这篇文章将为大家详细讲解有关python中numpy的用法案例，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
Numpy的简单用法
import numpy as np
一、创建ndarray对象
列表转换成ndarray:
>>> a = [1,2,3,4,5] >>> np.array(a) array([1, 2, 3, 4, 5])
取随机浮点数
>>> np.random.rand(3, 4)
array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ],
[ 0.66729648, 0.86538771, 0.32621889, 0.07709784],
[ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])取随机整数
>>> np.random.randint(1, 5, size=(3,4))
array([[2, 3, 1, 2],
[3, 4, 4, 4],
[4, 4, 4, 3]])取零
>>> np.zeros((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])取一
>>> np.ones((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])取空(最好别用，了解一下，版本不同返回值不一样)
>>> np.empty((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])取整数零或一
>>> np.ones((3,4)，int)
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
>>> np.zeros((3,4),int)
array([[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]])仿range命令创建ndarray：
>>> np.arange(2,10,2) # 开始，结束，步长 array([2, 4, 6, 8])
二、ndarray属性的查看和操作：
看ndarray属性：
>>> a = [[1,2,3,4,5],[6,7,8,9,0]]
>>> b = np.array(a)
>>> b.ndim #维度个数(看几维)
2
>>> b.shape #维度大小(看具体长宽)
(5,2)
>>>b.dtype
dtype('int32')ndarray创建时指定属性：
>>> np.array([1,2,3,4,5],dtype=np.float64)
array([ 1., 2., 3., 4., 5.])
>>> np.zeros((2,5),dtype=np.int32)
array([[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]])属性强转：
>>> a = np.array([1,2,3,4,5],dtype=np.float64) >>> a array([ 1., 2., 3., 4., 5.]) >>> a.astype(np.int32) array([1, 2, 3, 4, 5])
三、简单操作：
批量运算：
>>> a = np.array([1,2,3,4,5],dtype=np.int32) >>> a array([1, 2, 3, 4, 5]) >>> a + a array([ 2, 4, 6, 8, 10]) >>> a * a array([ 1, 4, 9, 16, 25]) >>> a - 2 array([-1, 0, 1, 2, 3]) >>> a / 2 array([ 0.5, 1. , 1.5, 2. , 2.5]) #等等
改变维度：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 0]])
>>> a.reshape((5,2))
array([[1, 2],
[3, 4],
[5, 6],
[7, 8],
[9, 0]])矩阵转换(和改变维度有本质区别，仔细)：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 0]])
>>> a.transpose()
array([[1, 6],
[2, 7],
[3, 8],
[4, 9],
[5, 0]])打乱(只能打乱一维)：
>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32)
>>> a
array([[1, 2],
[3, 4],
[5, 6],
[7, 8],
[9, 0]])
>>> np.random.shuffle(a)
>>> a
array([[9, 0],
[1, 2],
[7, 8],
[5, 6],
[3, 4]])四、切片和索引：
一维数组：
>>> a = np.array(range(10)) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a[3] 3 >>> a[2:9:2] array([2, 4, 6, 8])
多维数组：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 0],
[11, 12, 13, 14, 15]])
>>> a[:, 1:4]
array([[ 2, 3, 4],
[ 7, 8, 9],
[12, 13, 14]])条件索引：
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 0],
[11, 12, 13, 14, 15]])
>>> a > 5
array([[False, False, False, False, False],
[ True, True, True, True, False],
[ True, True, True, True, True]], dtype=bool)
>>> a[a>5]
array([ 6, 7, 8, 9, 11, 12, 13, 14, 15])
>>> a%3 == 0
Out[128]:
array([[False, False, True, False, False],
[ True, False, False, True, True],
[False, True, False, False, True]], dtype=bool)
>>> a[a%3 == 0]
array([ 3, 6, 9, 0, 12, 15])五、函数(numpy核心知识点)
计算函数：
np.ceil(): 向上最接近的整数，参数是 number 或 array
np.floor(): 向下最接近的整数，参数是 number 或 array
np.rint(): 四舍五入，参数是 number 或 array
np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
np.multiply(): 元素相乘，参数是 number 或 array
np.divide(): 元素相除，参数是 number 或 array
np.abs()：元素的绝对值，参数是 number 或 array
np.where(condition, x, y): 三元运算符，x if condition else y
>>> a = np.random.randn(3,4)
>>> a
array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837],
[ 0.00701986, 1.65776152, 0.41319601, 0.41356973],
[-0.32922342, 1.07773886, -0.27273258, 0.29474435]])
>>> np.ceil(a)
array([[ 1., 1., -0., -1.],
[ 1., 2., 1., 1.],
[-0., 2., -0., 1.]])
>>> np.where(a>0, 10, 0)
array([[10, 10, 0, 0],
[10, 10, 10, 10],
[ 0, 10, 0, 10]])统计函数
np.mean():所有元素的平均值
np.sum():所有元素的和，参数是 number 或 array
np.max():所有元素的大值
np.min():所有元素的最小值，参数是 number 或 array
np.std()：所有元素的标准差
np.var():所有元素的方差，参数是 number 或 array
np.argmax()：大值的下标索引值，
np.argmin():最小值的下标索引值，参数是 number 或 array
np.cumsum()：返回一个一维数组，每个元素都是之前所有元素的累加和
np.cumprod()：返回一个一维数组，每个元素都是之前所有元素的累乘积，参数是 number 或 array
>>> a = np.arange(12).reshape(3,4).transpose()
>>> a
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])
>>> np.mean(a)
5.5
>>> np.sum(a)
66
>>> np.argmax(a)
11
>>> np.std(a)
3.4520525295346629
>>> np.cumsum(a)
array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)判断函数：
np.any(): 至少有一个元素满足指定条件，返回True
np.all(): 所有的元素满足指定条件，返回True
>>> a = np.random.randn(2,3)
>>> a
array([[-0.65750548, 2.24801371, -0.26593284],
[ 0.31447911, -1.0215645 , -0.4984958 ]])
>>> np.any(a>0)
True
>>> np.all(a>0)
False去除重复：
np.unique(): 去重
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> np.unique(a)
array([1, 2, 3, 4])关于python中numpy的用法案例就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。