Wenn Sie neu bei Numpy sind, finden Sie hier die am häufigsten verwendeten Numpy-Funktionen, um Ihnen den Einstieg in die Numpy-Bibliothek zu erleichtern.
Hyperlink zur Numpy-Dokumentation https://numpy.org/doc/stable/
# import numpy
import numpy as np
Erstellen Sie 1D-, 2D- und 3D-Numpy-Arrays
# Create a 1-dimensional NumPy array utilizing np.array()
a1 = np.array([1,2,3])# Create a 2-dimensional NumPy array utilizing np.array()
a2 = np.array([[1, 2.0, 3.3],
[4, 5, 6.5]])
# Create a three-dimensional Numpy array utilizing np.array()
a3 = np.array([[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
[[10, 11, 12],
[13, 14, 15],
[16, 17, 18]]])
Verstehen Sie, was die Attribute des Arrays sind
a1.form # (3,)
a1.ndim # 1
a1.dtype # dtype('int64')
a1.dimension # 3
sort(a1) # numpy.ndarray
In der Pandas-Bibliothek kann ein Numpy-Array verwendet werden
# Import pandas and create a DataFrame out of 1
# of the arrays you have created
import pandas as pdpd.DataFrame(a2)
# To create prefilled arrays
zeros = np.zeros((10,2))
ones = np.ones((10,2))
zeros, ones
arrangieren
# Returns evenly spaced values inside a given interval.
ar = np.arange(1,100,1)
ar
willkürlich
# Returns random integers at a given vary.
ran = np.random.randint(0,excessive=10,dimension=(7,2))
ran
# Returns random numbers between 0 and 1.
np.random.random((5, 3))
Den Samen setzen
Wenn Sie den Startwert auf eine Konstante setzen, wird immer derselbe Satz von Zufallszahlen generiert. wird verwendet, um für mehrere Iterationen denselben Satz von Stichproben aus den Daten zu erhalten.
# Set the random seed to 42
np.random.seed(42)# Create a random array of numbers between 0 & 10 of dimension (4, 6)
np.random.randint(0,excessive=10,dimension=(4, 6))
Prüfen Sie, welche Kopie für Sie geeignet ist
h = a.view() # Create a view of the array with the identical information
np.copy(a) # Create a replica of the array
h = a.copy() # Create a deep copy of the array
Über diese Auswahl können Sie einen Teil der Daten auswählen
# Discover the 0'th index of the most recent array you created
arr[0]# Get the primary 2 values of the primary 2 rows of the most recent array
arr[:2, :2 ]
# will get a all the weather larger than 2 in arr
arr[arr>2]
Erstellen Sie für das Beispiel zwei zufällige Arrays
randy1 = np.random.randint(0,excessive=10,dimension=(3,5))
randy2 = np.random.randint(0,excessive=10,dimension=(3,5))
randy1,randy2
Operationen auf Matrizen
sum = randy1 + randy2 # Aspect sensible sum (Arrays needs to be of similar form)
energy = randy1 ** 2 # Aspect sensible energy
sq. = np.sq.(randy1) # Do the identical factor with np.sq.()sum,energy,sq.
Skalarprodukt
Die Erklärung zum Dot-Produkt finden Sie hier https://www.mathsisfun.com/algebra/vectors-dot-product.html
# Create two arrays of random integers between 0 to 10
# one in every of dimension (3, 3) the opposite of dimension (3, 2)
dot1 = np.random.randint(0,excessive=10,dimension=(3,3))
dot2 = np.random.randint(0,excessive=10,dimension=(3,2))dot1,dot2
# Carry out a dot product on the 2 latest arrays you created
dot1.dot(dot2)
Anhäufung
Berechnen Sie die mittleren Max. Min. Mathematischen Operationen
# Discover the imply of the most recent array utilizing np.imply()
imply = np.imply(sq.) # 38.46666666666667
max = np.max(sq.) # 81
min = np.min(sq.) # 0
sum = np.sum(sq.) # 577
Lassen Sie uns die Arrays so manipulieren, wie wir sie brauchen
Umformen
Verleiht einem Array eine neue Kind, ohne seine Daten zu ändern.
# Reshape the most recent array to (3, 5, 1)
reshape = np.reshape(sq.,(3, 5, 1))
reshape
Transponieren
Gibt ein Array mit vertauschten Achsen zurück
# Transpose the most recent array
transpose = sq..T
transpose
# Create two arrays of random integers between 0 to 10
# each of dimension (4, 3)
arr1 = np.random.randint(0,excessive=10,dimension=(3,2))
arr2 = np.random.randint(0,excessive=10,dimension=(3,2))
arr1,arr2np.array_equal(a, b) # Array-wise comparability returns Boolean
arr1>arr2 # Aspect-wise comparability returns Array
arr1>=arr2 # Aspect-wise comparability returns Array
arr1>7 # Aspect-wise comparability returns Array
arr1==1 # Aspect-wise comparability returns Array
Lasst uns etwas klären
# To type the the array
arr = [1,6,3]np.type(arr) # array([1, 3, 6])
np.argsort(arr) # array([0, 2, 1])
np.argmin(arr) # 1
np.argmax(arr, axis=0) # 6 (for column axis=0 )
Um die eindeutigen Werte zu erhalten
# To Get Distinctive Values
arr = [1,1,2,2,3,3]
np.distinctive(arr) # array([1, 2, 3])
Konvertieren eines Bildes in ein NP-Array
# Changing a picture in np arrayfrom matplotlib.picture import imread
nature = imread('./nature.jpg')
print(sort(nature)). # <class 'numpy.ndarray'>
nature.form # (682, 1024, 3)
Damit können Sie loslegen und sich mit der Arbeit an den Datensätzen die Hände schmutzig machen.
Hier sind einige weitere Methoden, die es zu erkunden gilt
# Strive these as effectively
b.ravel()
h.resize((2,6))
np.append(h,g)
np.insert(a, 1, 5)
np.delete(a,[1])
np.concatenate((a,d),axis=0)
np.vstack((a,b))
Viel Spaß beim Codieren!!
