Numpy 常用数据结构和清理函数
【摘要】
Numpy 清理工具Numpy常用数据结构Numpy常用数据清理函数
Numpy 清理工具
Numpy常用数据结构
Numpy中常用的数据结构是ndarray格式使用array函数创建,语法格式为array(列表或元组)可以使用其他函数例如arange、linspace、zeros等创建
import numpy as np
1
arr...
Numpy 清理工具
Numpy常用数据结构
- Numpy中常用的数据结构是ndarray格式
- 使用array函数创建,语法格式为array(列表或元组)
- 可以使用其他函数例如arange、linspace、zeros等创建
import numpy as np
- 1
arr1 = np.array([-9, 7, 4, 3])
- 1
arr1
- 1
array([-9, 7, 4, 3])
- 1
type(arr1) # n维数组
- 1
numpy.ndarray
- 1
arr1 = np.array([-9, 7, 4, 3], dtype='str')
- 1
arr1
- 1
array(['-9', '7', '4', '3'], dtype='<U2')
- 1
arr1 = np.array([-9, 7, 4, 3], dtype=float)
- 1
arr1
- 1
array([-9., 7., 4., 3.])
- 1
arr1 = np.array([-9, 7, 4, 3], dtype=int)
- 1
arr1
- 1
array([-9, 7, 4, 3])
- 1
- 1
arr2 = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
- 1
arr2
- 1
array([[ 1, 2, 3, 4], [ 5, 6, 7, 8], [ 9, 10, 11, 12]])
- 1
- 2
- 3
for i in range(1, 10): print(i)
- 1
- 2
1
2
3
4
5
6
7
8
9
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
np.arange(1, 10, 0.5)
- 1
array([1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. , 7.5, 8. , 8.5, 9. , 9.5])
- 1
- 2
# 等差数组
# 第一个参数:起始值
# 第二个参数:终止值
# 第三个参数:元素个数
# endpoint:是否包含终值
np.linspace(1, 10, 10, endpoint=True)
- 1
- 2
- 3
- 4
- 5
- 6
array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
- 1
np.linspace(1, 10, 20, endpoint=True)
- 1
array([ 1. , 1.47368421, 1.94736842, 2.42105263, 2.89473684, 3.36842105, 3.84210526, 4.31578947, 4.78947368, 5.26315789, 5.73684211, 6.21052632, 6.68421053, 7.15789474, 7.63157895, 8.10526316, 8.57894737, 9.05263158, 9.52631579, 10. ])
- 1
- 2
- 3
- 4
9/19 # 步长
- 1
0.47368421052631576
- 1
1 + 3 * (9/19)
- 1
2.4210526315789473
- 1
# 产生一个4行5列的数组,值为0
np.zeros([4, 5])
- 1
- 2
array([[0., 0., 0., 0., 0.], [0., 0., 0., 0., 0.], [0., 0., 0., 0., 0.], [0., 0., 0., 0., 0.]])
- 1
- 2
- 3
- 4
np.zeros(4)
- 1
array([0., 0., 0., 0.])
- 1
# 产生一个2行3列的数组,值为1
np.ones([2, 3])
- 1
- 2
array([[1., 1., 1.], [1., 1., 1.]])
- 1
- 2
# 对每一个数组元素加1
arr2 + 1
- 1
- 2
array([[ 2, 3, 4, 5], [ 6, 7, 8, 9], [10, 11, 12, 13]])
- 1
- 2
- 3
# 判断数组的维数
arr1.ndim
- 1
- 2
1
- 1
arr2.ndim
- 1
2
- 1
# 判断数组的形状
arr1.shape
- 1
- 2
(4,)
- 1
arr2.shape
- 1
(3, 4)
- 1
# 返回数组元素个数
arr2.size
- 1
- 2
12
- 1
# 返回数组元素类型
arr2.dtype
- 1
- 2
dtype('int32')
- 1
- 1
data2 = ((8.5, 6, 4, 1.2, 0.7), (1.5, 3, 5.4, 7.3, 9), (3.2, 4.5, 6, 3, 9), (11.2, 13.4, 15.6, 17.8, 19))
- 1
arr3 = np.array(data2)
- 1
arr3
- 1
array([[ 8.5, 6. , 4. , 1.2, 0.7], [ 1.5, 3. , 5.4, 7.3, 9. ], [ 3.2, 4.5, 6. , 3. , 9. ], [11.2, 13.4, 15.6, 17.8, 19. ]])
- 1
- 2
- 3
- 4
arr3[0]
- 1
array([8.5, 6. , 4. , 1.2, 0.7])
- 1
arr3[3]
- 1
array([11.2, 13.4, 15.6, 17.8, 19. ])
- 1
# 取第二行第三列元素
arr3[1, 2]
- 1
- 2
5.4
- 1
arr3[1][2]
- 1
5.4
- 1
arr3[:, 3]
- 1
array([ 1.2, 7.3, 3. , 17.8])
- 1
# 取第二列到第三列元素
arr3[:, 1:3]
- 1
- 2
array([[ 6. , 4. ], [ 3. , 5.4], [ 4.5, 6. ], [13.4, 15.6]])
- 1
- 2
- 3
- 4
arr3[3][1]
- 1
13.4
- 1
数 组 下 标 从 0 开 始 , 且 左 闭 右 开 \color{red}数组下标从0开始,且左闭右开 数组下标从0开始,且左闭右开
Numpy常用数据清理函数
import numpy as np
- 1
s = np.array([1,2,3,4,3,2,1,2,2,4,6,7,2,4,8,4,5])
- 1
s = np.sort(s)
- 1
s
- 1
array([1, 1, 2, 2, 2, 2, 2, 3, 3, 4, 4, 4, 4, 5, 6, 7, 8])
- 1
np.array(sorted(s, reverse=True))
- 1
array([8, 7, 6, 5, 4, 4, 4, 4, 3, 3, 2, 2, 2, 2, 2, 1, 1])
- 1
# 返回排序的索引
np.argsort(s)
- 1
- 2
array([ 0, 6, 12, 7, 5, 8, 1, 2, 4, 3, 15, 9, 13, 16, 10, 11, 14], dtype=int64)
- 1
- 2
arr1 = np.array([[0,1,3],[4,2,9],[4,5,9],[1,-3,4]])
- 1
# axis=0:表示对列排序
# axis=1:表示对行排序
np.sort(arr1, axis=0)
- 1
- 2
- 3
array([[ 0, -3, 3], [ 1, 1, 4], [ 4, 2, 9], [ 4, 5, 9]])
- 1
- 2
- 3
- 4
np.sort(arr1, axis=1)
- 1
array([[ 0, 1, 3], [ 2, 4, 9], [ 4, 5, 9], [-3, 1, 4]])
- 1
- 2
- 3
- 4
s
- 1
array([1, 2, 3, 4, 3, 2, 1, 2, 2, 4, 6, 7, 2, 4, 8, 4, 5])
- 1
# 第一个参数:条件
# 第二个参数:条件满足的返回值
# 第三个参数:条件不满足的返回值
# 大于3返回元素本身,不大于3返回-1
np.where(s>3, s, -1)
- 1
- 2
- 3
- 4
- 5
array([-1, -1, -1, 4, -1, -1, -1, -1, -1, 4, 6, 7, -1, 4, 8, 4, 5])
- 1
# 第一个参数:条件
# 第二个参数:返回的值
# 筛选数组中值大于3的元素
np.extract(s > 3, s)
- 1
- 2
- 3
- 4
array([4, 4, 6, 7, 4, 8, 4, 5])
- 1
文章来源: ruochen.blog.csdn.net,作者:若尘,版权归原作者所有,如需转载,请联系作者。
原文链接:ruochen.blog.csdn.net/article/details/105413966
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)