Numpy库

我们这里下载1.26.1这个版本

pip install numpy ==1.26.1

1.调用Numpy自带的数学工具函数

import numpy as np
print (np.sin(1))
print (np.abs(-1))

这里还有很多工具函数就不一一列举了 感兴趣可以到源码里面浏览一下

注：Ctrl + 鼠标左键：点进去看源码
        退回到上一页：直接按 Alt + ←（键盘左方向键）
        前进回去：Alt + →（右方向键）
        直接点编辑器左上角 ← 箭头，和浏览器后退一样
        快捷键：Ctrl + Alt + ← 也能返回

2.普通列表转数组

import numpy as np

# 创建原始列表
list1 = [1, 2, 3, 4, 5]
print(list1)

# 转换为NumPy数组
v= np.array(list1)
print(v)
 

3.数组的基本属性

a=v.shape #查询数组的形状
b=v.ndim #查询数组的维度
c=v.size #查询数组中数据的个数

a=v.shape #查询数组的形状
b=v.ndim #查询数组的维度
c=v.size #查询数组中数据的个数
print(type(v))

以下是这个一维数组调试结果

list1：这是一个普通 Python 列表，里面有 5 个元素 [1,2,3,4,5]
     v：这是一个 Numpy 数组（ndarray）
 (5,) 表示它是一维数组，长度为 5，后面的属性都是它的专属信息
然后是数组 v 的最小值和最大值
类型是 int32（32位整数），值分别是 1 和 5

shape 是一个元组（tuple），用来描述数组的维度和长度
(5,) 表示这是一个一维数组（元组里只有一个数字），长度是 5（有 5 个元素），元组的第 0 位是 5，所以 0 = {int} 5；元组长度 __len__ 是 1，代表 1 维

dtype：数组的数据类型

dtype 表示数组里元素的类型，这里是 int32（32位整数），说明 v 里的 1~5 都是以 32 位整数形式存储的，你也可以改成 float32、float64 等类型

size：数组元素总数

size 表示数组里所有元素的总个数，这里一维数组长度是 5，所以 size=5，如果是 3行 35列的数组，size 会是 15

二维数组调试结果可以对比看看

4.数组的升降维度

数组升维

升维度就是给数组增加一个新的轴（维度）
一维数组 (5,) → 变成二维 (1,5) 或 (5,1)
二维数组 (2,3) → 变成三维 (1,2,3)

reshape()方法

可以将数组调整为指定大小，返回原数组的一个新视图，不修改原数组。

新形状的元素总数必须与原数组相同，否则报错。

当某一维为-1时，Numpy会自动计算该维度大小。

import numpy as np
a = np.array([1,2,3,4,5,6])
print(a)   # (6,)

# 一维(6,) → 二维(2,3)
b = a.reshape(2, 3)
print(b)    # (2, 3)

# 升三维
c = a.reshape(1, 2, 3)
print(c)    # (1, 2, 3)

#-1代表任意
d=a.reshape(3,-1)
print(d)

输出结果

a.resize（数组方法，原地操作）

原地修改数组的形状和大小，没有返回值（返回 None）。

b=a.resize(2,3)
print(b)
print(a)

np.resize（NumPy 函数）

返回一个新数组，不修改原数组，新形状可以任意指定。如果元素总数不匹配，会重复原数组的值来填充新数组（若新形状更大），若更小则截断。

b=np.resize(a,(3,3))
print(b)

数组降维

reshape 降维

reshape 可以把任意维度降到任意维度，但要元素总数不变

import numpy as np

list1 = [1,2,3,4,5,6,7,8]
v = np.array(list1)
v = v.reshape(2,2,2)
print(v)
v.ndim

# 将三维降到二维
r1 = v.reshape(1,8)
print(r1)
r1.ndim

ravel () 降维

ravel 将数组展平为一维，返回的是原始数组的视图，因此对返回的一维数组所做的修改可能会影响原始的多维数组。这是因为ravel只是改变了数组的形状和步长，而没有复制数据。

r2 = v.ravel()
print(r2)

flatten () 降维

flatten 将数组展平为一维，返回数组副本，修改不会影响原数组。

r3 = v.flatten()
print(r3)

修改 shape 属性降维

直接修改 shape 属性可以原地对数组进行降维或形状改变，直接作用于原数组。

list1 = [1,2,3,4,5,6,7,8]
v = np.array(list1)
print(v)

# 直接修改 shape 属性，实现降维/变形
v.shape = (2,4)
print(v)

输出结果

5.创建特殊的数组

np.zeros(shape)：创建全0数组

np.ones(shape)：创建全1数组

np.full(shape, fill_value)：创建指定形状、全部填充为同一个值的数组

np.eye(n)：创建n阶单位矩阵

np.arange(start, end, step)：创建指定范围的有序数组（左闭右开）

np.linspace(start, end, nums)：创建指定数量的等间隔数组（左右闭区间）

import numpy as np

#创建全为0的数组
a = np.zeros(5)
b = np.zeros((2,2))#(2,2)np.zeros((2,2))#zeros只能接受1个参数，
c = np.zeros((3,2,2))
print(a,'\n',b,'\n',c)
#创建全为1的数组
d = np.ones(5)
e = np.ones((2,2))
f = np.ones((2,2,2))
print(d,'\n',e,'\n',f)

#创建全为2的数组   矩阵中全部填充指定的数据
g = np.full((2,2,2), 5)
print(g)

#小补充
h = np.eye(5,7)
print('hello')

i=np.arange(1,9,3)
j=np.linspace(0,1,21)
print(i)
print(j)

输出结果

6.数组元素的选取与修改

import numpy as np

array1 = np.arange(48).reshape(2,4,6)
print(array1)

#选取某个元素
#首先确定选取哪一个二维数组
a = array1[1,0,0]

#选取某行元素
b = array1[0,1,:]

#选取某些行元素
c = array1[0,1:3,:]
d = array1[0,[1,3],:]

#选取某列
e = array1[1,:,1]

#选取某些列
f = array1[1,:,1:4]
g = array1[1,:,[1,4]]

#修改
array1[1,0,0]=100
print(array1)


v = np.array([array1,array1,array1,array1])
a= v[2,1,2: ,1:3]
print(a)

7.numpy内数组的切割和组合

import numpy as np

array1 = np.arange(16).reshape(4,4)
print(array1)

#水平切割
a = np.hsplit(array1,2)#其中第2个参数  2表示将矩阵array1进行2等份切分

b = np.split(array1,2,axis=1)

#垂直切割
c = np.vsplit(array1,2)#
d = np.split(array1,2,axis=0)

#强制切割
#水平切割
e = np.array_split(array1,3,axis=1)

#垂直切割
f = np.array_split(array1,3,axis=0)

np.hsplit(arr, n)：水平切割为n等份（需保证列数能被n整除）

np.vsplit(arr, n)：垂直切割为n等份（需保证行数能被n整除）

np.split(arr, n, axis)：通用切割函数，axis=1水平切割，axis=0垂直切割

np.array_split(arr, n, axis)：强制切割（无需保证能整除，最后一份可能数量不同）

水平切割 (H)：按列切，左右分开，比如把 (3,4) 切成 (3,2) 和 (3,2)
垂直切割 (V)：按行切，上下分开，比如把 (4,3) 切成 (2,3) 和 (2,3)

对应Numpy里的两个核心函数：

np.hsplit()：水平切割（Horizontal Split）
np.vsplit()：垂直切割（Vertical Split）

import numpy as np

#生成基数组
array1 = np.arange(9).reshape(3,3)
array2 = 2*array1
print(array1)
print(array2)

#水平组合
a3 = np.hstack((array1,array2))
a4 = np.hstack((array2,array1))
a5 = np.hstack((array1,array2,array1))

a6 = np.concatenate((array1,array2),axis=1)#连接
#axis表示连接的方向
#垂直组合
a7 = np.vstack((array2,array1))

a8 = np.concatenate((array1,array2),axis=0)
print(1)

8.数组的计算

import numpy as np

#生成两个基数组
a = np.arange(4).reshape(2,2)
b = a.copy()

#矩阵的运算
#加减乘除(求逆)
#加减 ->对应元素加减

#矩阵的乘法【点乘】
#a * b
a1 = a.dot(b)
a2 = np.dot(a,b)


#矩阵求逆
"""
inv():
并不是所有的矩阵都有逆;
即使你没有逆，给你一个逆【伪逆】
"""
a3 = np.linalg.inv(a)

a4 = a.dot([[-1.5,  0.5],
       [ 1. ,  0. ]])
print(a4)

9.文件读写

读取文本文件

numpy.loadtxt()：从文本文件中加载数据。这个函数假定文件中的每一行都有相同数量的值，并将这些值分隔开。
你可以使用 delimiter 参数指定分隔符，如逗号、制表符等。例如：

import numpy as np
data = np.loadtxt('datingTestSet2.txt', delimiter='\t')
print(data)

保存数组到txt文件中

import numpy as np
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 创建一个 NumPy 数组
np.savetxt('array.txt', array)# 使用 savetxt() 将数组保存到文本文件中