jimore

用户名：uq_30465888842

访问量：8174

签　名：

Don't let the dream just be a dream!!!

等　　级
排　　名	181
经　　验	6656
参赛次数	29
文章发表	63
年　　龄	0
在职情况	学生
学　　校	四川农业大学
专　　业	计算机科学与技术

　　自我简介：

目标院校：上海交通大学

TA的其他文章

SGD（简单教程）
浏览：285

DP解法（包含多种代码版本）
浏览：310

深度学习——反向传播
浏览：127

你可能喜欢

python的numpy模块使用简单教程

　　作者: jimore　　　　发表时间：2022-07-24 19:00:33 浏览：146　|　评论：0　

# Numpy

介绍
    NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
    NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
    1、一个强大的N维数组对象 ndarray
    2、广播功能函数
    3、整合 C/C++/Fortran 代码的工具
    4、线性代数、傅里叶变换、随机数生成等功能

安装检验

from numpy import * 
    print(eye(4)) 
    [[1., 0., 0., 0.], 
    [0., 1., 0., 0.], 
    [0., 0., 1., 0.], 
    [0., 0., 0., 1.]]

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，<font color='red'>以 0 下标为开始进行集合中元素的索引</font>。

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

ndarray 内部由以下内容组成：

•一个指向数据（内存或内存映射文件中的一块数据）的指针。

•数据类型或 dtype，描述在数组中的固定大小值的格子。

•一个表示数组形状（shape）的元组，表示各维度大小的元组。

•一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。

#### 导入numpy库

import numpy as np 
    a = np.array([1,2,3]) 
    print (a)

#### 多一个维度

import numpy as np 
    a = np.array([[1, 2], [3, 4]]) 
    print (a)

#### 最小维度

import numpy as np
     a = np.array([1, 2, 3,4,5], ndmin = 2)
     print (a)

#### dtype参数

import numpy as np a = np.array([1, 2, 3], dtype = complex) 
    print (a)

#### **ndarray****的矢量化计算**

矢量运算：相同大小的数组键间的运算应用在元素上 
    矢量和标量运算：“广播”— 将标量“广播”到各个元素

#ndarray数组与标量/数组的运算 
    x = numpy.array([1,2,3]) 
    print x*2 # [2 4 6] 
    print x>2 # [False False True] 
    y = numpy.array([3,4,5]) 
    print x+y # [4 6 8] 
    print x>y # [False False False]

#### ndarray数组的基本索引和切片

一维数组的索引：与Python的列表索引功能相似
    多维数组的索引：
    arr[r1:r2, c1:c2]
    arr[1,1] 等价 arr[1][1]
    [:] 代表某个维度的数据
    示例
    import numpy as np 
    a = np.arange(10) 
    s = slice(2,7,2) # 从索引 2 开始到索引 7 停止，间隔为2
     print (a[s])
    结果：
    [2,4,6]

## pandas

## 基本语法

#### 创建一般数组

import numpy as np#先引入numpy库
    a=[1,2,3]
    b=np.array(a)
    c=np.array([[1,2,3],[4,5,6]],int)#int也可以改成float

#### 创建全1数组（numpy ones）(参数1：shape（形状）；参数2：dtype（类型）)

import numpy as np
    array_one=np.ones([4,4],dtype=np.int)#[4,4]表示行和列
    print(array_one)

#### 创建全0数组（numpy ones）(参数1：shape（形状）；参数2：dtype（类型）)

import numpy as np
    array_zeros=np.array([4,4],dtype=np.int)
    print(array_zeros)

#### 创建指定数值数组（numpy ones）(参数1：shape（形状）；参数2：constant values（填充常数值）；参数3：dtype（类型)）

import numpy as np
    array_full=np.full((2,3),5,int)#两行三列全5矩阵
    print(array_full)

#### 创建单位矩阵Numpy.eye（参数1：N（方阵的维度））

import numpy as np
    array_eye=np.eye(5)#五行五列对角线都是1，其余都是0
    print(array_eye)

结果
    [[1. 0. 0. 0. 0.]
     [0. 1. 0. 0. 0.]
     [0. 0. 1. 0. 0.]
     [0. 0. 0. 1. 0.]
     [0. 0. 0. 0. 1.]]

#### 创建对角矩阵Numpy.diag(参数1：V（主对角线数值)，参数2：K（对角线元素）K=0表示主对角线，K》0的值选择在主对角线之上的对角线中的元素，K《0则相反

#k=0时
    import numpy as np
    array_diag=np.diag([10,20,30,40],0)
    print(array_diag)
    #结果：
    [[10  0  0  0]
     [ 0 20  0  0]
     [ 0  0 30  0]
     [ 0  0  0 40]]
    #k>0时
    import numpy as np
    array_diag=np.diag([10,20,30,40],1)
    print(array_diag)
    #结果：
    [[ 0 10  0  0  0]
     [ 0  0 20  0  0]
     [ 0  0  0 30  0]
     [ 0  0  0  0 40]
     [ 0  0  0  0  0]]
    #k>0时
    import numpy as np
    array_diag=np.diag([10,20,30,40],-1)
    print(array_diag)
    #结果
    [[ 0  0  0  0  0]
     [10  0  0  0  0]
     [ 0 20  0  0  0]
     [ 0  0 30  0  0]
     [ 0  0  0 40  0]]

### Numpy对数值属性的查看

数值元素个数：array.size或np.size()
    数组形状：array.shape或np.shape()
    数组维度：array.ndim
    数组元素类型：array.dtype

import numpy as np
    array=np.array([[0,1,2,3],[4,5,6,7],[8,9,10,11]],int)
    print(array)
    [[ 0  1  2  3]
     [ 4  5  6  7]
     [ 8  9 10 11]]
    print(array.size)#输入元素个数
    12
    print(np.size(array))#输出元素个数
    12
    print(array.shape)#查看数组形状
    (3,4)
    print(np.shape(array))#查看数组形状
    (3,4)
    print(array.ndim)#查看数组维度
    2
    print(array.dtype)#查看数组类型
    int32#int型都是32位的，如果是float就是64

#### 创建随机数组（np.random)

import numpy as np
    a=np.random.random((1000,20))#从0到20随机抽取1000个浮点数
    print(a)
    [[0.90340788 0.08157696 0.30640552 ... 0.64195739 0.74221985 0.95634388]
     [0.93498173 0.07957775 0.06358612 ... 0.75318889 0.33685202 0.49253405]
     [0.52758311 0.20255629 0.05454481 ... 0.62342643 0.21891599 0.29126533]
     ...
     [0.81632191 0.37237512 0.77167659 ... 0.04014891 0.43749162 0.49926422]
     [0.34862367 0.37421774 0.95288452 ... 0.27866627 0.98237442 0.51873247]
     [0.4114969  0.13682953 0.19009484 ... 0.34002792 0.4756452  0.73208426]]

#### Numpy数组操作

array[start:end]、array[start:]、array[:end]

import numpy as np
    array=np.array([[0,1,2,3],[4,5,6,7],[8,9,10,11]],int)
    print(array[0:2])
    [[0 1 2 3]
     [4 5 6 7]]
    print(array[1:])
    [[ 4  5  6  7]
     [ 8  9 10 11]]
    print(array[:2])
    [[0 1 2 3]
     [4 5 6 7]]

#### 数组的复制（numpy.copy)

import numpy as np
    a=np.array([[1,2,3],[4,5,6],[7,8,9]])
    b=a.copy()
    print(b)
    [[1 2 3]
     [4 5 6]
     [7 8 9]]

#### 数组的排序

Numpy.sort(参数 1：a，数组；参数 2：axis=0/1，0表示行1表示列)：np.sort()作为函数使用时，不更改被排序的原始array；array.sort()作为方法使用时，会对原始array修改为排序后数组array

import numpy as np
    array1 = np.array([[5,7,6,17],[0,1,2,3],[8,9,10,11]],int)
    print(array1)
    [[ 5  7  6 17]
     [ 0  1  2  3]
     [ 8  9 10 11]]
    print(np.sort(array1))# 整体排序
    [[ 5  6  7 17]
     [ 0  1  2  3]
     [ 8  9 10 11]]
    print(np.sort(array1, axis=0))# 仅行排序
    [[ 0  1  2  3]
     [ 5  7  6 11]
     [ 8  9 10 17]]
    print(np.sort(array1, axis=1))# 仅列排序
    [[ 5  6  7 17]
     [ 0  1  2  3]
     [ 8  9 10 11]]

#### 数组转置

reshape()：把指定的数组改变形状，但是元素个数不变；有返回值，即不对原始多维数组进行修改

change_array = np.array([[[0, 1, 2],
                   [10, 12, 13]],
                  [[100, 101, 102],
                   [110, 112, 113]]])
    print(change_array)
    [[[  0   1   2]
      [ 10  12  13]]
    
     [[100 101 102]
      [110 112 113]]]
    print(change_array.shape)
    (2,2,3)#2个子数组，每个子数组有2个子数组，每个子子数组有3个元素
    changed_array = change_array.reshape(3, 2, 2)
    print(changed_array)
    [[[  0   1]
      [  2  10]]
    
     [[ 12  13]
      [100 101]]
    
     [[102 110]
      [112 113]]]
    print(changed_array.shape)
    (3,2,2)#3个子数组，每个子数组有2个子数组，每个子子数组有2个元素
    # 某一维指定为-1时，自动计算维度
    print(change_array.reshape(3, -1))#3为行数(如果是（-1,3）则3是列数）
    [[  0   1   2  10]
     [ 12  13 100 101]
     [102 110 112 113]]

resize()：把指定的数组改变形状，但是元素个数可变，不足补0；无返回值，即对原始多维数组进行修改

change_array.resize((4,3))#把数组转为4行3列
    print(change_array)
    [[  0   1   2]
     [ 10  12  13]
     [100 101 102]
     [110 112 113]]

#### 数组求平均值和最大最小值

numpy.sum() 求和 numpy.mean() 平均值 numpy.min() 最小值/numpy.max() 最大值 numpy.ptp() 最大值与最小值的差（最大值-最小值） numpy.std() 标准差/numpy.var() 方差 多维数组的参数axis

import numpy as np
    score=np.array([[5,7,6,17],[0,1,2,3],[8,9,10,11]],int)
    result=np.mean(score,dtype=np.int)#求整个数组的平均值，并以int的形式输出
    print(result)
    result=np.mean(score,axis=0)#求每一列的平均值
    print(result)
    result=np.mean(score,axis=1)#求每一行的平均值
    print(result)
    min_all=np.min(score)#求整个矩阵的最小值（可以加axis=？来获得每一行\列的最小值）
    print(min_all)
    max_all=np.max(score)#求整个矩阵的最大值（可以加axis=？来获得每一行\列的最小值）
    print(max_all)
    std=np.std(score)#求整个矩阵的标准差
    print(std)

## pandas

pandas 是基于NumPy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。

#### 通过series创建对象以及查看它的数据值和索引

from pandas import Series
    s=Series([1,4,'ww','tt'])
    print(s)
    0     1#（左边的0,1,2,3是右边的对象的索引）
    1     4
    2    ww
    3    tt
    dtype: object
    print(s.index)#index(start,stop,step)(与列表一样是左闭右开)
    RangeIndex(start=0, stop=4, step=1)
    print(s.values)
    [1 4 'ww' 'tt']
    s2=Series(['ycy','girl',22],index=['name','sex','age'])#（可以通过index改变其索引值）
    print(s2)
    name       ycy
    sex        girl
    age         22
    dtype: object
    print(s2['name'])#通过索引值查找值
    'wuxuan'
    s2['name']='mmq'#还可以通过索引值来修改值
    s5=Series({'mn1':'ycy','mn2':'mmq','mn3':'wxy'})#可以通过字典来创建
    print(s5)
    mn1    ycy
    mn2    mmq
    mn3    wxy
    dtype: object
    s6=Series(s5,index=['mn1','mn2'])#取索引来创建
    print(s6)
    mn1    ycy
    mn2    mmq
    dtype: object

## DataFrame

DataFrame 是一种二维的数据结构，非常接近于电子表格或者类似 mysql 数据库的形式。它的竖行称之为 columns，横行跟前面的 Series 一样，称之为 index，也就是说可以通过 columns 和 index 来确定一个主句的位置。

pandas官方中文文档https://www.pypandas.cn/

from pandas import DataFrame
    data={'name':['ycy','mmq','wxy'],'age':[22,22,24],'grade':[3,1,2]}
    print(data)
    {'name': ['ycy', 'mmq', 'wxy'], 'age': [22, 22, 24], 'grade': [3, 1, 2]
    f1=DataFrame(data)
    print(f1)
       name  age  grade
    0  ycy   22      3
    1  mmq   22      1
    2  wxy   24      2

#### 读取文档

import pandas as pd
    import numpy as np
    csv_data=pd.read_csv(open(r'C:\Users\杨俊jimore\Documents\jimore\jimore.csv',encoding='utf-8'))
    print(csv_data)
      name  age  grade
    0  ycy   22      3
    1  mmq   22      1
    2  wxy   24      2
    csv_data=pd.read_csv(open(r'C:\Users\杨俊jimore\Documents\jimore\jimore.csv',encoding='utf-8'),usecols=[1,2])#只读取第2,3列
    print(csv_data)
       age  grade
    0   22      3
    1   22      1
    2   24      2

#### 保存文档

csv_data.to_csv(r'C:\Users\杨俊jimore\Documents\jimore\jimore.csv')

#### to_csv这个方法中可以传递一些参数:

path_or_buf :文件保存的路径;
    sep :默认是以 , 进行分割 , 也可以自己制定;
    columns : 保存索引列和指定列;
    index:是否写进行索引 0或者1;

import pandas as pd
    import numpy as np
    df=pd.DataFrame(np.random.randn(5,2),index=range(0,5,1),columns=list('AB'))
    print(df)
              A         B
    0 -1.492733  1.052370
    1 -0.096323  1.106248
    2  0.581354 -1.471036
    3  1.151404 -0.214822
    4  0.679418 -0.34871
    print(df.loc[0])#打印第0行的值
    A    1.346511
    B    1.233798
    Name: 0, dtype: float64
    print(df.loc[1:])#从1行开始打印
              A         B
    1 -2.031087  0.042619
    2  0.177671 -0.136599
    3  0.458795 -2.264062
    4  1.072521 -2.460570
    print(df.loc[0:2,'A'])#取0到2且只取A列（注意：是双闭区间）
    0    0.143176
    1   -2.410170
    2    0.103022
    Name: A, dtype: float64

#### iloc函数为Selection by Position，即按位置选择数据，即第n行，第n列数据，只接受整型参数

print(df.iloc[:,0])#取第所有行的第1列数据
    0   -0.019045
    1   -1.399333
    2   -0.831745
    3   -1.355371
    4   -1.666781
    Name: A, dtype: float64
    print(df.iloc[0,:])#取第1行的所有数据
    A    1.552833
    B    3.858037
    Name: 0, dtype: float64
    print(df.iloc[:,'A'])#'A'不是整形参数会报错
    XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

#### 条件筛选

import pandas as pd
    import numpy as np
    df = pd.DataFrame({'A':[100, 200, 300, 400, 500], 'B':['a', 'b', 'c', 'd', 'e'], 'C':[1, 2, 3, 4, 5]})
    print(df)
         A  B  C
    0  100  a  1
    1  200  b  2
    2  300  c  3
    3  400  d  4
    4  500  e  5
    print(df[df.A==100])#筛选出A=100的数据（也可以用<、>）
         A  B  C
    0  100  a  1
    print(df[(df.A==100)&(df.B=='a')])#找出A列为100,且B列为‘a’的数据
         A  B  C
    0  100  a  1

这里需要注意的是，多条件筛选的时候，必须加括号'()'

print(df[(df.A==100)|(df.B=='b')])#找出A列为100或者B列为‘b’的数据
         A  B  C
    0  100  a  1
    1  200  b  2

## pandas可视化

https://www.pypandas.cn/

0.0分

1 人评分

看不懂代码？想转换其他语言的代码？或者想问其他问题？试试问问AI编程助手，随时响应你的问题：

编程语言转换

万能编程问答

代码解释器

jimore

TA的其他文章

你可能喜欢

C二级辅导-统计字符（C语言代码）

C语言程序设计教程（第三版）课后习题6.1 （C语言代码）

C二级辅导-阶乘数列（C语言代码）

C语言程序设计教程（第三版）课后习题5.7 （C语言代码）

C语言程序设计教程（第三版）课后习题5.6 （C语言代码）

python的numpy模块使用简单教程

评论区

精彩推荐

C语言程序设计教程（第三版）课后习题7.2 （C语言代码）

C语言程序设计教程（第三版）课后习题10.1 （C语言代码）

C语言程序设计教程（第三版）课后习题10.5 （C语言代码）

printf基础练习2 （C语言代码）

文科生的悲哀（C语言代码）

C语言程序设计教程（第三版）课后习题12.6 （C语言代码）

简单的a+b （C语言代码）

小O的乘积（C++代码）

小九九（C++代码）简单粗暴，直接输出

C语言程序设计教程（第三版）课后习题6.2 （C语言代码）

jimore

TA的其他文章

你可能喜欢

C二级辅导-统计字符 （C语言代码）

C语言程序设计教程（第三版）课后习题6.1 （C语言代码）

C二级辅导-阶乘数列 （C语言代码）

C语言程序设计教程（第三版）课后习题5.7 （C语言代码）

C语言程序设计教程（第三版）课后习题5.6 （C语言代码）

python的numpy模块使用简单教程

评论区

精彩推荐

C语言程序设计教程（第三版）课后习题7.2 （C语言代码）

C语言程序设计教程（第三版）课后习题10.1 （C语言代码）

C语言程序设计教程（第三版）课后习题10.5 （C语言代码）

printf基础练习2 （C语言代码）

文科生的悲哀 （C语言代码）

C语言程序设计教程（第三版）课后习题12.6 （C语言代码）

简单的a+b （C语言代码）

小O的乘积 （C++代码）

小九九 （C++代码）简单粗暴，直接输出

C语言程序设计教程（第三版）课后习题6.2 （C语言代码）

C二级辅导-统计字符（C语言代码）

C二级辅导-阶乘数列（C语言代码）

　　评论区

文科生的悲哀（C语言代码）

小O的乘积（C++代码）

小九九（C++代码）简单粗暴，直接输出