一、numpy创建
import random
import numpy as np
1.使用np.array()创建
arr = np.array([1,3,5,7,9])
print(arr)
[1 3 5 7 9]
2.使用plt创建
可以将外部的一张图片加载到Numpy数组中，然后可以进行裁剪、旋转等操作
import matplotlib.pyplot as plt
img_arr = plt.imread("D://1570951326128.jpg") #返回的是数组，数组中装载的是图片内容
plt.imshow(img_arr) #将numpy数组进行可视化展示
<matplotlib.image.AxesImage at 0x2ec9e644d60>
3.使用np的函数创建
arr_1 = np.zeros(shape=(4,3))
arr_2 = np.ones(shape=(4,3))
arr_3 = np.linspace(0,10,num=5)
arr_4 = np.arange(10,20,step=2)
arr_5 = np.random.randint(0,50,size=(4,3))
print(arr_1,'\n\n',arr_2,'\n\n',arr_3,'\n\n',arr_4,'\n\n',arr_5)
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
[ 0. 2.5 5. 7.5 10. ]
[10 12 14 16 18]
[[27 49 35]
[18 44 39]
[19 37 38]
[23 43 21]]
二、数组和列表的区别
-
数组中存储的数据元素类型必须是统一的类型
-
数组中的元素类型有优先级：字符串>浮点数>整数
arr_case=np.array([1,2,'three'])
arr_case.dtype
dtype('<U11')
三、Numpy的常用属性
arr_case=np.random.randint(10,100,size=(5,4))
arr_case
array([[89, 51, 27, 82],
[32, 87, 66, 72],
[24, 17, 72, 79],
[71, 73, 64, 52],
[15, 85, 47, 72]])
arr_case.shape #返回数组的形状
(5, 4)
arr_case.ndim #返回数组的维度
2
arr_case.size #返回数组元素的个数
20
arr_case.dtype #返回数组的类型
dtype('int32')
四、Numpy的数据类型
-
array(dtype=x):可以设定数据类型
-
arr.dtype = 'x':可以修改数据类型
-
astype可以显式地转换数组的类型
arr_case=np.random.randint(10,100,size=(5,4),dtype='int32')
arr_case.dtype
dtype('int32')
arr_case.dtype='int64'
arr_case.dtype
dtype('int64')
arr_case=np.random.randint(10,100,size=(5,4),dtype='int32')
arr = arr_case.astype(np.int64)
arr.dtype
dtype('int64')
五、Numpy的索引和切片操作
arr = np.random.randint(10,100,size=(5,4),dtype='int32')
arr
array([[70, 97, 84, 52],
[39, 76, 88, 49],
[45, 15, 89, 23],
[51, 86, 73, 81],
[33, 38, 17, 86]])
arr[0] #取数组的第一行数据，数组的索引从0开始
array([70, 97, 84, 52])
arr[0:2] #取数组的第一行到第二行数据
array([[70, 97, 84, 52],
[39, 76, 88, 49]])
arr[[0,2]] #取数组的第一行和第三行数据，注意是两个列表框
array([[70, 97, 84, 52],
[45, 15, 89, 23]])
arr[0,0] #取数组的第一行，第一列的数据
70
arr[0,[1,2]] #取数组的第一行，第二列和第三列的数据
array([97, 84])
arr[:,[1,2]] #取数组的二列和第三列的数据
array([[97, 84],
[76, 88],
[15, 89],
[86, 73],
[38, 17]])
arr[:,0:3] #取数组的一列到第三列的数据
array([[70, 97, 84],
[39, 76, 88],
[45, 15, 89],
[51, 86, 73],
[33, 38, 17]])
arr[0:2,0:2] #取数组的前两行前两列的数据
array([[70, 97],
[39, 76]])
arr[::-1] #取数组的行顺序进行倒转
array([[33, 38, 17, 86],
[51, 86, 73, 81],
[45, 15, 89, 23],
[39, 76, 88, 49],
[70, 97, 84, 52]])
arr[:,::-1] #取数组的列顺序进行倒转
array([[52, 84, 97, 70],
[49, 88, 76, 39],
[23, 89, 15, 45],
[81, 73, 86, 51],
[86, 17, 38, 33]])
arr[[1,2],[1,2]] #相当于arr[1,1]、arr[2,2]
array([76, 89])
六、关于图片数组的维度
img_arr = plt.imread("d:\\1570951326128.jpg")
img_arr.ndim
3
img_arr.shape
(640, 360, 3)
七、Numpy数组形状变形
-
reshape是返回一个新的数组对象，并不会改变原数组的内容
-
resize也可以改变数组的形状，只不过resize会直接将原数组进行改变
-
ravel将数组按照一定的方式降为一维数组，并不会改变原数组的内容
arr = np.random.randint(1,50,size=(5,3))
arr
array([[ 5, 49, 18],
[ 6, 26, 42],
[33, 4, 7],
[21, 13, 11],
[37, 13, 19]])
arr_1 = arr.reshape(15,) #将二维数组降为一维
arr_1
array([ 5, 49, 18, 6, 26, 42, 33, 4, 7, 21, 13, 11, 37, 13, 19])
arr_2 = arr.reshape(3,5) #将 5行3列 改为 3行5列
arr_2
array([[ 5, 49, 18, 6, 26],
[42, 33, 4, 7, 21],
[13, 11, 37, 13, 19]])
arr_3 = arr.reshape(3,-1) #行或列只要有同一个数字确定，python会自动计算-1位置上的数字，前提是那个确定的数字能被原数组中的元素个数整除
arr_3
array([[ 5, 49, 18, 6, 26],
[42, 33, 4, 7, 21],
[13, 11, 37, 13, 19]])
arr_4 = arr.ravel() #将原数组按照行的方向降为一维数组，不会改变原数组的形状
arr_4
array([ 5, 49, 18, 6, 26, 42, 33, 4, 7, 21, 13, 11, 37, 13, 19])
arr_5 = arr.ravel(order='F') #将原数组按照列的方向降为一维数组，不会改变原数组的形状
arr_5
array([ 5, 6, 33, 21, 37, 49, 26, 4, 13, 13, 18, 42, 7, 11, 19])
arr.resize(3,5) #resize也可以改变数组的形状，只不过resize会直接将原数组进行改变
arr
array([[ 5, 49, 18, 6, 26],
[42, 33, 4, 7, 21],
[13, 11, 37, 13, 19]])
八、排序函数、np.inld函数、unique去重函数、np.where函数
排序函数、np.inld函数、unique去重函数、np.where函数
1、 sort()函数
arr = np.random.randint(1,50,size=(5,3))
arr
array([[35, 43, 43],
[45, 25, 47],
[10, 43, 27],
[20, 42, 37],
[31, 45, 34]])
arr.sort() #直接改变的是原数组，如果是多维数组，那么默认axis=1
arr
array([[35, 43, 43],
[25, 45, 47],
[10, 27, 43],
[20, 37, 42],
[31, 34, 45]])
arr = np.random.randint(1,50,size=(5,3))
arr
array([[16, 47, 15],
[10, 12, 29],
[ 6, 33, 44],
[34, 38, 26],
[ 2, 14, 31]])
arr.sort(0) #直接改变的是原数组，按照数组中的列排序
arr
array([[ 2, 12, 15],
[ 6, 14, 26],
[10, 33, 29],
[16, 38, 31],
[34, 47, 44]])
arr.sort()都是从小到大进行排序的，如果想让从大到小进行排序，可以在排序之后使用切片操作达到目的
注意 arr.sort() 对应的是 arr[ : , : : -1 ]、arr.sort(0)对应的是arr[ : : -1 ]
arr[::-1] #在arr.sort()执行之后进行切片操作
array([[34, 47, 44],
[16, 38, 31],
[10, 33, 29],
[ 6, 14, 26],
[ 2, 12, 15]])
2、 argsort()函数
argsort返回的是从小到大的索引值，索引值从0开始
arr = np.random.randint(1,50,size=(5,3))
arr
array([[49, 45, 33],
[22, 48, 31],
[27, 27, 23],
[36, 42, 12],
[25, 2, 47]])
arr.argsort(0) #返回新的数组对象，不改变原数组，0表示按照列的方向
array([[1, 4, 3],
[4, 2, 2],
[2, 3, 1],
[3, 0, 0],
[0, 1, 4]], dtype=int64)
3、np.in1d()函数
注意是in“一”d，你是in“L”d
arr = np.random.randint(1,50,size=(5,3))
list_case=[12,5,4,8]
arr
array([[45, 4, 49],
[23, 17, 25],
[18, 42, 26],
[11, 16, 32],
[26, 24, 11]])
np.in1d(arr,list_case) #判断arr里的元素是否在list_case中，返回一个布尔值的数组
array([False, True, False, False, False, False, False, False, False,
False, False, False, False, False, False])
发现返回的结果是一个一维数组，不方便于我i们查看，我们此时可以将一维数组转化为与arr相同形状的数组
np.in1d(arr,list_case).reshape(5,3)
array([[False, True, False],
[False, False, False],
[False, False, False],
[False, False, False],
[False, False, False]])
4、unique()去重函数
arr_1 = np.array([[1,3,4,5,7,9],[2,4,5,7,9,7],[1,3,4,5,8,9]])
arr_1
array([[1, 3, 4, 5, 7, 9],
[2, 4, 5, 7, 9, 7],
[1, 3, 4, 5, 8, 9]])
np.unique(arr_1) #计算arr_1的唯一值并排序
array([1, 2, 3, 4, 5, 7, 8, 9])
5、np.where函数
5.1. np.where(condition, x, y)
满足条件condition，输出x，不满足输出y
arr = np.array(np.random.randint(1,20,size=(5,6)))
arr
array([[16, 4, 13, 10, 11, 5],
[19, 1, 2, 7, 19, 14],
[ 9, 4, 9, 2, 14, 16],
[ 9, 5, 4, 13, 3, 6],
[18, 17, 18, 7, 14, 18]])
np.where(arr[0:3]>15,'大于','小于') #arr的前三行的数据如果大于15，返回大于，否则返回小于
array([['大于', '小于', '小于', '小于', '小于', '小于'],
['大于', '小于', '小于', '小于', '大于', '小于'],
['小于', '小于', '小于', '小于', '小于', '大于']], dtype='<U2')
5.2. np.where(condition)
只有条件 (condition)，没有x和y，则输出满足条件元素的索引 (等价于numpy.nonzero)
这里的坐标以tuple的形式给出，通常原数组有多少维，输出的tuple中就包含几个数组，分别对应符合条件元素的各维坐标。
arr = np.array(np.random.randint(1,20,size=(5,6)))
arr
array([[ 6, 11, 17, 15, 14, 13],
[ 6, 16, 5, 6, 11, 16],
[15, 7, 11, 16, 9, 1],
[16, 13, 11, 6, 2, 16],
[19, 12, 14, 9, 14, 13]])
np.where(arr>15) #结果的第一行表示行索引，第二行表示列索引
(array([0, 1, 1, 2, 3, 3, 4], dtype=int64),
array([2, 1, 5, 3, 0, 5, 0], dtype=int64))
九、矩阵相关
numpy.eye(x) 函数返回给定大小的单位矩阵
arr_1 = np.eye(5)
arr_1
array([[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.]])
arr_1.T #矩阵的转置，行变成列，列变成行
array([[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.]])
矩阵相乘： numpy.dot(a, b, out=None)
a 、 b 为两个数组
arr1 = np.random.randint(1,10,size=[4,3])
arr1
array([[3, 8, 2],
[6, 4, 7],
[1, 8, 6],
[7, 9, 9]])
arr2 = arr1.T
arr2
array([[3, 6, 1, 7],
[8, 4, 8, 9],
[2, 7, 6, 9]])
np.dot(arr1,arr2)
array([[ 77, 64, 79, 111],
[ 64, 101, 80, 141],
[ 79, 80, 101, 133],
[111, 141, 133, 211]])
