本文主要是介绍python之numpy库,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
python之numpy库
- 1. 引言
- 1.1 python for循环计算的低效
- 1.2 numpy为什么如此高效
- 1.3 什么时候用numpy
- 2. 创建数组
- 2.1 从列表创建
- 2.1.1 numpy.array(列表)创建数组
- 2.1.2 设置数据的数据类型
- 2.1.3 二维数组
- 2.2 从头创建
- 3. 数组的性质
- 3.1 属性
- 3.2 索引
-
- 3.3 切片
- 3.3.1 一维数组
- 3.3.2 多维数组
- 3.3.3 获取数组的行和列
- 3.3.4 切片是视图,不是副本
- 3.3.5 切片副本
- 3.4 变形 -- reshape
- 3.4.1 reshape用法
- 3.4.2 一维向量转行向量
- 3.4.3 一维向量转列向量
- 3.4.4 多维向量转一维向量
- 3.5 拼接
- 3.5.1 水平拼接 -- 非视图
- 3.5.2 垂直拼接 -- 非视图
- 3.6 分裂
- 3.6.1 split方法
- 3.6.2 hsplit()方法
- 3.6.3 vsplit的用法
- 4. 四大运算
- 4.1 向量化运算
- 4.1.1 与数字的加减乘除
- 4.1.2 绝对值,三角函数,指数,对数
- 4.1.3 两个数组的运算
- 4.2 矩阵化
-
- 4.3 广播运算
- 4.4 比较运算与掩码
- 4.4.1 比较运算
- 4.4.2 操作布尔数组
- 4.4.3 将布尔数组作为掩码
- 4.5 花哨的索引
-
- 5. 其它通用函数
- 5.1 数值排序
- 5.1.1 产生新的排序数组
- 5.1.2 替换原数组
- 5.1.3 获取排序索引
- 5.2 最大最小值
- 5.3 求和求积
- 5.3.1 按行求和
- 5.3.2 按列求和
- 5.3.3 全部元素求和
- 5.3.4 求积
- 5.4 统计相关
-
1. 引言
1.1 python for循环计算的低效
numpy提升了量级以上的速度。
1.2 numpy为什么如此高效
1.3 什么时候用numpy
2. 创建数组
2.1 从列表创建
2.1.1 numpy.array(列表)创建数组
2.1.2 设置数据的数据类型
2.1.3 二维数组
2.2 从头创建
3. 数组的性质
3.1 属性
3.2 索引
3.2.1 一维数组
3.2.2 多维数组
3.3 切片
3.3.1 一维数组
3.3.2 多维数组
3.3.3 获取数组的行和列
3.3.4 切片是视图,不是副本
即切片修改了,原数组也会被修改
3.3.5 切片副本
在切片后面加上.copy()
3.4 变形 – reshape
3.4.1 reshape用法
3.4.2 一维向量转行向量
3.4.3 一维向量转列向量
3.4.4 多维向量转一维向量
- revel方法
返回的是视图
- reshape方法
返回的是视图
3.5 拼接
3.5.1 水平拼接 – 非视图
- shstack() 非视图
- c_ 非视图
3.5.2 垂直拼接 – 非视图
-
vstask方法
-
r_方法
3.6 分裂
3.6.1 split方法
3.6.2 hsplit()方法
竖直方向分割
3.6.3 vsplit的用法
垂直方向分割
4. 四大运算
4.1 向量化运算
数组中的元素都要参与运算
4.1.1 与数字的加减乘除
4.1.2 绝对值,三角函数,指数,对数
-
三角函数
-
指数exp
- 对数
4.1.3 两个数组的运算
两个数组对象位置元素分别进行计算
4.2 矩阵化
numpy的矩阵方法
4.2.1 转置
4.2.2 矩阵乘法
4.3 广播运算
4.4 比较运算与掩码
4.4.1 比较运算
返回各个位置比较运算后的布尔型数组
4.4.2 操作布尔数组
4.4.3 将布尔数组作为掩码
4.5 花哨的索引
4.5.1 一维数组
4.5.2 多维数组
5. 其它通用函数
5.1 数值排序
5.1.1 产生新的排序数组
5.1.2 替换原数组
5.1.3 获取排序索引
5.2 最大最小值
5.3 求和求积
5.3.1 按行求和
5.3.2 按列求和
5.3.3 全部元素求和
5.3.4 求积
5.4 统计相关
5.4.1 中位数,均值,方差,标准差
这篇关于python之numpy库的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!