Python25 Numpy基础

图片

1.什么是Numpy

NumPy(Numerical Python 的简称)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 的前身是 Numeric,这是一个由 Jim Hugunin 等人开发的一个用于数值计算的扩展程序库。由于 Numeric 的一些问题,Jim Hugunin 创建了另一个库叫 SciPy,用于弥补 Numeric 的一些不足。之后,NumPy 开发人员将 Numeric 和 SciPy 整合成一个新的库——NumPy,这使得 NumPy 在功能上更加完善。

NumPy 的主要特点包括:

  1. 强大的 N 维数组对象:NumPy 使用一个 n 维数组对象 ndarray,可以方便地存储和操作大型多维数组和矩阵,并提供大量的数学函数库用于数组运算。

  2. 广播功能:广播是 NumPy 对不同形状数组进行数值计算的方式,它对 NumPy 数组的所有运算都适用。

  3. 整合 C/C++/Fortran 代码的能力:NumPy 的大量算法都经过优化,可以直接使用 C、C++ 或 Fortran 编写的代码,这样就可以避免 Python 自带的循环的低效率问题。

  4. 用于线性代数的函数库:NumPy 提供了很多用于线性代数的函数库,如矩阵乘法、矩阵求逆、求解线性方程组等。

  5. 用于统计学的函数库:NumPy 提供了许多用于统计学的函数,如计算均值、中位数、标准差等。

  6. 用于随机数的函数库:NumPy 提供了随机数生成的功能,可以生成符合各种分布的随机数。

  7. 用于快速傅里叶变换的函数库:NumPy 提供了快速傅里叶变换的函数库,用于信号处理和图像处理等领域。

NumPy 在科学计算、数据分析、机器学习等领域有着广泛的应用,是 Python 中最重要的科学计算库之一。

2.Numpy快速入门

NumPy中数组的维称作轴(axis),轴的个数叫做行(rank)。比如:[1, 2, 1],轴的个数为1,行(rank)就是1。

[[ 1., 0., 0.], [ 0., 1., 2.]] 上面这个数组有2行(也就是它是2维的),第一位维度的长度为2(也就是2行),第二维度的长度为3(也就是3列)

NumPy的数组类叫作ndarray,下面是ndarray的几个重要属性:

ndarray.ndim:数组的轴的个数(就是维数)

ndarray.shape:数组的维度(是一个元组)。比如矩阵有n行m列,那么shape为(n,m)

ndarray.size:数组元素的个数。也是shape(n,m)元素的乘积

ndarray.dtype:数组元素类型的描述。例如:numpy.int32, numpy.int16, and numpy.float64 ;

ndarray.itemsize:数组每个元素的字节大小。对于类型为floa64的元素,itemsize为8(=64/8,1byte=8bit)

ndarray.data:数组的缓存数据。通常情况下通过索引获取数据,不必要使用这个属性

以下是numpy的一些常用方法:

import numpy  as np
a=np.arange(15)  # 生成从0开始(包括0),到15(不包括15)的一维整数数组
b=a.reshape(3,5)  # 一维数组重塑为二维数组print(a)
print(b)
print("b.shape=",b.shape)  # 打印数组的形状
print("b.ndim=",b.ndim)  # 数组的维度数
print("b.dtype.name=",b.dtype.name)  # 数组的数据类型名称
print("b.itemsize=",b.itemsize)  # 数组中每个元素的大小(以字节为单位)
print("b.size=",b.size)  # 数组中的元素总数
print("b.type=",type(b))  # 数组的类型
print(b.dtype)  # NumPy数据类型# 输出:
'''
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
[[ 0  1  2  3  4][ 5  6  7  8  9][10 11 12 13 14]]
b.shape= (3, 5)
b.ndim= 2
b.dtype.name= int32
b.itemsize= 4
b.size= 15
b.type= <class 'numpy.ndarray'>
int32
'''

创建数组:

a=np.array([1,2,3])
print(a,a.dtype)  # 打印a的内容和数据类型b=np.array([1,2,3,4,5.0])
print(b.dtype)  # 由于数组b中包含至少一个浮点数(5.0),所以整个数组的数据类型会被提升为浮点数类型。这通常意味着数组b的数据类型会是float64(在64位系统上)# 输出:
'''
[1 2 3] int32
float64
'''

创建数组的错误示例:

# 一个常见错误就是:提供给array的参数是多个数字,而不是包含数字的列表
a=np.array(1,2,3,4)  # 错误
a=np.array([1,2,3,4]) # 正确# 输出报错:
'''
TypeError: array() takes from 1 to 2 positional arguments but 4 were given
'''

创建多维数组:

# 创建多维数组
b=np.array([(1,2,3,5),(4,5,6,7)])
b# 输出:
'''
array([[1, 2, 3, 5],[4, 5, 6, 7]])
'''

创建多维数组并声明数据类型(常见的数据类型有整数、浮点数、复数、布尔型、字符串、时间日期、自定义等):

# 创建数组的时候,可以声明数组的数据类型
c=np.array([[1,2],[3,4]],dtype=complex)  # 复数类型
c# 输出:
'''
array([[1.+0.j, 2.+0.j],[3.+0.j, 4.+0.j]])
'''

numpy 中的 zeros()ones(), 和 empty() 函数:

1.zeros(): 这个函数用于创建元素全为0的数组,可以指定数组的形状和数据类型。例如:

import numpy as np  
a = np.zeros((2, 3))  # 创建一个 2x3 的数组,所有元素都是 0 
a
# 输出:
'''
array([[0., 0., 0.],[0., 0., 0.]])
'''

2.ones(): 这个函数用于创建元素全为1的数组,也可以指定数组的形状和数据类型。例如:

b = np.ones((3, 2))  # 创建一个 3x2 的数组,所有元素都是 1  
b
# 输出:
'''
array([[1., 1.],[1., 1.],[1., 1.]])
'''

3.empty(): 这个函数用于创建一个具有指定形状的新数组,但会分配新的内存空间但不设置数组中的值。因此,数组中的值可能是任意的,通常是未初始化的内存内容。其数据类型默认为 float64,但也可以指定。例如:

c = np.empty((2, 2))  # 创建一个 2x2 的数组,但值可能是任意的  
c
# 输出:
'''
array([[0., 0.],[0., 0.]])
'''

empty() 函数返回数组的内容是未初始化的,这意味着它可能包含任何值,取决于分配给该内存空间的先前内容。因此,通常不建议在不需要随机或未定义值的情况下使用 empty()。使用这些函数时,明确数据类型需求,并在需要时通过 dtype 参数来指定它。例如:

d = np.zeros((2, 2), dtype=int)  # 创建一个 2x2 的数组,所有元素都是 0,数据类型为 int  
e = np.ones((3,), dtype=np.complex64)  # 创建一个长度为 3 的一维数组,所有元素都是 1+0j,数据类型为 complex64

创建多维数组并声明数据类型(常见的数据类型有整数、浮点数、复数、布尔型、字符串、时间日期、自定义等):

from numpy import pi
print(np.linspace(0,2,9))  # 0-2中等差的9个数
x=np.linspace(0,2*pi,100)
f=np.sin(x)  # f结果集# 输出:
'''
[0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]
'''

如果数组元素太多,NumPy就会自动跳过中间部分的元素并且只打印边界元素:

print(np.arange(10000))
print(np.arange(10000).reshape(100,100))
# 输出:
'''
[   0    1    2 ... 9997 9998 9999]
[[   0    1    2 ...   97   98   99][ 100  101  102 ...  197  198  199][ 200  201  202 ...  297  298  299]...[9700 9701 9702 ... 9797 9798 9799][9800 9801 9802 ... 9897 9898 9899][9900 9901 9902 ... 9997 9998 9999]]'''

数组的加减乘除等基本运算:

a=np.array([20,30,40,50])
b=np.arange(4)
c=a-b
print(c)  # 减
print(b**2)  # 乘
d=10*np.sin(a)  # 计算sin函数的结果集
print(d)
print(a<35)
b+=a # 加
print(b)# 输出:
'''
[20 29 38 47]
[0 1 4 9]
[ 9.12945251 -9.88031624  7.4511316  -2.62374854]
[ True  True False False]
[20 31 42 53]'''

在不同数据类型的数组计算过程中,结果的数据类型自动变为精度更高的数据类型:

a=np.ones(3,dtype=np.int32)
b=np.linspace(0,np.pi,3)
print(b.dtype.name)
c=a+b
print(c,c.dtype.name)
d=np.exp(c*1j)
print(d,d.dtype.name)# 输出:
'''
float64
[1.         2.57079633 4.14159265] float64
[ 0.54030231+0.84147098j -0.84147098+0.54030231j -0.54030231-0.84147098j] complex128
'''

ndarray这个类有很多对数组的一元操作,比如计算整个数组的所有元素的和:

a=np.random.random((2,3))
print(a)
print(a.sum())  # 所有元素求和
print(a.min())  # 所有元素中的最小值
print(a.max())  # 所有元素中的最大值# 输出:
'''
[[0.87250384 0.81230807 0.10868113][0.16989921 0.19395409 0.97618396]]
3.13353028992432
0.10868112737793678
0.9761839642308886'''

也可以按轴进行计算,比如:

b=np.arange(12).reshape(3,4)
print(b)
print(b.sum(axis=1))  # 计算每一行的和
print(b.sum(axis=0))  # 计算每一列的和
print(b.cumsum(axis=1))  # 计算每一行的累积和(对于第一行,0,0+1=1,1+2=3,3+3=6)# 输出:
'''
[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]]
[ 6 22 38]
[12 15 18 21]
[[ 0  1  3  6][ 4  9 15 22][ 8 17 27 38]]'''

也可以使用一些通用函数进行计算处理:

B=np.arange(3)  # 生成[0,1,2]数组
print(B)
print(np.exp(B))  # 计算e的幂
print(np.sqrt(B))  # 计算每个元素的平方根
C=np.array([2.,-1.,4.])
print(np.add(B,C))# 输出:
'''
[0 1 2]
[1.         2.71828183 7.3890561 ]
[0.         1.         1.41421356]
[2. 0. 6.]'''

下面的代码实现一个简单的前馈神经网络(Feedforward Neural Network)的训练过程,该网络包含一个隐藏层。训练是通过迭代优化神经网络的权重和偏置来实现的,具体使用了梯度下降算法(Gradient Descent)结合反向传播(Backpropagation)来更新这些参数:

import numpy as np# Input array
X=np.array([[1,0,1,0],[1,0,1,1],[0,1,0,1]])# Output
y=np.array([[1],[1],[0]])# Sigmoid Function
def sigmoid (x):return 1/(1 + np.exp(-x))# Derivative of Sigmoid Function
def derivatives_sigmoid(x):return x * (1 - x)# Variable initialization
epoch=5000  # Setting training iterations
lr=0.1  # Setting learning rate
inputlayer_neurons = X.shape[1]  # number of features in data set
hiddenlayer_neurons = 3  # number of hidden layers neurons
output_neurons = 1  # number of neurons at output layer# weight and bias initialization
wh=np.random.uniform(size=(inputlayer_neurons,hiddenlayer_neurons))
bh=np.random.uniform(size=(1,hiddenlayer_neurons))
wout=np.random.uniform(size=(hiddenlayer_neurons,output_neurons))
bout=np.random.uniform(size=(1,output_neurons))for i in range(epoch):# Forward Propogationhidden_layer_input1=np.dot(X,wh)hidden_layer_input=hidden_layer_input1 + bhhiddenlayer_activations = sigmoid(hidden_layer_input)output_layer_input1=np.dot(hiddenlayer_activations,wout)output_layer_input= output_layer_input1+ boutoutput = sigmoid(output_layer_input)# BackpropagationE = y-outputslope_output_layer = derivatives_sigmoid(output)slope_hidden_layer = derivatives_sigmoid(hiddenlayer_activations)d_output = E * slope_output_layerError_at_hidden_layer = d_output.dot(wout.T)d_hiddenlayer = Error_at_hidden_layer * slope_hidden_layerwout += hiddenlayer_activations.T.dot(d_output) *lrbout += np.sum(d_output, axis=0,keepdims=True) *lrwh += X.T.dot(d_hiddenlayer) *lrbh += np.sum(d_hiddenlayer, axis=0,keepdims=True) *lr
print(output)
print(bh)
print(wh)# 输出:
'''
[[0.9794804 ][0.96522404][0.04480502]]
[[-0.26860034  0.37221959  0.7842923 ]]
[[ 2.40872021 -0.48817713  0.81159704][-2.09465169  0.99439973  0.72975946][ 2.02487412 -1.07848612  0.40900003][-1.02392791  0.81254532  0.4994015 ]]
'''

索引、切片、递归操作:

a=np.arange(10)**3
print(a)
print(a[2:5])
a[:6:2]=-1000  # 0-6之间的元素,每两个元素,第二个等于-1000
print(a)
print(a[::-1])  # 翻转元素# 输出:
'''
[  0   1   8  27  64 125 216 343 512 729]
[ 8 27 64]
[-1000     1 -1000    27 -1000   125   216   343   512   729]
[  729   512   343   216   125 -1000    27 -1000     1 -1000]
'''

使用函数创建多维数组:

# 多维数组
def f(x,y):return 10*x+y
b=np.fromfunction(f,(5,4),dtype=int)
print(b)
print(b[2,3])
print(b[0:5,1])
print(b[:,1])
print(b[1:3,:])#在第2行和第3行的每一列元素# 输出:
'''
[[ 0  1  2  3][10 11 12 13][20 21 22 23][30 31 32 33][40 41 42 43]]
23
[ 1 11 21 31 41]
[ 1 11 21 31 41]
[[10 11 12 13][20 21 22 23]]
'''

对数组进行形状操作:

a=np.floor(10*np.random.random((3,4)))  # 向下取整
print(a)
print(a.shape)# 输出:
'''
[[5. 1. 9. 6.][5. 4. 7. 1.][2. 1. 9. 2.]]
(3, 4)
'''
print(a.ravel()) # 返回一个平铺的数组
print(a.reshape(6,2)) # 重新改变形状# 输出:
'''
[5. 1. 9. 6. 5. 4. 7. 1. 2. 1. 9. 2.]
[[5. 1.][9. 6.][5. 4.][7. 1.][2. 1.][9. 2.]]
'''
z=np.arange(16).reshape(4,4)
z# 输出:
'''
array([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11],[12, 13, 14, 15]])
'''
z.shape# 输出:
'''
(4, 4)
'''
z.reshape(-1) # 一行# 输出:
'''
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
'''
z.reshape(1,-1) # 一行# 输出:
'''
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15]])
'''
z.reshape(-1,1) # 一列# 输出:
'''
array([[ 0],[ 1],[ 2],[ 3],[ 4],[ 5],[ 6],[ 7],[ 8],[ 9],[10],[11],[12],[13],[14],[15]])
'''
z.reshape(2,-1) # 不管有多少列,只要保证为两行# 输出:
'''
array([[ 0,  1,  2,  3,  4,  5,  6,  7],[ 8,  9, 10, 11, 12, 13, 14, 15]])
'''
z.reshape(-1,2) # 不管有多少行,只要保证为2列# 输出:
'''
array([[ 0,  1],[ 2,  3],[ 4,  5],[ 6,  7],[ 8,  9],[10, 11],[12, 13],[14, 15]])
'''

以上内容总结自网络,如有帮助欢迎转发,我们下次再见!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/861672.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

SAP ALV 负号提前

FUNCTION CONVERSION_EXIT_ZSIGN_OUTPUT. *"---------------------------------------------------------------------- *"*"本地接口&#xff1a; *" IMPORTING *" REFERENCE(INPUT) *" EXPORTING *" REFERENCE(OUTPUT) *"…

PNAS|这样也可以?拿别人数据发自己Paper?速围观!

还在为数据量小&#xff0c;说服力不足发愁&#xff1f; 想研究脱颖而出、眼前一亮&#xff1f; 想从更高层次的探索微生物的奥秘&#xff0c;发出一篇好文章&#xff1f; 近期&#xff0c;有一篇发表在PNAS(IF11.1)的文章“Deforestation impacts soil biodiversity and ecos…

量子计算与AI融合:IBM引领未来计算新纪元

每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗&#xff1f;订阅我们的简报&#xff0c;深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同&#xff0c;从行业内部的深度分析和实用指南中受益。不要错过这个机会&#xff0c;成为AI领…

docker-本地部署-后端

前置条件 后端文件 这边是一个简单项目的后端文件目录 docker服务 镜像文件打包 #命令行 docker build -t author/chatgpt-ai-app:1.0 -f ./Dockerfile .红框是docker所在文件夹 author&#xff1a;docker用户名chatgpt-ai-app&#xff1a;打包的镜像文件名字:1.0 &#…

YOLOv10改进 | 卷积模块 | 将Conv替换为轻量化的GSConv【轻量又涨点】

秋招面试专栏推荐 &#xff1a;深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转 &#x1f4a1;&#x1f4a1;&#x1f4a1;本专栏所有程序均经过测试&#xff0c;可成功执行&#x1f4a1;&#x1f4a1;&#x1f4a1; 专栏目录&#xff1a;《YOLOv8改进有效…

技术流 | 运维平台大型“生产事故”录播和实战重现

【本文作者&#xff1a;擎创科技 资深专家禹鼎侯】 本文写于2021年&#xff0c;最近重读觉得特别有现场感。这也是运维人面对生产环境时遇到的各种惊心动魄的事件之一。惊险&#xff0c;但又顺利解决。是最好的结果。 事情是酱紫的。 那天上午&#xff0c;轻轻松松完成了一个新…

昇思MindSpore基本介绍

昇思MindSpore是一个全场景深度学习框架&#xff0c;旨在实现易开发、高效执行、全场景统一部署三大目标。 其中&#xff0c;易开发表现为API友好、调试难度低&#xff1b;高效执行包括计算效率、数据预处理效率和分布式训练效率&#xff1b;全场景则指框架同时支持云、边缘以…

C语言之进程学习

进程打开的文件列表&#xff1a;就是0 1 2 stdin stdout stderro等 类似于任务管理器是动态分ps是静态的 Zombie状态&#xff1a; 在Linux进程的状态中&#xff0c;僵尸进程是非常特殊的一种&#xff0c;它是已经结束了的进程&#xff0c;但是没有从进程表中删除。太多了会导…

轻量级仿 SpringBoot 程序

但凡 Java 程序&#xff0c;想必就是 Spring 程序&#xff1b;但凡 Spring 程序&#xff0c;想必就是 SpringBoot 程序——且慢&#xff0c;当今尚有不是 SpringBoot 即 SpringMVC 的程序不&#xff1f;有——老旧的遗留系统不就是嘛~——不&#xff0c;其实只要稍加“调教”&a…

TikTok网页版使用指南:如何登录TikTok网页版?

海外版抖音TikTok&#xff0c;已成为连接全球观众的重要平台。据统计&#xff0c;在美国&#xff0c;TikTok的用户数量已达到近1.3亿&#xff0c;并且在国外的95后用户群体中很受欢迎。 TikTok网页版也提供了一个广阔的平台&#xff0c;让品牌和创作者在电脑端与全球观众互动&…

智能语音抽油烟机:置入WTK6900L离线语音识别芯片 掌控厨房新风尚

一、抽油烟机语音识别芯片开发背景 在繁忙的现代生活中&#xff0c;人们对于家居生活的便捷性和舒适性要求越来越高。传统的抽油烟机操作方式往往需要用户手动调节风速、开关等功能&#xff0c;不仅操作繁琐&#xff0c;而且在烹饪过程中容易分散注意力&#xff0c;增加安全隐…

大数据处理引擎选型之 Hadoop vs Spark vs Flink

随着大数据时代的到来&#xff0c;处理海量数据成为了各个领域的关键挑战之一。为了应对这一挑战&#xff0c;多个大数据处理框架被开发出来&#xff0c;其中最知名的包括Hadoop、Spark和Flink。本文将对这三个大数据处理框架进行比较&#xff0c;以及在不同场景下的选择考虑。…

ubuntu篇---添加环境变量并且在pycharm中使用

ubuntu篇—添加环境变量并且在pycharm中使用 一. 添加环境变量 vim ~/.bashrc 在文件末尾加上 保存退出 source ~/.bashrc二. 在pycharm中添加环境变量 1.打开pycharm&#xff0c;并打开你的项目 2.点击菜单栏中的“Run”&#xff0c; 选择“Edit Configurations” 3.在弹…

pytorch为自己的extension backend添加profiler功能

pytorch为自己的extension backend添加profiler功能 1.参考文档2.your-extension-for-pytorch需要增加的代码3.pytorch demo及如何调整chrome trace json文件4.[可视化](https://ui.perfetto.dev/) 本文演示了pytorch如何为自己的extension backend添加profiler功能 背景介绍 …

Taro +vue3 中的微信小程序中的分享

微信小程序 右上角分享 的触发 以及配 useShareAppMessage(() > {return {title: "电影属全国通兑券",page: /pages/home/index,imageUrl: "http:///chuanshuo.jpg",};}); 置 就是Taro框架中提供的一个分享Api 封装好的

项目经理必读:三步走实现项目高效管理

一个项目的成功往往取决于项目管理能力的高低。若管理不当&#xff0c;易导致团队成员间的推诿和抱怨&#xff0c;且项目团队还可能面临成员对目标不明确、信息不透明、进度难以跟踪等问题。作为项目经理&#xff0c;掌握有效的项目管理策略至关重要。 一、精细化的目标拆解 …

数据库逻辑结构设计-实体和实体间联系的转换、关系模式的优化

一、引言 如何将数据库概念结构设计的结果&#xff0c;即用E-R模型表示的概念模型转化为关系数据库模式。 E-R模型由实体、属性以及实体间的联系三个要素组成 将E-R模型转换为关系数据库模式&#xff0c;实际上就是要将实体及实体联系转换为相应的关系模式&#xff0c;转换…

【EtherCAT】TwinCAT3通过PLC修改SDO数据

目录 1、打开twincat3, 左边PLC右键->添加新项&#xff0c;建立PLC工程 2、->References右键添加库 3、找到Tc2_EtherCAT库&#xff0c;点确定。 4、PLC程序ST语言就可以调用下面的功能块函数 5、PLC编程界面右键->输入助手 1、打开twincat3, 左边PLC右键->添…

数据恢复篇:如何恢复丢失的Android短信?

许多用户发现自己处于重要短信意外从Android手机中删除的情况。幸运的是&#xff0c;有一些行之有效的方法可以在没有root的情况下恢复已删除的短信Android&#xff0c;这可以成为救命稻草。这些技术不需要深厚的技术知识&#xff0c;也不需要损害设备的安全性。为了帮助您摆脱…

jieba--《红楼梦》章节分卷并计算TF-IDF值(超详细)

目录 大致步骤&#xff1a; 任务1&#xff1a; 将红楼梦 根据卷名 分隔成 卷文件 红楼梦txt&#xff1a; 红楼梦卷头&#xff1a; 红楼梦章节分卷&#xff1a; 任务2&#xff1a;对每个卷进行分词&#xff0c;并删除包含停用词的内容 1.遍历所有卷的内容&#xff0c;并添…