Numpy基础

最新推荐文章于 2026-03-28 00:01:47 发布
原创 最新推荐文章于 2026-03-28 00:01:47 发布 · 6.6k 阅读 · 24 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#python

Numpy基础

1、主要作用

​ 进行科学计算（支持矩阵和ndarray数组对象），内存连续(访问效率高)， 支持并行运算，有两种存储风格（F风格—列优先存储， C风格—行优先存储）

2、数组基础

import numpy as np
arr = np.array(....) # 创建简单的数组
arr.size  # 4  数组中的元素个数
arr.itemsize # 数组中各个元素的占位大小
arr.dtype  # 数组中元素的数据类型
arr.ndim  # 数组的维度
arr.shape # 数组的形状， 元组形式返回， 返回的数据长度为数组的维度大小。

3、数组的创建

固定数组的创建

​ 1、使用array直接创建

import numpy as np

np.array()
arr = np.array([1,2,3,4,5])
print('arr:\n',arr)
print('arr:\n',type(arr))

输出结果：
arr:
 [1 2 3 4 5]
arr:
 <class 'numpy.ndarray'>

​ 2、使用arange来创建数组

# 参数1 ： 开始位置 --包含开始位置
# 参数2： 结束位置---不包含结束位置
# 参数3： 步长
arr = np.arange(0, 10, 1)
arr = np.arange(10, dtype=np.float32)  # 当开始位置为0，并且步长为1，那么可以只指定结束值即可！
# arr = np.arange(0, 10, 2)
print('arr\n', arr)
print('arr\n', type(arr))  # <class 'numpy.ndarray'>

​ 3、使用linsapce来创建数组-----为等差数组

# 参数1：开始位置---包含开始位置
# 参数2 ： 结束位置---包含结束位置
# 参数3 ： 生成数组的元素的个数
# 参数 endpoint = True ---指的是包含结束位置
# 参数 dtype ---指定数据的类型
arr = np.linspace(0, 10, 6)
print('arr:\n', arr)
print('arr:\n', type(arr))

结果：
arr:
 [ 0.  2.  4.  6.  8. 10.]
arr:
 <class 'numpy.ndarray'>

​ 4、使用logspace创建数组-----为等比数组

# 参数1 ---开始位置
# 参数2 ---结束位置
# 参数3 ---生成数组的元素的个数
# 注意：参数1、2都针对的是指数
# 参数 base --就是底数
arr = np.logspace(0, 2, 3, base=10)
print('arr:\n', arr)
print('arr:\n', type(arr))

结果：
arr:
 [  1.  10. 100.]
arr:
 <class 'numpy.ndarray'>

​ 5、使用zeros创建数组-----为全为0的数组

# 参数shape ---生成数组的形状--元组
# 参数dtype ---元素的数据类型
arr = np.zeros(shape=(2,3),dtype=np.int32)
print('arr:\n',arr)
print('arr:\n',type(arr))

结果：
arr:
 [[0 0 0]
 [0 0 0]]
arr:
 <class 'numpy.ndarray'>

​ 6、使用ones创建数组-----为全为1的数组

# 参数shape ---生成数组的形状--元组
# 参数dtype ---元素的数据类型
arr = np.ones(shape=(2,3),dtype=np.int32)
print('arr:\n',arr)
print('arr:\n',type(arr))

结果：
arr:
 [[1 1 1]
 [1 1 1]]
arr:
 <class 'numpy.ndarray'>

​ 7、使用diag来创建数组----类似于对角矩阵，但可以控制偏移量

参数—对角线上的元素！！

k-----用来控制偏移量的，正往右上角偏移，负则往左下角偏移

arr = np.diag([1, 2, 3, 4])
print('arr:\n', arr)
print('arr:\n', type(arr))
结果：
arr:
 [[1 0 0 0]
 [0 2 0 0]
 [0 0 3 0]
 [0 0 0 4]]
arr:
 <class 'numpy.ndarray'>

添加 k参数

arr = np.diag([1, 2, 3, 4], k=1)
print('arr:\n', arr)
print('arr:\n', type(arr))
结果：
arr:
 [[0 1 0 0 0]
 [0 0 2 0 0]
 [0 0 0 3 0]
 [0 0 0 0 4]
 [0 0 0 0 0]]
arr:
 <class 'numpy.ndarray'>

​ 8、使用eye创建数组----类似于单位矩阵

# 参数--传递一个值，表示生成一个 参数*参数的 类似于单位矩阵的数组
arr = np.eye(3)
print('arr:\n', arr)
print('arr:\n', type(arr))
print('arr:\n', arr.dtype)
结果：
arr:
 [[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
arr:
 <class 'numpy.ndarray'>
arr:
 float64
随机数组的创建

​ 1、创建[0,1)内的均匀分布的数组
使用random.random创建
参数：可以是生成数组的元素个数 或者 是生成数组的形状！
arr = np.random.random(10) ------ 一维数组

arr = np.random.random((2,3))
print('arr:\n',arr)
print('arr:\n',type(arr))
结果：
arr:
 [0.66062123 0.78751191 0.54185441 0.32530977 0.47949264 0.12813448
 0.22498117 0.55217461 0.60248759 0.41519065]
arr:
 <class 'numpy.ndarray'>

使用random.rand创建数组
参数： 可以是生成数组的元素个数 或者 生成数组的行、列数！

arr = np.random.rand(10)
arr = np.random.rand(2,3,2)
print('arr:\n',arr)
print('arr:\n',type(arr))
结果：
arr:
 [[[0.27498811 0.1288612 ]
  [0.35329799 0.54618617]
  [0.98577679 0.32164269]]

 [[0.62686816 0.61702522]
  [0.11239757 0.48891016]
  [0.65602623 0.92886494]]]
arr:
 <class 'numpy.ndarray'>

​ 2、创建一个服从标准正态分布的数组random.randn

# 参数： 可以是生成数组的元素个数 或者 生成数组的行、列数！
# 创建一个服从标准正态分布的数组
arr = np.random.randn(10)
arr = np.random.randn(2,3)
print('arr:\n',arr)
print('arr:\n',type(arr))
结果：
arr:
 [[ 0.49355101 -0.11087639  0.07618425]
 [-0.2507126   1.22719261  0.57958796]]
arr:
 <class 'numpy.ndarray'>

​ 3、创建一个指定范围的随机整数数组random.randint

# 生成范围[low,high)
# size ---生成数组的形状！
arr = np.random.randint(low=0,high=10,size=(2,3))
print('arr:\n',arr)
print('arr:\n',type(arr))
结果：
arr:
 [[3 5 9]
 [3 6 6]]
arr:
 <class 'numpy.ndarray'>

​ 4、创建一个指定范围内的随机小数数组random.uniform

# 生成范围[low,high)
# 生成[low,high)的随机小数数组
arr = np.random.uniform(low=0.0, high=10.0, size=(2, 3))
print('arr:\n', arr)
print('arr:\n', type(arr))
结果：
arr:
 [[7.25460971 5.36452214 5.09893388]
 [2.31375316 2.20142422 6.91482905]]
arr:
 <class 'numpy.ndarray'>

4、数组的索引

  • 使用下标

  • 使用切片—获取多个元素时使用

  • 使用下标列表

    arr = np.array([5, 6, 4, 3, 7, 8, 1, 2])
print('获取5、6、7元素：', arr[[0, 1, 4]])
结果：
获取5、6、7元素： [5 6 7]

# 注意：
# 使用下标会降低维度，而使用切片不会降低维度！
# 使用切片时，索引的元素的下标必须要有规律

  • bool数组索引

    # bool数组----数组里面的值全部都是bool类型的，这样的数组称之为bool数组
# ---bool数组的长度必须和要索引的那个数组对应的维度上的值相等！
# ---bool数组索引的时候，保留True,干掉False！
arr = np.array([[1, 3, 7, 8],
                [9, 10, 12, 0],
                [19, 20, 18, 16],
                [6, 5, 4, 31]])
msk = np.array([0, 1, 2, 0], dtype=np.bool_)
print('msk:\n', msk)
# # 利用bool数组索引
print('bool数组索引：\n', arr[msk, :])
print('bool数组索引：\n', arr[:, msk])
----------------------------------------------------------------------
结果：
msk:
 [False  True  True False]
bool数组索引：
 [[ 9 10 12  0]
 [19 20 18 16]]
bool数组索引：
 [[ 3  7]
 [10 12]
 [20 18]
 [ 5  4]]

5、数组的内部转换

1、修改形状-------前后元素个数不能发生改变

shape属性重新赋值

arr.shape = (2, 3)
print('arr:\n', arr)
结果：
arr:
 [[0 1 2]
 [3 4 5]]

reshape修改

arr = np.arange(0, 6, 1)
arr = arr.reshape((2, 3))
print('arr:\n', arr)
结果：
arr:
 [[0 1 2]
 [3 4 5]]
-------------------------------------------------------------------------
# -1 是占位的作用！
arr = arr.reshape((-1, 3))
print('arr:\n', arr)
结果：
arr:
 [[0 1 2]
 [3 4 5]]

将高维度 转化为 一维

arr = np.array([[1, 3, 7, 8],
                [9, 10, 12, 0],
                [19, 20, 18, 16],
                [6, 5, 4, 31]])

print('arr:\n', arr)  #-------都为对该arr操作
-------------------------------------------------------------------------
# 转化成一维数组
arr.shape = (-1,)
print('arr:\n', arr)
结果：
arr:
 [ 1  3  7  8  9 10 12  0 19 20 18 16  6  5  4 31]
-------------------------------------------------------------------------
order = 'C' --表示行优先   F表示列优先
arr = arr.reshape((-1,), order='C')
print('arr:', arr)
结果：
arr: [ 1  3  7  8  9 10 12  0 19 20 18 16  6  5  4 31]
-------------------------------------------------------------------------
# flatten   ravel --将数组展开成一维的！
# order = 'C' --表示行优先   F表示列优先

arr = arr.flatten(order='C')
print('arr:\n', arr)
结果：
arr: 
 [ 1  3  7  8  9 10 12  0 19 20 18 16  6  5  4 31]
arr = arr.flatten(order='F')
print('arr:\n', arr)
结果：
arr:
 [ 1  9 19  6  3 10 20  5  7 12 18  4  8  0 16 31]
-------------------------------------------------------------------------
# 建议使用 ravel
arr = arr.ravel(order='C')
arr = arr.ravel(order='F')
print('arr:\n',arr)
2、修改数据类型

在创建数组的时候，通过dtype属性 指定数组的数据类型

# arr = np.ones((2, 2), dtype=np.float64)
# print('arr:\n', arr)
# print('arr:\n', arr.dtype)
结果：
arr:
 [[1. 1.]
 [1. 1.]]
arr:
 float64
-------------------------------------------------------------------------
# # 如果想要修改数据类型
# # arr = np.int64(arr)  # 强制修改是可行的，但是不建议！
# # print('arr:\n', arr)
# # print('arr:\n', arr.dtype)
结果：
arr:
 [[1 1]
 [1 1]]
arr:
 int64

可以使用 astype来修改数据类型

# arr = arr.astype('int')
# print('arr:\n',arr)
# print('arr:\n',arr.dtype)

# arr = arr.astype(np.float32)
# print('arr:\n',arr)
# print('arr:\n',arr.dtype)

6、数组合并和拆分

合并：
#创建数组
import numpy as np
arr1 = np.arange(6).reshape((2, 3))
print('arr1:\n', arr1)

arr2 = np.zeros((2, 3), dtype=np.int32)
print('arr2:\n', arr2)

arr3 = np.array([1, 1, 1], dtype=np.int32)
print('arr3:\n', arr3)

结果：
arr1:
 [[0 1 2]
 [3 4 5]]
arr2:
 [[0 0 0]
 [0 0 0]]
arr3:
 [1 1 1]

  • 下方添加——垂直合并 ---- vstack

    res = np.vstack((arr1, arr2))
print('res:\n', res)

结果：
res:
 [[0 1 2]
 [3 4 5]
 [0 0 0]
 [0 0 0]]

  • 在右侧添加——水平合并 ---- hstack

    res = np.hstack((arr1, arr2))
print('res:\n', res)

结果:
ret:
 [[0 1 2 0 0 0]
 [3 4 5 0 0 0]]

  • !!!注意：垂直合并要保证列数一致， 水平合并要保证行数一直否则会报错

    y = np.hstack((arr1, arr2, arr3))
print('y:\n',y)  # 错误的，因为行数不一致！

结果：
ValueError: all the input arrays must have same number of dimensions, but the array at index 0 has 2 dimension(s) and the array at index 2 has 1 dimension(s)

  • 用np.concatenate合并——必须保证维度是一样的，axis控制是行合并还是列合并

    ret = np.concatenate((arr1, arr2), axis=0)
print('ret:\n',ret)

结果：
ret:
 [[0 1 2]
 [3 4 5]
 [0 0 0]
 [0 0 0]]


res = np.concatenate((arr1, arr2), axis=-1)
print('res:\n',res)

结果：
res:
 [[0 1 2 0 0 0]
 [3 4 5 0 0 0]]
拆分——拆分指定份数，必须能够平均拆分！否则会报错
# 创建数组
arr = np.arange(16).reshape((4,4))
print('arr:\n', arr)

结果：
arr:
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]

  • 水平拆分——hsplit

    ret = np.hsplit(arr, 2)
print('ret[0]:\n', ret[0])
print('ret[1]:\n', ret[1])
结果：
ret[0]: [[ 0  1]
		 [ 4  5] 
		 [ 8  9] 
		 [12 13]]
ret[1]: [[ 2  3] 
		[ 6  7] 
		[10 11] 
		[14 15]]

  • 垂直拆分——vsplit

    ret = np.vsplit(arr, 2)
print('ret:\n', ret[0])
print('ret:\n', ret[1])
结果：
ret: [[0 1 2 3] 
	[4 5 6 7]]
ret: [[ 8  9 10 11] 
	[12 13 14 15]]

  • 若传递的是列表的话

    eg:

    ret = np.hsplit(arr, [1, 3])
# 会拆分成 :1, 1:3, 3: 三部分，相当于在这两个点进行切割

  • 直接拆分——np.split — 通过axis控制垂直还是水平

    ret = np.split(arr, [1, 3], axis=0)
print('ret0:\n', ret)
结果：
ret0:
 [array([[0, 1, 2, 3]]), array([[ 4,  5,  6,  7],
       [ 8,  9, 10, 11]]), array([[12, 13, 14, 15]])]

ret = np.split(arr, [1, 3], axis=-1)
print('ret-1:\n', ret)
结果：
ret-1:
 [array([[ 0],
       [ 4],
       [ 8],
       [12]]), array([[ 1,  2],
       [ 5,  6],
       [ 9, 10],
       [13, 14]]), array([[ 3],
       [ 7],
       [11],
       [15]])]

  • 通过索引切割获取(常用此方法)

    a = arr[:, :-1]  # [行， 列]
b = arr[:, -1:]
print('a:\n', a)
print('b:\n', b)

结果：
a:
 [[ 0  1  2]
 [ 4  5  6]
 [ 8  9 10]
 [12 13 14]]
b:
 [[ 3]
 [ 7]
 [11]
 [15]]

注意点：

1、获取列数

对于任何维度的数组，获取列数的话，都为数组形状返回的元组的最后一位数据

数组.shape[-1]

2、ones数组、zeros数组

​ ones数组和zeros数组主要用来占位

3、参数注意

  1. random.random(参数) 参数为int类型或者元组，可为多维数组

  2. random.rand(参数) ， random.randn(参数)

    参数为int类型或者行列数或多维数组的值，不能使用元组作为参数传递，用逗号隔开

    arr = np.random.rand((2,3,2))
print('arr:\n',arr)
print('arr:\n',type(arr))
结果：
TypeError: 'tuple' object cannot be interpreted as an integer
----------------------------------------------------------------------arr = np.random.randn(10)
arr = np.random.randn((2,3,2))
print('arr:\n',arr)
print('arr:\n',type(arr))
结果：
TypeError: 'tuple' object cannot be interpreted as an integer

绘图资料：

1、绘图(查看图形及源代码案例)

[matplotlib绘图]:

武汉理工大学 Python程序设计第九章测验
国家一级致癌物
06-23 2404
以上程序的运行结果为：以上程序的运行结果为：‏以上程序的运行结果为：以下程序将绘制一条直线，为该图增加图名’Line charts’，下面正确的选项为：保存绘制的图形的函数为：下面程序中，plot()函数的参数x和y可为哪种数据类型：应用plt.legend()设置图例放置位置，参数loc的值可以为：绘制水平线的方法有：绘制垂直线的方法有：‎设置二行二列4个子图并在第3个区域绘制图形，以下语句正确的有：...
深度学习基础之numpy，轻松入门numpy
我是香菜
09-03 4293
深度学习基础之numpy，小白轻松入门numpy，送书了！！！
Numpy快速入门（np）！看这一篇就够了
weixin_74009895的博客
08-16 2621
Numpy快速入门（np）！看这一篇就够了
NumPy数组库
pine_leaves的博客
02-01 565
numpy数组库
Python：图解 NumPy
最新发布
qq_41176800的博客
03-28 651
上例中，site[0:1, 1] 中的 0:1 切片会返回一个同维数组 (1, 2, 4)，当再进行整数索引，第 1 维被消除，返回二维数组 (1, 4)。基本索引（包括整数索引和切片访问等）是 NumPy 中最基础的数组访问方式，其行为与 Python 序列类型（如列表、site[0,1] 在各个维度上都使用整数索引，因此分别消除第 0 维和第 1 维，返回一维数组 (4, )。在 NumPy 的基本索引中，整数索引会消除该维度，而切片索引会保留该维度。若新数组更大，新增部分通常以 0 填充；
import numpy as np_Numpy
weixin_39607710的博客
11-22 2532
Numpy是使用C语言实现的一个数据计算库，它用来处理相同类型，固定长度的元素。使用numpy操作数据时，系统运行的速度比使用python代码快很多。numpy中还提供了很多的数据处理函数，例如傅里叶变化，矩阵操作，数据拟合等操作。numpy的官方网站是www.numpy.org安装在jupyter中可以使用以下命令安装numpy库。!pip install numpy或者!conda insta...
python数值计算_一文包会，教你如何熟练运用Python数值计算Numpy包
weixin_39800990的博客
12-02 731
对于用Python的朋友来说，在平常的数值计算中肯定会用到一个开源包，没错，它就是大名鼎鼎的Numpy包，全称为Numberical Python，是Python的一种开源的数值计算扩展，Numpy包内部集成了大量的数学函数库，你都可以随手拿来使用，极为方便！好啦，下面咱们就来聊聊这个Numpy包吧！在Python中，如果涉及到第三方包的使用，第一步要做的事情当然是将这个包导入啦！那咱们就看看Nu...
【NumPy基础】100道numpy练习——进阶篇
wepon的专栏
01-18 1万+
选自numpy-100，当作熟悉NumPy的练习。NumPy只是一个数值计算的工具包，在实际的算法实现中来熟悉NumPy才是有效的，因此后面不打算继续写了，到此文为止，基本的语
【NumPy基础】100道numpy练习——Apprentice篇
wepon的专栏
01-17 1万+
【NumPy基础】100道numpy练习——Apprentice篇 @author：wepon @blog：http://blog.csdn.net/u012162613/article/details/42811297 今天又用半小时扫了一下Apprentice篇里的10道exercise，不知道怎么翻译Apprentice（学徒～～）这个词，就直接以Apprentice篇作为
【NumPy基础】- Numpy数组和矢量计算
qq_44859533的博客
09-26 2246
🤖🤖🤖🤖 欢迎浏览本博客 🤖🤖🤖🤖😆😆😆😆😆😆😆一名刚刚入行的小白👻👻👻👻从事方向：计算机视觉🔔🔔我菜就爱学，分享有误，欢迎大佬指出🔔🔔🌏🌏🌏本篇介绍：关于Numpy的相关基础知识学习。
python--numpy库的讲解1
YQyq1021的博客
05-24 4016
1、NumPy Ndarray 对象 例如： import numpy as np a=np.array([1,2,3,4,5,6]) print(a) 2、Numpy数组属性 ndarray.ndim： import numpy as np a=np.array([[1,2,3],[4,5,6]]) #ndarray.ndim表示输出数组的维度，比如是二维还是三维 print(a.ndim) #注意两个中括号才表示二维维度，如下例子，一个中括号表示一维，两个中括号表示二维 w0=np.array([1,
【Python】—— Numpy 初体验
ZShiJ的博客
12-18 5348
一个用python实现的科学计算，包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。 NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用
下载了numpy库，还是报错import numpy as np
Zengchenlin_的博客
05-15 5066
以下内容经本人亲身实践，经历了四天的挣扎才解决了numpy库的使用。每个问题层层深入提示：以下是本篇文章正文内容，下面案例可供参考以上是我结局numpy库安装的经验，因知识储备有限，并且第一次写博客，一些操作细节写不出来，大家可参考其他博客。搭建python库真的很要耐心，希望能帮到大家！
Python之numpy学习
Mekeater的博客
04-22 2294
Python之numpy库学习 前言 NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。Numpy底层使用C语言编写，数组中直接存储对象...
import numpy as np_最新Python学习教程（Python学习路线）：Numpy常用用法总结
weixin_39892311的博客
11-27 7049
最新Python学习教程（Python学习路线）：Numpy常用用法总结一、前言玩数据分析、数据挖掘、AI的都知道这个python库用的是很多的，里面包含各种操作，在实际的dataset的处理当中是非常常用的，这里我做一个总结，方便自己看，也方便大家看，我准备做一个非常细致的分类，每个分类有对应的numpy常用用法，以后见到或者用到再一个个慢慢加进来，如果我还用csdn我就会移植update下去。...
Python的numpy库使用
weixin_46107893的博客
12-20 1191
代码部分如下所示： import numpy as np import matplotlib.pyplot as plt x = np.linspace(0,10,100) a, b = 1, 2 a, b = np.exp(a), np.exp(b) print(a*b) y = 1/(1+np.exp(2**(x**2))) plt.plot(x, y, color='green', linewidth=2) plt.show() np.float64 # 变成64
机器学习---初识python的numpy模块
knighthood2001
05-19 8503
初识python的numpy库，更早走进机器学习的大门
Numpy基础知识(摘录笔记)
Cyyxbdmrrc的博客
11-24 1198
Nump基础（部分知识） 导入numpy包 import numpy as np import numpy as np data = np.arange(12).reshape(3,4) data array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) type(data) numpy.ndarray data.ndim 2 data.shape (3, 4) data.size 12 数组元素的类型，输出结
import numpy as np 的基本用法
热门推荐
麦地与诗人
07-05 12万+
Numpy提供了两种基本的对象： ndarray(N-dimensional array object)，存储单一数据类型的多维数组； ufunc(universal function object)，能够对数组进行处理的函数； 数组： 数组是一组相同类型变量的集合。在内存中存放在地址连续的存储单元中。 数组中的每一个成员称为“数组元素”。每一个数组元素都有相同的名称，但用不同的下表来区分...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值