python中numpy的作用是什么

本篇內容介紹了“python中numpy的作用是什么”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

To be continue NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。

引入文件

import numpy as np

ndarray 一種多維數組對象

創建array 從python列表創建 array所有的數據類型都是相同的。如果傳入了擁有不同類型元素的列表，array會嘗試自動轉換

datal = np.array([1,3,4,2])

也可以傳入多維列表

datal2 = np.array([[1,2,3,4],[3,4,5,6]])

通過函數創建數組 該方法比python列表創建速度快 函數 作用 np.zeros(10,dtype=int) 創建值為0數據類型為int np.ones((3,5),dtype=float) 創建值為1數據類型為float np.empty((2,3,2)) 創建空數組時，只是取出對應的內存大小，里面可能因內存殘留而有其他數據 np.full((3,4),3.14) 創建一個34且初始化為3.14的數組 np.arange(0,20,2) 從0到20，步長為2 np.linspace(0,1,5) 從0到1均勻生成5個數（即，0,0.25,0.5,0.75,1） np.eye(num) 創建單位矩陣 np.random.random((3,3)) 創建一個33的，在0-1之間均勻分布的隨機數組 np.random.normal(0,1,(3,3)) 創建一個33的，均值為0，方差為1的正態分布隨機數組 np.random.randint(0,10,(3,3)) [0,10)之間的33隨機整數數組 np.random.seed() 隨機數種子 numpy數據類型 Data type Description bool_ Boolean (True or False) stored as a byte int_ Default integer type (same as C long; normally either int64 or int32) intc Identical to C int (normally int32 or int64) intp Integer used for indexing (same as C ssize_t; normally either int32 or int64) int8 Byte (-128 to 127) int16 Integer (-32768 to 32767) int32 Integer (-2147483648 to 2147483647) int64 Integer (-9223372036854775808 to 9223372036854775807) uint8 Unsigned integer (0 to 255) uint16 Unsigned integer (0 to 65535) uint32 Unsigned integer (0 to 4294967295) uint64 Unsigned integer (0 to 18446744073709551615) float_ Shorthand for float64. float16 Half precision float: sign bit, 5 bits exponent, 10 bits mantissa float32 Single precision float: sign bit, 8 bits exponent, 23 bits mantissa float64 Double precision float: sign bit, 11 bits exponent, 52 bits mantissa complex_ Shorthand for complex128. complex64 Complex number, represented by two 32-bit floats complex128 Complex number, represented by two 64-bit floats 字符 對應類型 b 布爾型 i (有符號) 整型 u 無符號整型 integer f 浮點型 c 復數浮點型 m timedelta（時間間隔） M datetime（日期時間） O (Python) 對象 S, a (byte-)字符串 U Unicode V 原始數據 (void) 數據類型轉換 astype('數據類型') 不修改原數組，只會返回一個數組的拷貝， 浮點數轉換為整數，會截斷小數部分 字符串只能先轉換為浮點數，不能直接轉換為整數

數組屬性及方法 屬性 ndim 數組維度 shape 返回一個各維度大小的元組 size 元素總數 dtype 返回該數組的數據類型 itemsize 每個元素占內存大小 nbytes 整個數組占用內存

方法 copy() -- 可創建數組的副本 reshape() -- 重新調整矩陣的行數、列數、維數，返回一個新的數組。與原數組公用內存

np.newaxis -- 在當前位置增加一個一維，如：x1[np.newaxis,:]表示增加一行

np.concatenate() -- 可一次拼接兩個及以上數組

(a1, a2, …)：要拼接的數組 axis=0：沿著哪個維度進行拼接，默認為0，橫向切分。為1時，縱向切分 np.vstack() -- 垂直棧，在第一維（行）拼接 np.hstack() -- 水平棧，在第二維（列）拼接

np.split() -- 把一個數組從左到右按順序切分

ary：要切分的數組 indices_or_sections：如果是一個整數，就用該數平均切分，如果是一個數組，為沿軸切分的位置（左開右閉） axis=0：沿著哪個維度進行切向，默認為0，橫向切分。為1時，縱向切分 np.vsplit() -- 垂直切分 np.hsplit() -- 水平切分

索引、切片 索引 可使用python常用的方法 除此外，還可用逗號分隔的索引元組獲取元素 num[0,0] == num[0][0]

布爾型索引 支持常用邏輯運算符，可用原數組對比較后的結果進行選擇，返回值為True的數；可進行運算，True為1，False為0 邏輯運算符 numpy函數

np.greater < np.less == np.equal != np.notequal <= np.less_equal = np.greater_equal

花式索引 又稱花哨索引，其意義是根據索引數組的值作為目標數組的某個軸的下標來取值。 對于使用一維整型數組作為索引，如果目標是一維數組，那么索引的結果就是對應位置的元素；如果目標是二維數組，那么就是對應下標的行。

對于使用兩個整型數組作為索引的時候，那么結果是按照順序取出對應軸的對應下標的值。例如，以[0,1],[2,0]這兩個整型數組作為索引，那么對于二維數組，則取出(0,1),(2,0)這些坐標對應的元素。 切片 可使用python常用的方法 基本語法仍為：num[start:stop:step]

對于多維數組，在同一個[]內以逗號分隔切片的維度，例如： num[:2,:3] ---- 選取前兩行前三列

選取后產生的是原數組的視圖，而不是數據的副本 調用copy()函數可以新建副本

常用數組方法 1 2 np.sort() 排序，返回原數據的副本 np.argsort() 返回排序后的下標 numpy.lexsort((b,a)) 借助b對a排序，返回a下標，當a某兩位相同時看對應位置的b大小 numpy.searchsorted() 尋找某個數應該插在數組的什么位置上，這個數組必須是按序排列的 num.sort() 就地排序，影響原數組 np.partation() 把k-th大小的元素放在k-th的位置，小于的數字放在左邊，大于的放在右邊 sorted() 可以對所有可迭代的對象進行排序操作。 數學函數 三角函數 numpy.sin(x)：三角正弦。 numpy.cos(x)：三角余弦。 numpy.tan(x)：三角正切。 numpy.arcsin(x)：三角反正弦。 numpy.arccos(x)：三角反余弦。 numpy.arctan(x)：三角反正切。 numpy.hypot(x1,x2)：直角三角形求斜邊。 numpy.degrees(x)：弧度轉換為度。 numpy.radians(x)：度轉換為弧度。 numpy.deg2rad(x)：度轉換為弧度。 numpy.rad2deg(x)：弧度轉換為度。

雙曲函數 numpy.sinh(x)：雙曲正弦。 numpy.cosh(x)：雙曲余弦。 numpy.tanh(x)：雙曲正切。 numpy.arcsinh(x)：反雙曲正弦。 numpy.arccosh(x)：反雙曲余弦。 numpy.arctanh(x)：反雙曲正切。

數值修約 數值修約, 又稱數字修約, 是指在進行具體的數字運算前, 按照一定的規則確定一致的位數, 然后舍去某些數字后面多余的尾數的過程 numpy.around(a)：平均到給定的小數位數。 numpy.round_(a)：將數組舍入到給定的小數位數。 numpy.rint(x)：修約到最接近的整數。 numpy.fix(x, y)：向 0 舍入到最接近的整數。 numpy.floor(x)：返回輸入的底部(標量 x 的底部是最大的整數 i)。 numpy.ceil(x)：返回輸入的上限(標量 x 的底部是最小的整數 i). numpy.trunc(x)：返回輸入的截斷值。

求和、求積、差分 numpy.sum(a, axis, dtype, keepdims)：返回指定軸上的數組元素的總和。 numpy.prod(a, axis, dtype, keepdims)：返回指定軸上的數組元素的乘積。 numpy.nanprod(a, axis, dtype, keepdims)：返回指定軸上的數組元素的乘積, 將 NaN 視作 1。 numpy.nansum(a, axis, dtype, keepdims)：返回指定軸上的數組元素的總和, 將 NaN 視作 0。 numpy.cumprod(a, axis, dtype)：返回沿給定軸的元素的累積乘積。 numpy.cumsum(a, axis, dtype)：返回沿給定軸的元素的累積總和。 numpy.nancumprod(a, axis, dtype)：返回沿給定軸的元素的累積乘積, 將 NaN 視作 1。 numpy.nancumsum(a, axis, dtype)：返回沿給定軸的元素的累積總和, 將 NaN 視作 0。 numpy.diff(a, n, axis)：計算沿指定軸的第 n 個離散差分。 numpy.ediff1d(ary, to_end, to_begin)：數組的連續元素之間的差異。 numpy.gradient(f)：返回 N 維數組的梯度。 numpy.cross(a, b, axisa, axisb, axisc, axis)：返回兩個(數組）向量的叉積。 numpy.trapz(y, x, dx, axis)：使用復合梯形規則沿給定軸積分。

指數、對數 numpy.exp(x)：計算輸入數組中所有元素的指數。 numpy.expm1(x)：對數組中的所有元素計算 exp(x） - 1. numpy.exp2(x)：對于輸入數組中的所有 p, 計算 2 ** p。 numpy.log(x)：計算自然對數。 numpy.log10(x)：計算常用對數。 numpy.log2(x)：計算二進制對數。 numpy.log1p(x)：log(1 + x)。 numpy.logaddexp(x1, x2)：log2(2x1 + 2x2)。 numpy.logaddexp2(x1, x2)：log(exp(x1) + exp(x2))。

算術運算 numpy.negative(x)：求對應負數。 numpy.add(x1, x2)：加。 numpy.subtract(x1, x2)：減。 numpy.multiply(x1, x2)：乘。 numpy.divide(x1, x2)：除。 numpy.reciprocal(x)：求倒數 1/x。 numpy.power(x1, x2)：類似于 x1^x2。 numpy.fmod(x1, x2)：返回除法的元素余項。 numpy.mod(x1, x2)：返回余項。 numpy.modf(x1)：返回數組的小數和整數部分。 numpy.remainder(x1, x2)：返回除法余數。

點積 numpy.dot(a,b)：求解兩個數組的點積。 numpy.vdot(a,b)：求解兩個向量的點積。 numpy.inner(a,b)：求解兩個數組的內積。 numpy.outer(a,b)：求解兩個向量的外積。 numpy.matmul(a,b)：求解兩個數組的矩陣乘積。 numpy.tensordot(a,b)：求解張量點積。 numpy.kron(a,b)：計算 Kronecker 乘積。

聚合、統計 numpy.mean：平均數 numpy.median：中位數 numpy.var：方差 numpy.std：標準差 numpy.max：最大值 numpy.min：最小值 numpy.argmax：最大值索引 numpy.argmin：最小值索引 numpy.percentile：計算基于元素排序的統計值 numpy.any：驗證是否有元素為真 numpy.all：驗證是否所有元素均為真

其他 numpy.angle(z, deg)：返回復參數的角度。 numpy.real(val)：返回數組元素的實部。 numpy.imag(val)：返回數組元素的虛部。 numpy.conj(x)：按元素方式返回共軛復數。 numpy.convolve(a, v, mode)：返回線性卷積。 numpy.sqrt(x)：平方根。 numpy.cbrt(x)：立方根。 numpy.square(x)：平方。 numpy.absolute(x)：絕對值, 可求解復數。 numpy.fabs(x)：絕對值。 numpy.sign(x)：符號函數。 numpy.maximum(x1, x2)：兩數組各個對應位置最大值。 numpy.minimum(x1, x2)：兩數組各個對應位置最小值。 numpy.nan_to_num(x)：用 0 替換 NaN。 numpy.interp(x, xp, fp, left, right, period)：線性插值。

矩陣運算 numpy.linalg.cholesky(a)：Cholesky 分解。 numpy.linalg.qr(a ,mode)：計算矩陣的 QR 因式分解。 numpy.linalg.svd(a ,full_matrices,compute_uv)：奇異值分解。 numpy.linalg.eig(a)：計算正方形數組的特征值和右特征向量。 numpy.linalg.eigh(a, UPLO)：返回 Hermitian 或對稱矩陣的特征值和特征向量。 numpy.linalg.eigvals(a)：計算矩陣的特征值。 numpy.linalg.eigvalsh(a, UPLO)：計算 Hermitian 或真實對稱矩陣的特征值。 numpy.linalg.norm(x ,ord,axis,keepdims)：計算矩陣或向量范數。 numpy.linalg.cond(x ,p)：計算矩陣的條件數。 numpy.linalg.det(a)：計算數組的行列式。 numpy.linalg.matrix_rank(M ,tol)：使用奇異值分解方法返回秩。 numpy.linalg.slogdet(a)：計算數組的行列式的符號和自然對數。 numpy.trace(a ,offset,axis1,axis2,dtype,out)：沿數組的對角線返回總和。 numpy.linalg.solve(a,b)：求解線性矩陣方程或線性標量方程組。 numpy.linalg.tensorsolve(a,b ,axes)：為 x 解出張量方程a x = b numpy.linalg.lstsq(a,b ,rcond)：將最小二乘解返回到線性矩陣方程。 numpy.linalg.inv(a)：計算逆矩陣。 numpy.linalg.pinv(a ,rcond)：計算矩陣的（Moore-Penrose）偽逆。 numpy.linalg.tensorinv(a ,ind)：計算N維數組的逆。 

“python中numpy的作用是什么”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！