怎么使用Numpy？针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
import numpy as np
一、创建ndarray对象
列表转换成ndarray:
>>> a = [1,2,3,4,5] >>> np.array(a) array([1, 2, 3, 4, 5])
取随机浮点数
>>> np.random.rand(3, 4) array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ], [ 0.66729648, 0.86538771, 0.32621889, 0.07709784], [ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])
取随机整数
>>> np.random.randint(1, 5, size=(3,4)) array([[2, 3, 1, 2], [3, 4, 4, 4], [4, 4, 4, 3]])
取零
>>> np.zeros((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
取一
>>> np.ones((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
取空(最好别用，了解一下，版本不同返回值不一样)
>>> np.empty((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
取整数零或一
>>> np.ones((3,4)，int) array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) >>> np.zeros((3,4),int) array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]])
仿range命令创建ndarray：
>>> np.arange(2,10,2) # 开始，结束，步长 array([2, 4, 6, 8])
二、ndarray属性的查看和操作：
看ndarray属性：
>>> a = [[1,2,3,4,5],[6,7,8,9,0]]
>>> b = np.array(a)
>>> b.ndim #维度个数(看几维)
2
>>> b.shape #维度大小(看具体长宽)
(5,2)
>>>b.dtype
dtype('int32')ndarray创建时指定属性：
>>> np.array([1,2,3,4,5],dtype=np.float64) array([ 1., 2., 3., 4., 5.]) >>> np.zeros((2,5),dtype=np.int32) array([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])
属性强转：
>>> a = np.array([1,2,3,4,5],dtype=np.float64) >>> a array([ 1., 2., 3., 4., 5.]) >>> a.astype(np.int32) array([1, 2, 3, 4, 5])
三、简单操作：
批量运算：
>>> a = np.array([1,2,3,4,5],dtype=np.int32) >>> a array([1, 2, 3, 4, 5]) >>> a + a array([ 2, 4, 6, 8, 10]) >>> a * a array([ 1, 4, 9, 16, 25]) >>> a - 2 array([-1, 0, 1, 2, 3]) >>> a / 2 array([ 0.5, 1. , 1.5, 2. , 2.5]) #等等
改变维度：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32) >>> a array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) >>> a.reshape((5,2)) array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 0]])
矩阵转换(和改变维度有本质区别，仔细)：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32) >>> a array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) >>> a.transpose() array([[1, 6], [2, 7], [3, 8], [4, 9], [5, 0]])
打乱(只能打乱一维)：
>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32) >>> a array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 0]]) >>> np.random.shuffle(a) >>> a array([[9, 0], [1, 2], [7, 8], [5, 6], [3, 4]])
四、切片和索引：
一维数组(和普通列表一样)：
>>> a = np.array(range(10)) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a[3] 3 >>> a[2:9:2] array([2, 4, 6, 8])
多维数组(也差不了多少)：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]]) >>> a[:, 1:4] array([[ 2, 3, 4], [ 7, 8, 9], [12, 13, 14]])
条件索引：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]]) >>> a > 5 array([[False, False, False, False, False], [ True, True, True, True, False], [ True, True, True, True, True]], dtype=bool) >>> a[a>5] array([ 6, 7, 8, 9, 11, 12, 13, 14, 15]) >>> a%3 == 0 Out[128]: array([[False, False, True, False, False], [ True, False, False, True, True], [False, True, False, False, True]], dtype=bool) >>> a[a%3 == 0] array([ 3, 6, 9, 0, 12, 15])
五、函数(numpy核心知识点)
计算函数(都不想举例了，太简单。。)：
np.ceil(): 向上最接近的整数，参数是 number 或 array np.floor(): 向下最接近的整数，参数是 number 或 array np.rint(): 四舍五入，参数是 number 或 array np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array np.multiply(): 元素相乘，参数是 number 或 array np.divide(): 元素相除，参数是 number 或 array np.abs()：元素的绝对值，参数是 number 或 array np.where(condition, x, y): 三元运算符，x if condition else y >>> a = np.random.randn(3,4) >>> a array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837], [ 0.00701986, 1.65776152, 0.41319601, 0.41356973], [-0.32922342, 1.07773886, -0.27273258, 0.29474435]]) >>> np.ceil(a) array([[ 1., 1., -0., -1.], [ 1., 2., 1., 1.], [-0., 2., -0., 1.]]) >>> np.where(a>0, 10, 0) array([[10, 10, 0, 0], [10, 10, 10, 10], [ 0, 10, 0, 10]])
统计函数
np.mean():所有元素的平均值 np.sum():所有元素的和，参数是 number 或 array np.max():所有元素的大值 np.min():所有元素的最小值，参数是 number 或 array np.std()：所有元素的标准差 np.var():所有元素的方差，参数是 number 或 array np.argmax()：大值的下标索引值， np.argmin():最小值的下标索引值，参数是 number 或 array np.cumsum()：返回一个一维数组，每个元素都是之前所有元素的累加和 np.cumprod()：返回一个一维数组，每个元素都是之前所有元素的累乘积，参数是 number 或 array >>> a = np.arange(12).reshape(3,4).transpose() >>> a array([[ 0, 4, 8], [ 1, 5, 9], [ 2, 6, 10], [ 3, 7, 11]]) >>> np.mean(a) 5.5 >>> np.sum(a) 66 >>> np.argmax(a) 11 >>> np.std(a) 3.4520525295346629 >>> np.cumsum(a) array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)
判断函数：
np.any(): 至少有一个元素满足指定条件，返回True np.all(): 所有的元素满足指定条件，返回True >>> a = np.random.randn(2,3) >>> a array([[-0.65750548, 2.24801371, -0.26593284], [ 0.31447911, -1.0215645 , -0.4984958 ]]) >>> np.any(a>0) True >>> np.all(a>0) False
去除重复：
np.unique(): 去重 >>> a = np.array([[1,2,3],[2,3,4]]) >>> a array([[1, 2, 3], [2, 3, 4]]) >>> np.unique(a) array([1, 2, 3, 4])
关于怎么使用Numpy问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联成都网站设计公司行业资讯频道了解更多相关知识。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
