Python数据科学速查表Numpy 基础.pdf
需积分: 5 90 浏览量
2024-01-30
10:18:28
上传
评论
收藏 799KB PDF 举报
2
NumPy
Numpy 是 Python 数据科学计算的核心库，提供了高性能的多维数组对象及处
理数组的工具。
使用以下语句导入 Numpy 库：
创建数组
>>> np.zeros((3,4))
>>> np.ones((2,3,4),dtype=np.int16)
>>> d = np.arange(10,25,5)
>>> np.linspace(0,2,9)
>>> e = np.full((2,2),7)
>>> f = np.eye(2)
>>> np.random.random((2,2))
>>> np.empty((3,2))
创建值为0数组
创建值为1数组
创建均匀间隔的数组（步进值）
创建均匀间隔的数组（样本数）
创建常数数组
创建2x2单位矩阵
创建随机值的数组
创建空数组
数组计算
>>> g = a - b
array([[-0.5, 0. , 0. ],
[-3. , -3. , -3. ]])
>>> np.subtract(a,b)
>>> b + a
array([[ 2.5, 4. , 6. ],
[ 5. , 7. , 9. ]])
>>> np.add(b,a)
>>> a / b
array([[ 0.66666667, 1. , 1. ],
[ 0.25 , 0.4 , 0.5 ]])
>>> np.divide(a,b)
>>> a * b
array([[ 1.5, 4. , 9. ],
[ 4. , 10. , 18. ]])
>>> np.multiply(a,b)
>>> np.exp(b)
>>> np.sqrt(b)
>>> np.sin(a)
>>> np.cos(b)
>>> np.log(a)
>>> e.dot(f)
减法
减法
加法
加法
除法
除法
乘法
乘法
幂
平方根
正弦
余弦
自然对数
点积
array([[ 7., 7.],
[ 7., 7.]])
子集、切片、 索引
>>> a.sum()
>>> a.min()
>>> b.max(axis=0)
>>> b.cumsum(axis=1)
>>> a.mean()
>>> b.median()
>>> a.corrcoef()
>>> np.std(b)
数组汇总
数组最小值
数组最大值，按行
数组元素的累加值
平均数
中位数
相关系数
标准差
比较
>>> a == b
array([[False, True, True],
[False, False, False]], dtype=bool)
>>> a < 2
array([True, False, False], dtype=bool)
>>> np.array_equal(a, b)
对比值
对比值
对比数组
1 2 3
3维数组
1.5 2 3
4 5 6
数组操作
>>> import numpy as np
axis 0
axis 1
axis 0
axis 1
axis 2
算数运算
转置数组
转置数组
拉平数组
改变数组形状，但不改变数据
返回形状为(2,6)的新数组
追加数据
插入数据
删除数据
转置数组
>>> i = np.transpose(b)
>>> i.T
改变数组形状
>>> b.ravel()
>>> g.reshape(3,-2)
添加或删除值
>>> h.resize((2,6))
>>> np.append(h,g)
>>> np.insert(a, 1, 5)
>>> np.delete(a,[1])
合并数组
>>> np.concatenate((a,d),axis=0)
array([ 1, 2, 3, 10, 15, 20])
>>> np.vstack((a,b))
array([[ 1. , 2. , 3. ],
[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])
>>> np.r_[e,f]
>>> np.hstack((e,f))
array([[ 7., 7., 1., 0.],
[ 7., 7., 0., 1.]])
>>> np.column_stack((a,d))
array([[ 1, 10],
[ 2, 15],
[ 3, 20]])
拼接数组
纵向以行的维度堆叠数组
纵向以行的维度堆叠数组
横向以列的维度堆叠数组
以列的维度创建堆叠数组
以列的维度创建堆叠数组
>>> np.c_[a,d]
分割数组
>>> np.hsplit(a,3)
[array([1]),array([2]),array([3])]
>>> np.vsplit(c,2)
纵向分割数组为3等份
横向分割数组为2等份
[array([[[ 1.5, 2. , 1. ],
[ 4. , 5. , 6. ]]]),
array([[[ 3., 2., 3.],
[ 4., 5., 6.]]])]
子集
>>> a[2]
3
>>
> b[1,2]
选择索引2对应的值
选择行1列2对应的值（等同于b[1][2]
选择索引为0与1对应的值
选择第1列中第0行、第1行的值
选择第0行的所有值（等同于b[0:1,:1]
等同于 [1,:,:]
反转数组a
选择数组a中所有小于2的值
选择(1,0),(0,1),(1,2) 和(0,0)所对应的值
选择矩阵的行列子集
6.0
切片
>>> a[0:2]
array([1, 2])
>>> b[0:2,1]
array([ 2., 5.])
>>> b[:1]
array([[1.5, 2., 3.]])
>>> c[1,...]
array([[[ 3., 2., 1.],
[ 4., 5., 6.]]])
>>> a[ : :-1]
array([3, 2, 1])
>>> a[a<2]
array([1])
>>> b[[1, 0, 1, 0],[0, 1, 2, 0]]
array([ 4. , 2. , 6. , 1.5])
>>> b[[1, 0, 1, 0]][:,[0,1,2,0]]
array([[ 4. ,5. , 6. , 4. ],
[ 1.5, 2. , 3. , 1.5],
[ 4. , 5. , 6. , 4. ],
[ 1.5, 2. , 3. , 1.5]])
>>> a = np.array([1,2,3])
>>> b = np.array([(1.5,2,3), (4,5,6)], dtype = oat)
>>> c = np.array([[(1.5,2,3), (4,5,6)], [(3,2,1), (4,5,6)]],
dtype = oat)
初始化占位符
聚合函数
>>> np.loadtxt("myle.txt")
>>> np.genfromtxt("my_le.csv", delimiter=',')
>>> np.savetxt("myarray.txt", a, delimiter=" ")
输入/输出
1 2 3
1.5 2
3
4 5 6
数组复制
>>> h = a.view()
>>> np.copy(a)
>>> h = a.copy()
使用同一数据创建数组视图
创建数组的副本
创建数组的深度拷贝
保存与载入文本文件
保存与载入磁盘上的文件
>>> np.save('my_array', a)
>>> np.savez('array.npz', a, b)
>>> np.load('my_array.npy')
>>> a.shape
>>> len(a)
>>> b.ndim
>>> e.size
>>> b.dtype
>>> b.dtype.name
>>> b.astype(int)
数组形状，几行几列
数组长度
几维数组
数组有多少元素
数据类型
数据类型的名字
数据类型转换
数组信息
>>> np.info(np.ndarray.dtype)
调用帮助
数组排序
>>> a.sort()
>>> c.sort(axis=0)
数组排序
以轴为依据对数组排序
数据类型
>>> np.int64
>>> np.oat32
>>> np.complex
>>> np.bool
>>> np.object
>>> np.string_
>>> np.unicode_
带符号的64位整数
标准双精度浮点数
显示为128位浮点数的复数
布尔值：True值和False值
Python对象
固定长度字符串
固定长度Unicode
1 2 3
1.5 2 3
4 5 6
1.5 2 3
4 5 6
1 2 3
Python 数据科学
速查表
Numpy 基础
天善智能 商业智能与大数据社区 www.hellobi.com
NumPy 数组
1维数组 2维数组
条件索引
参阅 列表
花式索引
资源评论
