items = np.array([("华为应用开发中级", 88, 79.00), ("Python语言程序设计", 50, 49.80)], dtype=book_type) print("自定义数据为：", items)

自定义数据为： [('华为应用开发中级', 88, 79. ) ('Python语言程序设计', 50, 49.8)]

# rand函数生成的均匀分布的随机数 参数：size a1 = np.random.rand(1, 2) a2 = np.random.rand(1, 2, 3, 4) print("rand函数生成的均匀分布的随机数:") print(a1) print(a2) print("-"*50)# randn函数生成具有标准正态分布的随机数 参数：size a3 = np.random.randn(1, 2) a4 = np.random.randn(1, 2, 3, 4) print("randn函数生成具有标准正态分布的随机数:") print(a3) print(a4) print("-"*50)# randint函数生成[low, high)区间的随机整数 参数:low, high, size, dtype a5 = np.random.randint(1, 10, [1, 2], dtype="short") a6 = np.random.randint(1, 10, [1, 2, 3], dtype="long") print("randint函数生成[low, high)区间的随机整数:") print(a5, a5.dtype) print(a6, a6.dtype) print("-"*50)# random_sample函数生成随机浮点数，在半开区间 [0.0, 1.0) 参数: size a7 = np.random.random_sample([1, 2]) a8 = np.random.random_sample([1, 2, 3]) print("random_sample函数生成随机浮点数:") print(a7) print(a8)

rand函数生成的均匀分布的随机数: [[0.37825834 0.36723038]][[[[0.71418784 0.73996675 0.15419813 0.99419331] [0.58614779 0.73066644 0.49114029 0.80010252] [0.33072697 0.48593358 0.73750939 0.6098291 ]][[0.18201681 0.34509901 0.07229337 0.89061953] [0.41669819 0.59503481 0.73802839 0.40802414] [0.1855280.73147802 0.46253263 0.25485796]]]] -------------------------------------------------- randn函数生成具有标准正态分布的随机数: [[1.01330053 0.59629841]][[[[-1.23013022 -0.54980997 -0.86341347 -0.14536862] [-0.54584678 -0.22382106 -1.710410330.91828566] [-0.2115877-0.530026940.04532693 -0.7821888 ]][[-0.39234029 -0.82818071 -0.065661150.63458322] [ 0.51276787 -2.080871580.470106581.85817864] [ 1.099097450.24666559 -0.72258201 -0.64547011]]]] -------------------------------------------------- randint函数生成[low, high)区间的随机整数: [[5 6]] int16 [[[5 2 1] [9 1 9]]] int32 -------------------------------------------------- random_sample函数生成随机浮点数: [[0.97716236 0.89218794]][[[0.53794987 0.11502953 0.32427659] [0.51851268 0.6310960.49160983]]]

# 定义数组 a = np.arange(10)# 获取某个元素 print("获取某个元素:", a[3])# 切片(跟列表切片是一样的) print("取前五个元素:", a[:6], a[:-4], a[0: 6])# 设置步长 取 1 3 5 7 print("设置步长:", a[1: 8: 2])# 反向设置步长 取7 5 3 1 print("反向设置步长", a[7: 0: -2])

获取某个元素: 3 取前五个元素: [0 1 2 3 4 5] [0 1 2 3 4 5] [0 1 2 3 4 5] 设置步长: [1 3 5 7] 反向设置步长 [7 5 3 1]

# 定义多维数组 a = np.array([[1,2,3,4,5], [4,5,6,7,8], [7,8,9,10,11]])# 取第1行第2 3个 注意下标都是从0开始的 即第2行的第3 4个 print("取第1行第2 3个:", a[1, 2: 4])# 取第0和1行 第1~4列的元素 即取第一第二行的第二个元素到最后一个元素 print("取第0和1行 第2~5列的元素:", a[:2, 1:])# 取所有行的第3列 print("取所有行的第3列", a[:, 2])

取第1行第2 3个: [6 7]取第0和1行 第2~5列的元素: [[2 3 4 5] [5 6 7 8]] 取所有行的第3列 [3 6 9]

# 定义多维数组 a = np.array([[1,2,3,4,5], [4,5,6,7,8], [7,8,9,10,11]])# 从两个序列的对应位置去除两个整数来组成下标 [0,1] [2,2] [2,3] print("索引结果为:", a[(0,2,2), (1,2,3)])# 取第一第二行的0,1,2列元素 print("取第一第二行的0,1,2列元素:", a[1:, (0, 1 ,2)])# 生成一个布尔数组 bools = np.array([0, 1, 1], dtype=np.bool)# 取第一第二行的4列元素 print("取第一第二行的4列元素:", a[bools, 3])

索引结果为: [ 29 10]取第一第二行的0,1,2列元素: [[4 5 6] [7 8 9]] 取第一第二行的3,4列元素: [ 7 10]

# 创建一个数组 a1 = np.arange(12) print("原数据:", a1, a1.shape)# 改变数组的形状 (不改变原对象, 生成新的对象需要接收返回值) a2 = a1.reshape(3, 4) print("改变数组的形状:", a2, a2.shape)

原数据: [ 0123456789 10 11] (12,)改变数组的形状: [[ 0123] [ 4567] [ 89 10 11]] (3, 4)

# 创建一个数组 a1 = np.arange(12) print("原数据:", a1, a1.shape)# 改变数组的形状 (不改变原对象, 生成新的对象需要接收返回值) a2 = a1.reshape(3, 4) print("改变数组的形状:", a2, a2.shape)# ravel函数展平数组 (改变原对象, 不需要接收返回值) a1.ravel() print("ravel函数展平数组后:", a1, a1.shape)

原数据: [ 0123456789 10 11] (12,)改变数组的形状: [[ 0123] [ 4567] [ 89 10 11]] (3, 4) ravel函数展平数组: [ 0123456789 10 11] (12,)

# 创建一个shape为(3, 4)的数组 a1 = np.arange(12).reshape(3, 4) print("原数据:", a, a.shape)# flatten函数展平数组a2 = a1.flatten() # 横向展平 print("横向展平:", a2, a2.shape)a3 = a1.flatten('F') # 纵向展平 print("纵向展平:", a3, a3.shape)

原数据: [[ 0123] [ 4567] [ 89 10 11]] (3, 4) 横向展平: [ 0123456789 10 11] (12,)纵向展平: [ 04815926 1037 11] (12,)

# 创建两个数组 a1 = np.arange(12).reshape(3, 4) a2 = a1 * 2 print("数组1:", a1, a1.shape) print("数组2:", a2, a2.shape)# hstack横向合并 print("hstack横向合并:", np.hstack((a1, a2)))

数组1: [[ 0123] [ 4567] [ 89 10 11]] (3, 4) 数组2: [[ 0246] [ 8 10 12 14] [16 18 20 22]] (3, 4) hstack横向合并: [[ 01230246] [ 45678 10 12 14] [ 89 10 11 16 18 20 22]]

# 创建两个数组 a1 = np.arange(12).reshape(3, 4) a2 = a1 * 2 print("数组1:", a1, a1.shape) print("数组2:", a2, a2.shape)# vstack纵向合并 print("vstack纵向合并:", np.vstack((a1, a2)))

数组1: [[ 0123] [ 4567] [ 89 10 11]] (3, 4) 数组2: [[ 0246] [ 8 10 12 14] [16 18 20 22]] (3, 4) vstack纵向合并: [[ 0123] [ 4567] [ 89 10 11] [ 0246] [ 8 10 12 14] [16 18 20 22]]

# 创建两个数组 a1 = np.arange(12).reshape(3, 4) a2 = a1 * 2 print("数组1:", a1, a1.shape) print("数组2:", a2, a2.shape)# concatenate横向合并 (axis默认为0) print("concatenate纵向合并:", np.concatenate((a1, a2), axis=0))# concatenate横向合并 print("concatenate横向合并:", np.concatenate((a1, a2), axis=1))

数组1: [[ 0123] [ 4567] [ 89 10 11]] (3, 4) 数组2: [[ 0246] [ 8 10 12 14] [16 18 20 22]] (3, 4) concatenate纵向合并: [[ 0123] [ 4567] [ 89 10 11] [ 0246] [ 8 10 12 14] [16 18 20 22]] concatenate横向合并: [[ 01230246] [ 45678 10 12 14] [ 89 10 11 16 18 20 22]]

# 创建一个数组 a = np.arange(16).reshape(4, 4) print("原数组:", a, a.shape)# 横向分割 print("横向分割:", np.hsplit(a, 2))

原数组: [[ 0123] [ 4567] [ 89 10 11] [12 13 14 15]] (4, 4) 横向分割: [array([[ 0,1], [ 4,5], [ 8,9], [12, 13]]), array([[ 2,3], [ 6,7], [10, 11], [14, 15]])]

# 创建一个数组 a = np.arange(16).reshape(4, 4) print("原数组:", a, a.shape)# 纵向分割 print("纵向分割:", np.vsplit(a, 2))

原数组: [[ 0123] [ 4567] [ 89 10 11] [12 13 14 15]] (4, 4) 纵向分割: [array([[0, 1, 2, 3], [4, 5, 6, 7]]), array([[ 8,9, 10, 11], [12, 13, 14, 15]])]

# 创建一个数组 a = np.arange(16).reshape(4, 4) print("原数组:", a, a.shape)# 纵向分割 (axis默认为0) print("纵向分割:", np.split(a, 2, axis=0))# 横向分割 print("横向分割:", np.split(a, 2, axis=1))

原数组: [[ 0123] [ 4567] [ 89 10 11] [12 13 14 15]] (4, 4) 纵向分割: [array([[0, 1, 2, 3], [4, 5, 6, 7]]), array([[ 8,9, 10, 11], [12, 13, 14, 15]])]横向分割: [array([[ 0,1], [ 4,5], [ 8,9], [12, 13]]), array([[ 2,3], [ 6,7], [10, 11], [14, 15]])]

# mat创建矩阵 使用分号分隔数据 m1 = np.mat("1 2 3; 4 5 6; 7 8 9") print(m1, m1.shape)# matrix创建矩阵 m2 = np.matrix([[1,2,3], [4,5,6], [7,8,9]]) print(m2, m2.shape)# 创建一个全为0和一个全为1的数组 a1 = np.zeros([3, 3]) a2 = np.ones([3, 3])# # bmat将多个小矩阵(数组)合并成一个大矩阵 print("bmat将多个小矩阵合并成一个大矩阵:\n", np.bmat("a1 a2; a2 a1"))

[[1 2 3] [4 5 6] [7 8 9]] (3, 3) [[1 2 3] [4 5 6] [7 8 9]] (3, 3) bmat将多个小矩阵合并成一个大矩阵: [[0. 0. 0. 1. 1. 1.] [0. 0. 0. 1. 1. 1.] [0. 0. 0. 1. 1. 1.] [1. 1. 1. 0. 0. 0.] [1. 1. 1. 0. 0. 0.] [1. 1. 1. 0. 0. 0.]]

# 创建两个矩阵 m1 = np.mat("1 2 3; 4 5 6; 7 8 9") m2 = m1 * 2 print("矩阵1:", m1, m1.shape) print("矩阵2:", m2, m2.shape) # 矩阵相加 print("矩阵相加:", m1 + m2) # 矩阵相减 print("矩阵相减:", m1 - m2) # 矩阵相除 print("矩阵相除:",(m2+1) / (m1+1)) # 矩阵相乘 print("矩阵相乘:", m1 * m2) print("矩阵相乘:", np.multiply(m1, m2))

矩阵1: [[1 2 3] [4 5 6] [7 8 9]] (3, 3) 矩阵2: [[ 246] [ 8 10 12] [14 16 18]] (3, 3) 矩阵相加: [[ 369] [12 15 18] [21 24 27]] 矩阵相减: [[-1 -2 -3] [-4 -5 -6] [-7 -8 -9]] 矩阵相除: [[1.51.66666667 1.75] [1.81.83333333 1.85714286] [1.8751.88888889 1.9]] 矩阵相乘: [[ 607284] [132 162 192] [204 252 300]] 矩阵相乘: [[2818] [ 325072] [ 98 128 162]]

# 创建矩阵 m = np.mat("1 2 3; 4 5 6; 7 8 9")# 转置 print("转置:", m.T)# 共轭转置 print("共轭转置:", m.H)# 逆矩阵 print("逆矩阵:", m.I)# 二维数组的视图 print("二维数组的视图:", m.A)

转置: [[1 4 7] [2 5 8] [3 6 9]] 共轭转置: [[1 4 7] [2 5 8] [3 6 9]] 逆矩阵: [[-4.50359963e+159.00719925e+15 -4.50359963e+15] [ 9.00719925e+15 -1.80143985e+169.00719925e+15] [-4.50359963e+159.00719925e+15 -4.50359963e+15]] 二维数组的视图: [[1 2 3] [4 5 6] [7 8 9]]

# 创建两个数组 a = np.array([1, 2, 3]) b = np.array([2, 4, 6]) # 四则运算 print("数组相加:", a + b) print("数组相减:", a - b) print("数组相乘:", a * b) print("数组相除:", a / b) print("数组幂运算:", a ** b)# 比较运算 print("比较结果:", a < b) print("比较结果:", a > b) print("比较结果:", a == b) print("比较结果:", a <= b) print("比较结果:", a >= b) print("比较结果:", a != b)

数组相加: [3 6 9] 数组相减: [-1 -2 -3] 数组相乘: [ 28 18] 数组相除: [0.5 0.5 0.5] 数组幂运算: [116 729] 比较结果: [ TrueTrueTrue] 比较结果: [False False False] 比较结果: [False False False] 比较结果: [ TrueTrueTrue] 比较结果: [False False False] 比较结果: [ TrueTrueTrue]

• ufunc通用函数，能够对array中所有元素进行操作的函数
• Broadcasting指对不同形状的array之间执行算术运算的方式
• 不同形状的数组运算时，Numpy则会执行广播机制
• numpy能够运用向量化运算处理整个数组,所以速度比较快

# 创建数组 a = np.arange(100).reshape(10, 10) b = a * 2# 二进制数据保存 np.save(file, arr, allow_pickle=True, fix_imports=True) np.save("save01", a)# 多个数组保存 np.savez("save02", a, b)

# 读取单个数组 a = np.load("save01.npy") print("读取单个数组", a)# 读取多个数组 data = https://www.it610.com/article/np.load("save02.npz") # arr_下标 固定格式 print("a:", data['arr_0']) print("b:", data['arr_1'])

读取单个数组 [[ 0123456789] [10 11 12 13 14 15 16 17 18 19] [20 21 22 23 24 25 26 27 28 29] [30 31 32 33 34 35 36 37 38 39] [40 41 42 43 44 45 46 47 48 49] [50 51 52 53 54 55 56 57 58 59] [60 61 62 63 64 65 66 67 68 69] [70 71 72 73 74 75 76 77 78 79] [80 81 82 83 84 85 86 87 88 89] [90 91 92 93 94 95 96 97 98 99]] a: [[ 0123456789] [10 11 12 13 14 15 16 17 18 19] [20 21 22 23 24 25 26 27 28 29] [30 31 32 33 34 35 36 37 38 39] [40 41 42 43 44 45 46 47 48 49] [50 51 52 53 54 55 56 57 58 59] [60 61 62 63 64 65 66 67 68 69] [70 71 72 73 74 75 76 77 78 79] [80 81 82 83 84 85 86 87 88 89] [90 91 92 93 94 95 96 97 98 99]] b: [[024681012141618] [ 20222426283032343638] [ 40424446485052545658] [ 60626466687072747678] [ 80828486889092949698] [100 102 104 106 108 110 112 114 116 118] [120 122 124 126 128 130 132 134 136 138] [140 142 144 146 148 150 152 154 156 158] [160 162 164 166 168 170 172 174 176 178] [180 182 184 186 188 190 192 194 196 198]]

# 创建数组 a = np.arange(16).reshape(4, 4)# txt格式数据保存 np.savetxt(file, arr, fmt="%.18e", delimiter=" ", newline="\n", header="", footer="", comments="# ") np.savetxt("save03.txt", a, fmt="%d", delimiter=",", newline="\n")# 读取txt文件 data = https://www.it610.com/article/np.loadtxt("save03.txt", delimiter=",") print(data)

[[ 0.1.2.3.] [ 4.5.6.7.] [ 8.9. 10. 11.] [12. 13. 14. 15.]]

# 使用genfromtxt函数读取数据 data = https://www.it610.com/article/np.genfromtxt("save03.txt", delimiter=",") print(data)

[[ 0.1.2.3.] [ 4.5.6.7.] [ 8.9. 10. 11.] [12. 13. 14. 15.]]

# 设置随机数种子 np.random.seed(11) # 随机生成一维数组 a = np.random.randint(1, 10, size=10) print("排序前:", a) a.sort() print("排序后:", a)# 随机生成二维数组 b = np.random.randint(1, 10, size=(3, 3))# 纵向排序 b.sort(axis=0) print("纵向排序", b)# 横向排序 b.sort(axis=1) print("横向排序", b)

排序前: [1 2 8 2 8 3 9 1 1 5]排序后: [1 1 1 2 2 3 5 8 8 9]纵向排序 [[2 2 5] [3 8 6] [6 9 9]] 横向排序 [[2 2 5] [3 6 8] [6 9 9]]

# 随机生成一维数组 a = np.random.randint(1, 10, size=10) print("排序前:", a) # 返回值为重新排序后,原值的下标 print("排序后返回下标:", a.argsort())

排序前: [4 2 1 4 9 8 2 5 9 3] 排序后返回下标: [2 1 6 9 0 3 7 5 4 8]

# 创建三个数组 a = np.array([5, 7, 8, 2]) b = np.array([30, 50, 20, 80]) c = np.array([900, 400, 600, 200])# 进行lexsort排序 只接收一个参数 d = np.lexsort((a, b , c))# 多个键值排序时,按照最后一个传入的数据排序 print("排序后返回下标:", d) print("排序后的数组为:", list(zip(a[d], b[d], c[d])))

排序后返回下标: [3 1 2 0] 排序后的数组为: [(2, 80, 200), (7, 50, 400), (8, 20, 600), (5, 30, 900)]

# 随机生成一维数组 a = np.random.randint(1, 5, size=10) print("一维数组a:", a)# 去重 print("去重后:", np.unique(a))# 生成[0, 1, 2, 3, 4] b = np.arange(5)# np.tile(arr, times) print("使用tile函数对b重复3次后:", np.tile(b, 3))# 创建一个二维数组 c = np.random.randint(0, 10, size=(2, 3)) print("二维数组c:", c)# np.repeat(arr, times, axis=None) print("纵向重复数据:", np.repeat(c, 2, axis=0)) print("横向重复数据:", np.repeat(c, 2, axis=1))

一维数组a: [3 2 4 2 3 1 4 2 2 3]去重后: [1 2 3 4]使用tile函数对b重复3次后: [0 1 2 3 4 0 1 2 3 4 0 1 2 3 4]二维数组c: [[6 9 1] [1 6 5]] 纵向重复数据: [[6 9 1] [6 9 1] [1 6 5] [1 6 5]] 横向重复数据: [[6 6 9 9 1 1] [1 1 6 6 5 5]]

a = np.arange(1,17).reshape(4, 4) print("数组a:", a) print("求和:", np.sum(a)) print("纵向求和:", np.sum(a, axis=0)) print("横向求和:", np.sum(a, axis=1)) print("平均值", np.mean(a)) print("纵向平均值:", np.mean(a, axis=0)) print("横向平均值:", np.mean(a, axis=1)) print("标准差:", np.std(a)) print("方差:", np.var(a)) print("最大值:", np.max(a)) print("最小值:", np.min(a)) print("最小索引", np.argmin(a)) print("最大索引", np.argmax(a)) print("计算索引元素的累计和:", np.cumsum(a)) print("计算索引元素的累计积:", np.cumprod(a))

数组a: [[ 1234] [ 5678] [ 9 10 11 12] [13 14 15 16]] 求和: 136 纵向求和: [28 32 36 40] 横向求和: [10 26 42 58] 平均值 8.5 纵向平均值: [ 7.8.9. 10.] 横向平均值: [ 2.56.5 10.5 14.5] 标准差: 4.6097722286464435 方差: 21.25 最大值: 16 最小值: 1 最小索引 0 最大索引 15 计算索引元素的累计和: [13610152128364555667891 105 120 136] 计算索引元素的累计积: [12624120720 504040320362880362880039916800479001600 1932053504 1278945280 2004310016 2004189184]

推荐阅读

• 

  西门子洗衣机不通电怎么回事 博世洗衣机不通电怎么回事
• 

  ansys分析临界转速,讨论分析影响临界转速的因素
• 

  陆游著有什么 陆游著有什么诗歌
• 

  亲爱的,英文怎么读 亲爱的的英文怎么读
• 

  新鲜活河虾怎么保存 新鲜活河虾的保存方法
• 

  车漆划痕修复神器是真的吗? 汽车漆划痕修复神器是真的吗
• 

  艾灸百会的功效和作用
• 

  新媒体运营如何做爆款分析，新媒体运营如何做爆款分析论文
• 

  我离开后
• 

  月经量少喝鸽子汤有用吗
• 

  车道带刺是什么车道 带刺的是什么车道
• 

  2023顺德伦教医院免费两癌筛查时间及地点
• 

  6年的车需要做什么保养项目
• 

  http|HTTP协议相关的网络经典五层模型
• 

  博世壁挂炉故障代码er怎么解决 博世壁挂炉代码f11
• 

  简单农家凉拌蒜苔怎么做 如何做凉拌蒜苔
• 

  西门子双门冰箱液晶显示屏是什么原因导致的？怎么解决
• 

  佳能ts8080废墨仓
• 

  云顶之弈刺客机神法师流阵容搭配推荐 刺客机神法师怎么玩
• 

  甘肃一对一现金贿赂死不承认

• 由浅入深理解AOP
• 继续努力，自主学习家庭Day135(20181015）
• python学习之|python学习之 实现QQ自动发送消息
• 逻辑回归的理解与python示例
• 一起来学习C语言的字符串转换函数
• python自定义封装带颜色的logging模块
• 【Leetcode/Python】001-Two|【Leetcode/Python】001-Two Sum
• 定制一套英文学习方案
• 漫画初学者如何学习漫画背景的透视画法（这篇教程请收藏好了！）
• 《深度倾听》第5天──「RIA学习力」便签输出第16期