当我们在Python中使用Numpy时,很重要的一点是明确它的核心思想:面向数组编程(array-oriented programming)。这意味着我们要尽可能地使用数组来处理数据和执行各种操作。Numpy提供了大量的功能和方法来操作多维数组。以下是Python中的Numpy面向数组编程常见操作的完整攻略:
一、创建数组
- 使用Numpy创建一维数组:
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)
输出为:
[1 2 3 4 5]
- 使用Numpy创建二维数组:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
输出为:
[[1 2 3]
[4 5 6]]
二、操作数组
- 访问数组元素:
import numpy as np
arr = np.array([0, 1, 2, 3, 4, 5])
print(arr[0]) # 0
print(arr[2:5]) # [2 3 4]
- 修改元素值:
import numpy as np
arr = np.array([0, 1, 2, 3, 4, 5])
arr[1] = 9
print(arr) # [0 9 2 3 4 5]
arr[3:] = 0
print(arr) # [0 9 2 0 0 0]
- 数组的运算:
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(arr1 + arr2) # [5 7 9]
print(arr1 - arr2) # [-3 -3 -3]
print(arr1 * arr2) # [ 4 10 18]
print(arr1 / arr2) # [0.25 0.4 0.5 ]
- 数组的矩阵运算:
import numpy as np
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
print(np.dot(arr1, arr2)) # [[19 22]
# [43 50]]
三、数组的属性
- 数组的形状:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape) # (2, 3)
- 数组的维度:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.ndim) # 2
- 数组的元素总数:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.size) # 6
四、数组的类型
Numpy数组可以是不同的数据类型,如整数、浮点数等。
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([1.1, 2.2, 3.3])
print(arr1.dtype) # int64
print(arr2.dtype) # float64
使用dtype参数,可以变更Numpy数组的数据类型,如下所示:
import numpy as np
arr = np.array([1, 2, 3])
arr = arr.astype('float64')
print(arr) # [1. 2. 3.]
print(arr.dtype) # float64
以上是Python中的Numpy面向数组编程常见操作的完整攻略。通过这些基础操作,我们可以处理和操作Numpy数组,以应对不同的数据分析任务。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Python中的Numpy 面向数组编程常见操作 - Python技术站