnelt der Vektorisierungsoperation von R, die ein Datentrend ist Der Einfachheit halber können Array- und Vektorberechnungen mit dem Numpy-Modul in Python durchgeführt werden.

Schauen wir uns ein einfaches Beispiel an

import numpy as np
 
data=np.array([2,5,6,8,3]) #构造一个简单的数组
 
print(data)

Ergebnis:

[2 5 6 8 3]

data1=np.array([[2,5,6,8,3],np.arange(5)]) #构建一个二维数组
 
print(data1)

Ergebnis:

[[2 5 6 8 3]
[0 1 2 3 4]]

Wir können die Abmessungen und das Datenformat des Arrays auch über die Shape- und Dtype-Methoden anzeigen

print(data.shape)
print(data.dtype)
print(data1.shape)
print(data1.dtype)

Ergebnis:

(5,)
int32

(2, 5)
int32

Es ist ersichtlich, dass die Daten ein eindimensionales Array sind, jede Gruppe hat 5 Elemente und der Datentyp ist ein 32-Bit-int-Typ

data1 ist ein zweidimensionales Array, jede Gruppe hat 5 Elemente , und der Datentyp ist 32-Bit-int-Typ

Eine bessere Möglichkeit zur Unterscheidung besteht darin, sich die Anzahl und Position der eckigen Klammern in den gedruckten Ergebnissen anzusehen, und Sie können die Abmessungen der Array-A-Ebene sehen in eckigen Klammern steht für eine Dimension.

Andere Array-Attributmethoden umfassen:

array.ndim Die Dimension des Arrays, das Ergebnis eines eindimensionalen Arrays ist 1 und das Druckergebnis von a zweidimensionales Array ist 2

array.sizeAnzahl der Elemente im Array

array.itemsizDie Bytegröße jedes Elements im Array

Als nächstes Werfen wir einen Blick auf die Datentypen im Array:

Grundlegende Datentypen in NumPy

基础的数组运算

数组也可以进行我们常用的加减乘除运算

arr=np.array(np.arange(10))
arr1=np.array(np.arange(1,11))
print(arr*2)

结果：

[ 0 2 4 6 8 10 12 14 16 18]

print(arr+arr1)

结果：

[ 1 3 5 7 9 11 13 15 17 19]

注意，相加两个数组长度要一样

接下来我们看下数组索引

arr=np.arange(10)

用下标直接进行索引

print(arr[5])

结果为：

5

切片索引

print(arr[5:8])

结果为：

[5 6 7]

可以利用索引对数据进行更改操作

arr[5]=120
print(arr)

结果为：

[ 0 1 2 3 4 120 6 7 8 9]

可以看到下标为5的数已经变成120了。

此外，数组还可以进行布尔操作

arr=np.arange(5)
name=np.array(['a','b','b','c','a'])
print(name=='a')

结果为：

[ True False False False True]

即满足条件的数据全部以True的结果输出。

接下来我们可以利用name数组设置条件后的布尔值对arr数组进行相关操作

print(arr[name=='a'])

结果为：

[0 4]

即把arr中对应于name中a相对应位置的元素打印出来。

多条件操作

result=(name='a')|(name='c')
print(result)
print(name[result])

结果为：

[ True False False True True]
['a' 'c' 'a']

接下来，我们了解下ufunc方法

用于操作单个数组的函数有如下：

用于操作两个或多个数组的方法

相关的函数方法使用

np.meshgrid 用于生成多维矩阵

a,b=np.meshgrid(np.arange(1,5),np.arange(2,4))
print(a)
print(b)

结果为：

[[1 2 3 4]
[1 2 3 4]]
[[2 2 2 2]
[3 3 3 3]]

按照数据最少的数组形成数组

np.where 是三元表达式 x if condition else y的矢量化版本

arr1=np.arange(5)
arr2=np.arange(20,25)
condition=np.array([1,0,1,0,0])
result=np.where(condition,arr1,arr2)
print(arr1)
print(arr2)
print(result)

结果为：

[0 1 2 3 4]
[20 21 22 23 24]
[ 0 21 2 23 24]

可以看出，result的结果中，条件为1的显示数组arr1的内容，条件为0的显示arr2的内容

数学统计方法

在数组中我们也可以使用数学统计方法进行计数，例如sum mean std 等

arr=np.random.randint(1,20,10)
print(arr)
print(np.mean(arr))
print(np.sum(arr))
print(np.std(arr))

结果为：

[19 14 8 13 13 10 10 9 19 7]
12.2
122
4.01995024845

具体的方法内容如下图所示：

布尔型数组的相关统计方法

arr=np.arange(-20,10)
result=(arr>5).sum()
print(arr)
print(result)

结果为：

-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3
-2 -1 0 1 2 3 4 5 6 7 8 9]

4

可以对数据进行判断后进行个数求和

其他的数组方法还有

数据的读取和存储

线性函数的常用方法

arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)])
print(arr)
print(np.dot(arr,2))

结果为

[[ 4 6 5 1 6]
[14 16 11 10 18]]
[[ 8 12 10 2 12]
[28 32 22 20 36]]

dot方法可以进行矩阵相乘操作

其他方法如下图

最后我们了解下numpy中的随机数生成方法

上面的很多例子中我们已经用到了随机数生成，

arr=np.random.random(10)
print(arr)

结果为

[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776
0.42150977 0.27728599 0.50888291 0.62288808]

其他形式的随机数生成方法

更多python中numpy基础学习及进行数组和矢量计算相关文章请关注PHP中文网！