锐客网

  1. 首页 > 睿知 > it技术 > >

50个常用的Numpy函数解释，参数和使用示例

Numpy是python中最有用的工具之一。它可以有效地处理大容量数据。使用NumPy的最大原因之一是它有很多处理数组的函数。在本文中，将介绍NumPy在数据科学中最重要和最有用的一些函数。
创建数组 1、Array
它用于创建一维或多维数组
50个常用的Numpy函数解释，参数和使用示例
文章图片

Dtype:生成数组所需的数据类型。
ndim:指定生成数组的最小维度数。

import numpy as np np.array([1,2,3,4,5]) ---------------- array([1, 2, 3, 4, 5, 6])

还可以使用此函数将pandas的df和series转为NumPy数组。
sex = pd.Series(['Male','Male','Female']) np.array(sex) ------------------------ array(['Male', 'Male', 'Female'], dtype=object)

2、Linspace
创建一个具有指定间隔的浮点数的数组。
50个常用的Numpy函数解释，参数和使用示例
文章图片

start:起始数字
end:结束
Num:要生成的样本数，默认为50。
np.linspace(10,100,10) -------------------------------- array([ 10.,20.,30.,40.,50.,60.,70.,80.,90., 100.])

3、Arange
在给定的间隔内返回具有一定步长的整数。
50个常用的Numpy函数解释，参数和使用示例
文章图片

step:数值步长。
np.arange(5,10,2) ----------------------- array([5, 7, 9])

4、Uniform
在上下限之间的均匀分布中生成随机样本。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.random.uniform(5,10,size = 4) ------------ array([6.47445571, 5.60725873, 8.82192327, 7.47674099])np.random.uniform(size = 5) ------------ array([0.83358092, 0.41776134, 0.72349553])np.random.uniform(size = (2,3)) ------------ array([[0.7032511 , 0.63212039, 0.6779683 ], [0.81150812, 0.26845613, 0.99535264]])

5、Random.randint
在一个范围内生成n个随机整数样本。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.random.randint(5,10,10) ------------------------------ array([6, 8, 9, 9, 7, 6, 9, 8, 5, 9])

6、Random.random
生成n个随机浮点数样本。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.random.random(3) --------------------------- array([0.87656396, 0.24706716, 0.98950278])

7、Logspace
在对数尺度上生成间隔均匀的数字。
50个常用的Numpy函数解释，参数和使用示例
文章图片

Start:序列的起始值。
End:序列的最后一个值。
endpoint:如果为True，最后一个样本将包含在序列中。
base:底数。默认是10。
np.logspace(0,10,5,base=2) ------------------ array([1.00000000e+00, 5.65685425e+00, 3.20000000e+01, 1.81019336e+02,1.02400000e+03])

8、zeroes
np.zeroes会创建一个全部为0的数组。
50个常用的Numpy函数解释，参数和使用示例
文章图片

shape:阵列的形状。
Dtype:生成数组所需的数据类型。' int '或默认' float '
np.zeros((2,3),dtype='int') --------------- array([[0, 0, 0], [0, 0, 0]])np.zeros(5) ----------------- array([0., 0., 0., 0., 0.])

9、ones
np.ones函数创建一个全部为1的数组。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.ones((3,4)) ------------------ array([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])

10、full
创建一个单独值的n维数组。
50个常用的Numpy函数解释，参数和使用示例
文章图片

fill_value:填充值。
np.full((2,4),fill_value=https://www.it610.com/article/2) -------------- array([[2, 2, 2, 2], [2, 2, 2, 2]])(2,4) : ?????

11、Identity
创建具有指定维度的单位矩阵。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.identity(4) ---------- array([[1., 0., 0., 0.], [0., 1., 0., 0.], [0., 0., 1., 0.], [0., 0., 0., 1.]])#??????? ???? ???? ?? `?????`

数组操作 12、min
返回数组中的最小值。
50个常用的Numpy函数解释，参数和使用示例
文章图片

axis:用于操作的轴。
out:用于存储输出的数组。
arr = np.array([1,1,2,3,3,4,5,6,6,2]) np.min(arr) ---------------- 1

13、max
返回数组中的最大值。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.max(arr) ------------------ 6

14、unique
返回一个所有唯一元素排序的数组。
50个常用的Numpy函数解释，参数和使用示例
文章图片

return_index:如果为True，返回数组的索引。
return_inverse:如果为True，返回唯一数组的下标。
return_counts:如果为True，返回数组中每个唯一元素出现的次数。
axis:要操作的轴。默认情况下，数组被认为是扁平的。
np.unique(arr,return_counts=True) --------------------- ( array([1, 2, 3, 4, 5, 6]),## Unique elements array([2, 2, 2, 1, 1, 2], dtype=int64) ## Count )

15、mean
返回数组的平均数
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.mean(arr,dtype='int') ------------------------------- 3

16、medain
返回数组的中位数。
50个常用的Numpy函数解释，参数和使用示例
文章图片

arr = np.array([[1,2,3],[5,8,4]]) np.median(arr) ----------------------------- 3.5

17、digitize
返回输入数组中每个值所属的容器的索引。
50个常用的Numpy函数解释，参数和使用示例
文章图片

bin：容器的数组。
right:表示该间隔是否包括右边或左边的bin。
a = np.array([-0.9, 0.5, 0.9, 1, 1.2, 1.4, 3.6, 4.7, 5.3]) bins = np.array([0,1,2,3]) np.digitize(a,bins) ------------------------------- array([0, 1, 1, 2, 2, 2, 4, 4, 4], dtype=int64) ExpValue x < 0:0 0 <= x <1 :1 1 <= x <2 :2 2 <= x <3 :3 3 <=x:4 Compares -0.9 to 0, here x < 0 so Put 0 in resulting array. Compares0.5 to 0, here 0 <= x <1 so Put 1. Compares 5.4 to 4, here 3<=x so Put 4

18、reshape
它是NumPy中最常用的函数之一。它返回一个数组，其中包含具有新形状的相同数据。
50个常用的Numpy函数解释，参数和使用示例
文章图片

A = np.random.randint(15,size=(4,3)) A ---------------------- array([[ 8, 14,1], [ 8, 11,4], [ 9,4,1], [13, 13, 11]])A.reshape(3,4) ----------------- array([[ 8, 14,1,8], [11,4,9,4], [ 1, 13, 13, 11]])A.reshape(-1) ------------------- array([ 8, 14,1,8, 11,4,9,4,1, 13, 13, 11])

19、expand_dims
它用于扩展数组的维度。
50个常用的Numpy函数解释，参数和使用示例
文章图片

arr = np.array([ 8, 14,1,8, 11,4,9,4, 1, 13, 13, 11]) np.expand_dims(A,axis=0) ------------------------- array([[ 8, 14,1,8, 11,4,9,4,1, 13, 13, 11]])np.expand_dims(A,axis=1) --------------------------- array([[ 8], [14], [ 1], [ 8], [11], [ 4], [ 9], [ 4], [ 1], [13], [13], [11]])

20、squeeze
通过移除一个单一维度来降低数组的维度。
50个常用的Numpy函数解释，参数和使用示例
文章图片

arr = np.array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]]) np.squeeze(arr) --------------------------- array([ 8, 14,1,8, 11,4,9,4,1, 13, 13, 11])

21、count_nonzero
计算所有非零元素并返回它们的计数。
50个常用的Numpy函数解释，参数和使用示例
文章图片

a = np.array([0,0,1,1,1,0]) np.count_nonzero(a) -------------------------- 3

22、argwhere
查找并返回非零元素的所有下标。
50个常用的Numpy函数解释，参数和使用示例
文章图片

a = np.array([0,0,1,1,1,0]) np.argwhere(a) --------------------- array([[2],[3],[4]], dtype=int64)

23、argmax & argmin
argmax返回数组中Max元素的索引。它可以用于多类图像分类问题中获得高概率预测标签的指标。
50个常用的Numpy函数解释，参数和使用示例
文章图片

arr = np.array([[0.12,0.64,0.19,0.05]]) np.argmax(arr) --------- 1

argmin将返回数组中min元素的索引。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.argmin(min) ------ 3

24、sort
对数组排序。
50个常用的Numpy函数解释，参数和使用示例
文章图片

kind:要使用的排序算法。{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}
arr = np.array([2,3,1,7,4,5]) np.sort(arr) ---------------- array([1, 2, 3, 4, 5, 7])

25、abs
返回数组中元素的绝对值。当数组中包含负数时，它很有用。
A = np.array([[1,-3,4],[-2,-4,3]])np.abs(A) --------------- array([[1, 3, 4], [2, 4, 3]])

26、round
将浮点值四舍五入到指定数目的小数点。
50个常用的Numpy函数解释，参数和使用示例
文章图片

decimals:要保留的小数点的个数。
a = np.random.random(size=(3,4)) a ----- array([[0.81695699, 0.42564822, 0.65951417, 0.2731807 ], [0.7017702 , 0.12535894, 0.06747666, 0.55733467], [0.91464488, 0.26259026, 0.88966237, 0.59253923]])np.round(a,decimals=0) ------------ array([[1., 0., 1., 1.], [1., 1., 1., 1.], [0., 1., 0., 1.]])np.round(a,decimals=1) ------------- array([[0.8, 0. , 0.6, 0.6], [0.5, 0.7, 0.7, 0.8], [0.3, 0.9, 0.5, 0.7]])

27、clip
它可以将数组的裁剪值保持在一个范围内。
arr = np.array([0,1,-3,-4,5,6,7,2,3]) arr.clip(0,5) ----------------- array([0, 1, 0, 0, 5, 5, 5, 2, 3])arr.clip(0,3) ------------------ array([0, 1, 0, 0, 3, 3, 3, 2, 3])arr.clip(3,5) ------------------ array([3, 3, 3, 3, 5, 5, 5, 3, 3])

替换数组中的值 28、where
返回满足条件的数组元素。
50个常用的Numpy函数解释，参数和使用示例
文章图片

condition:匹配的条件。如果true则返回x，否则y。
a = np.arange(12).reshape(4,3) a ------- array([[ 0,1,2], [ 3,4,5], [ 6,7,8], [ 9, 10, 11]])np.where(a>5)## Get The Index -------------------- (array([2, 2, 2, 3, 3, 3], dtype=int64), array([0, 1, 2, 0, 1, 2], dtype=int64)) a[np.where(a>5)]## Get Values -------------------------- array([ 6,7,8,9, 10, 11])

它还可以用来替换pandas df中的元素。
np.where(data[feature].isnull(), 1, 0)

29、put
用给定的值替换数组中指定的元素。
50个常用的Numpy函数解释，参数和使用示例
文章图片

a:数组
Ind:需要替换的索引。
V:替换值。
arr = np.array([1,2,3,4,5,6]) arr -------- array([1, 2, 3, 4, 5, 6])np.put(arr,[1,2],[6,7]) arr -------- array([1, 6, 7, 4, 5, 6])

30、copyto
将一个数组的内容复制到另一个数组中。
50个常用的Numpy函数解释，参数和使用示例
文章图片

dst：目标
src：来源
arr1 = np.array([1,2,3]) arr2 = np.array([4,5,6]) print("Before arr1",arr1) print("Before arr2",arr1)

np.copyto(arr1,arr2) print("After arr1",arr1) print("After arr2",arr2) --------------------------- Before arr1 [1 2 3] Before arr2 [4 5 6]After arr1 [4 5 6] After arr2 [4 5 6]

集合操作 31、查找公共元素
intersect1d函数以排序的方式返回两个数组中所有唯一的值。
50个常用的Numpy函数解释，参数和使用示例
文章图片

Assume_unique:如果为真值，则假设输入数组都是唯一的。
Return_indices:如果为真，则返回公共元素的索引。
ar1 = np.array([1,2,3,4,5,6]) ar2 = np.array([3,4,5,8,9,1]) np.intersect1d(ar1,ar2) --------------- array([1, 3, 4, 5])np.intersect1d(ar1,ar2,return_indices=True) --------------- (array([1, 3, 4, 5]),## Common Elements array([0, 2, 3, 4], dtype=int64), array([5, 0, 1, 2], dtype=int64))

32、查找不同元素
np.setdiff1d函数返回arr1中在arr2中不存在的所有唯一元素。
a = np.array([1, 7, 3, 2, 4, 1]) b = np.array([9, 2, 5, 6, 7, 8]) np.setdiff1d(a, b) --------------------- array([1, 3, 4])

33、从两个数组中提取唯一元素
Setxor1d 将按顺序返回两个数组中所有唯一的值。
a = np.array([1, 2, 3, 4, 6]) b = np.array([1, 4, 9, 4, 36]) np.setxor1d(a,b) -------------------- array([ 2,3,6,9, 36])

34、合并
Union1d函数将两个数组合并为一个。
a = np.array([1, 2, 3, 4, 5]) b = np.array([1, 3, 5, 4, 36]) np.union1d(a,b) ------------------- array([ 1,2,3,4,5, 36])

数组分割 35、水平分割
Hsplit函数将数据水平分割为n个相等的部分。
A = np.array([[3,4,5,2],[6,7,2,6]]) np.hsplit(A,2)## splits the data into two equal parts --------------- [array([[3, 4],[6, 7]]),array([[5, 2],[2, 6]])]np.hsplit(A,4)## splits the data into four equal parts ----------------- [array([[3],[6]]),array([[4],[7]]), array([[5],[2]]),array([[2],[6]])]

36、垂直分割
Vsplit将数据垂直分割为n个相等的部分。
A = np.array([[3,4,5,2],[6,7,2,6]]) np.vsplit(A,2) ---------------- [ array([[3, 4, 5, 2]]),array([[6, 7, 2, 6]]) ]

数组叠加 37、水平叠加
hstack 将在另一个数组的末尾追加一个数组。
a = np.array([1,2,3,4,5]) b = np.array([1,4,9,16,25])np.hstack((a,b)) --------------------- array([ 1,2,3,4,5,1,4,9, 16, 25])

38、垂直叠加
vstack将一个数组堆叠在另一个数组上。
np.vstack((a,b)) ---------------------- array([[ 1,2,3,4,5], [ 1,4,9, 16, 25]])

数组比较 39、allclose
如果两个数组的形状相同，则Allclose函数根据公差值查找两个数组是否相等或近似相等。
a = np.array([0.25,0.4,0.6,0.32]) b = np.array([0.26,0.3,0.7,0.32])tolerance = 0.1## Total Difference np.allclose(a,b,tolerance) --------- Falsetolerance = 0.5 np.allclose(a,b,tolerance) ---------- True

40、equal
它比较两个数组的每个元素，如果元素匹配就返回True。
np.equal(arr1,arr2) ------------- array([ True,True,True, False,True,True])

重复的数组元素 repeat
它用于重复数组中的元素n次。
50个常用的Numpy函数解释，参数和使用示例
文章图片

A:重复的元素
Repeats:重复的次数。
np.repeat('2017',3) --------------------- array(['2017', '2017', '2017'], dtype='

让我们来看一个更实际的示例，我们有一个包含按年数量销售的数据集。
fruits = pd.DataFrame([ ['Mango',40], ['Apple',90], ['Banana',130] ],columns=['Product','ContainerSales']) fruits

50个常用的Numpy函数解释，参数和使用示例
文章图片

在数据集中，缺少年份列。我们尝试使用numpy添加它。
fruits['year'] = np.repeat(2020,fruits.shape[0]) fruits

50个常用的Numpy函数解释，参数和使用示例
文章图片

41、tile
通过重复A，rep次来构造一个数组。
50个常用的Numpy函数解释，参数和使用示例
文章图片

np.tile("Ram",5) ------- array(['Ram', 'Ram', 'Ram', 'Ram', 'Ram'], dtype='

爱因斯坦求和 42、einsum
此函数用于计算数组上的多维和线性代数运算。
a = np.arange(1,10).reshape(3,3) b = np.arange(21,30).reshape(3,3)np.einsum('ii->i',a) ------------ array([1, 5, 9])np.einsum('ji',a) ------------ array([[1, 4, 7], [2, 5, 8], [3, 6, 9]])np.einsum('ij,jk',a,b) ------------ array([[150, 156, 162], [366, 381, 396], [582, 606, 630]])p.einsum('ii',a) ---------- 15

统计分析 43、直方图
这是Numpy的重要统计分析函数，可计算一组数据的直方图值。
A = np.array([[3, 4, 5, 2], [6, 7, 2, 6]]) np.histogram(A) ------------------- (array([2, 0, 1, 0, 1, 0, 1, 0, 2, 1], dtype=int64), array([2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. ]))

44、百分位数
沿指定轴计算数据的Q-T-T百分位数。
50个常用的Numpy函数解释，参数和使用示例
文章图片

a:输入。
q:要计算的百分位。
overwrite_input:如果为true，则允许输入数组修改中间计算以节省内存。
a = np.array([[2, 4, 6], [4, 8, 12]])np.percentile(a, 50) ----------- 5.0np.percentile(a, 10) ------------ 3.0arr = np.array([2,3,4,1,6,7]) np.percentile(a,5) ------------ 2.5

45、标准偏差和方差
std和var是NumPy的两个函数，用于计算沿轴的标准偏差和方差。
a = np.array([[2, 4, 6], [4, 8, 12]])np.std(a,axis=1) -------- array([1.63299316, 3.26598632])np.std(a,axis=0)## Column Wise -------- array([1., 2., 3.])np.var(a,axis=1) ------------------- array([ 2.66666667, 10.66666667])np.var(a,axis=0) ------------------- array([1., 4., 9.])

数组打印 46、显示带有两个十进制值的浮点数
np.set_printoptions(precision=2)a = np.array([12.23456,32.34535]) print(a) ------------ array([12.23,32.34])

47、设置打印数组最大值
np.set_printoptions(threshold=np.inf)

48、增加一行中元素的数量
np.set_printoptions(linewidth=100) ## 默认是 75

保存和加载数据 49、保存
savetxt用于在文本文件中保存数组的内容。
arr = np.linspace(10,100,500).reshape(25,20) np.savetxt('array.txt',arr)

50、加载
用于从文本文件加载数组，它以文件名作为参数。
np.loadtxt('array.txt')

以上就是50个numpy常用的函数，希望对你有所帮助。
https://avoid.overfit.cn/post/f47bb7762ccb41189baff5fe6a10403a
【50个常用的Numpy函数解释，参数和使用示例】作者：Abhay Parashar

    推荐阅读


    上一篇：国内目前有哪些品牌可以支持Homeki的接入?

    下一篇：投稿|从快手电商聊回直播电商