内容简介：【Python】NumPy快餐教程(2) - 多维数组进阶
NumPy快餐教程(2) - 多维数组进阶
上一讲我们介绍了ndarray的形状变化和生成方法，这一节我们继续讨论多维数组的使用方法。
访问元素
NumPy中使用[]方括号来访问元素。如果是一维数组，就用下标数字，例如a[1]，如果是多维数组，就在方括号中使用元组tuple，例如a[(2,3,4)]
例：
In [1]: import numpy as np
In [2]: a20 = np.linspace(1,100,27)
In [3]: a20
Out[3]:
array([ 1. , 4.80769231, 8.61538462, 12.42307692,
16.23076923, 20.03846154, 23.84615385, 27.65384615,
31.46153846, 35.26923077, 39.07692308, 42.88461538,
46.69230769, 50.5 , 54.30769231, 58.11538462,
61.92307692, 65.73076923, 69.53846154, 73.34615385,
77.15384615, 80.96153846, 84.76923077, 88.57692308,
92.38461538, 96.19230769, 100. ])
In [4]: a21 = a20.reshape(3,3,3)
In [5]: a21
Out[5]:
array([[[ 1. , 4.80769231, 8.61538462],
[ 12.42307692, 16.23076923, 20.03846154],
[ 23.84615385, 27.65384615, 31.46153846]],
[[ 35.26923077, 39.07692308, 42.88461538],
[ 46.69230769, 50.5 , 54.30769231],
[ 58.11538462, 61.92307692, 65.73076923]],
[[ 69.53846154, 73.34615385, 77.15384615],
[ 80.96153846, 84.76923077, 88.57692308],
[ 92.38461538, 96.19230769, 100. ]]])
In [6]: print(a21[(1,1,1)])
50.5
切片
用一个值采用方括号下标方式引用，而如果想要引用多个值的话，可以考虑做一个切片。比如s[1:3]就是由s[1]和s[2]组成的列表：
例：
In [10]: a22 = np.linspace(1,10,5) In [11]: a22 Out[11]: array([ 1. , 3.25, 5.5 , 7.75, 10. ]) In [12]: print(a22[2:4]) [ 5.5 7.75]
多维的切片也是同理，比如我们从一个3x3x3的立方体中切出一个2x2x2的小立方体：
In [5]: a21
Out[5]:
array([[[ 1. , 4.80769231, 8.61538462],
[ 12.42307692, 16.23076923, 20.03846154],
[ 23.84615385, 27.65384615, 31.46153846]],
[[ 35.26923077, 39.07692308, 42.88461538],
[ 46.69230769, 50.5 , 54.30769231],
[ 58.11538462, 61.92307692, 65.73076923]],
[[ 69.53846154, 73.34615385, 77.15384615],
[ 80.96153846, 84.76923077, 88.57692308],
[ 92.38461538, 96.19230769, 100. ]]])
In [8]: slice1 = a21[1:3,1:3,1:3]
In [9]: slice1
Out[9]:
array([[[ 50.5 , 54.30769231],
[ 61.92307692, 65.73076923]],
[[ 84.76923077, 88.57692308],
[ 96.19230769, 100. ]]])
请注意，切片的语法不用元组，直接在方括号里切就好了。
另外，切片可以使用负数做下标，-1就是右数第一个元素。最左和最右都可以不写，比如从1到最右，可以写成a[1:]
例：
In [11]: a22 Out[11]: array([ 1. , 3.25, 5.5 , 7.75, 10. ]) In [12]: print(a22[2:4]) [ 5.5 7.75] In [13]: a22[1:] Out[13]: array([ 3.25, 5.5 , 7.75, 10. ]) In [14]: a22[1:-1] Out[14]: array([ 3.25, 5.5 , 7.75])
多维数组的数据类型
在前面的学习中，我们并不在意数据类型，一样也可以使用多维数组。但是，有了类型之后，数组可以更方便和更快速的操作。
我们前面所学习的生成数组的方法，其实都可以默认带一个dtype参数。
类型值常用的有int32, int64, uint32, uint64, float32, float64, complex64, complex128等。因为NumPy是个数学库，精确的类型对于提高计算速度是很有益的。
例：
In [18]: a23 = np.logspace(1,10,5,base=2,dtype=np.float64)
In [19]: a23
Out[19]:
array([ 2. , 9.51365692, 45.254834 , 215.2694823 ,
1024. ])
对数组的每个元素都进行计算
数据只有可以计算才有价值。我们学会了生成数组，访问数组，下一步就是如何对数组进行计算。
NumPy提供了大量的针对数组进行运算的函数，比如X是一个数组，np.sin(X)可以对数组中每一个元素都进行sin运算。
例：
In [20]: a24 = np.linspace(0, np.pi/2, 10, dtype=np.float64)
In [21]: a24
Out[21]:
array([ 0. , 0.17453293, 0.34906585, 0.52359878, 0.6981317 ,
0.87266463, 1.04719755, 1.22173048, 1.3962634 , 1.57079633])
In [22]: a25 = np.sin(a24)
In [23]: a25
Out[23]:
array([ 0. , 0.17364818, 0.34202014, 0.5 , 0.64278761,
0.76604444, 0.8660254 , 0.93969262, 0.98480775, 1. ])
这是一行的，多行的也照样管用，我们看个例子：
In [24]: a26 = np.linspace(0, np.pi*2, 16, dtype=np.float32)
In [25]: a26
Out[25]:
array([ 0. , 0.41887903, 0.83775806, 1.2566371 , 1.67551613,
2.09439516, 2.51327419, 2.93215322, 3.35103226, 3.76991129,
4.18879032, 4.60766935, 5.02654839, 5.44542742, 5.86430645,
6.28318548], dtype=float32)
In [27]: a27 = np.sin(a26.reshape(4,4))
In [28]: a27
Out[28]:
array([[ 0.00000000e+00, 4.06736642e-01, 7.43144870e-01,
9.51056540e-01],
[ 9.94521916e-01, 8.66025388e-01, 5.87785184e-01,
2.07911611e-01],
[ -2.07911789e-01, -5.87785363e-01, -8.66025448e-01,
-9.94521916e-01],
[ -9.51056480e-01, -7.43144751e-01, -4.06736493e-01,
1.74845553e-07]], dtype=float32)
数组之间支持加减乘除，乘方，取余。
例：给一个数组的每个元素都乘以2
In [31]: a28 = np.array([1,2,3,4]).reshape(2,-1)
In [32]: a28
Out[32]:
array([[1, 2],
[3, 4]])
In [33]: a28*2
Out[33]:
array([[2, 4],
[6, 8]])
两个数组之间做加法：
In [35]: a29 = np.ones((2,2))
In [36]: a29
Out[36]:
array([[ 1., 1.],
[ 1., 1.]])
In [37]: a28+a29
Out[37]:
array([[ 2., 3.],
[ 4., 5.]])
不但算术运算可以做，也可以针对整个数组做比较大小运算。
例：
In [38]: a29>a28
Out[38]:
array([[False, False],
[False, False]], dtype=bool)
汇总类的运算
除了对每个元素进行计算，我们还可以对这些元素进行汇总，比如求和sum，求平均值mean等。
例：
In [40]: np.sum(a28) Out[40]: 10 In [41]: np.mean(a28) Out[41]: 2.5
矩阵matrix
除了前面所讲的多维数组，NumPy还提供了矩阵类matrix. matrix的默认运算都是矩阵运算。
例:
In [45]: a30 = np.matrix(np.linspace(1,10,9,dtype=np.float64).reshape(3,-1))
In [46]: a30
Out[46]:
matrix([[ 1. , 2.125, 3.25 ],
[ 4.375, 5.5 , 6.625],
[ 7.75 , 8.875, 10. ]])
In [48]: a31 = np.matrix(np.ones((3,3)))
In [49]: a31
Out[49]:
matrix([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])
In [50]: np.dot(a30,a31)
Out[50]:
matrix([[ 6.375, 6.375, 6.375],
[ 16.5 , 16.5 , 16.5 ],
[ 26.625, 26.625, 26.625]])
矩阵的逆阵，就可以直接用X**-1来表示。
例：
In [52]: a30 ** -1
Out[52]:
matrix([[ 9.38565300e+14, -1.87713060e+15, 9.38565300e+14],
[ -1.87713060e+15, 3.75426120e+15, -1.87713060e+15],
[ 9.38565300e+14, -1.87713060e+15, 9.38565300e+14]])
In [53]: a30
Out[53]:
matrix([[ 1. , 2.125, 3.25 ],
[ 4.375, 5.5 , 6.625],
[ 7.75 , 8.875, 10. ]])
In [54]: a30 * (a30 ** -1)
Out[54]:
matrix([[ 0.8125 , -0.125 , 0. ],
[ 0.15625, -1.0625 , 1. ],
[ 0. , 0. , 2. ]])
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- Javaer 运维指令合集（快餐版）
- C语言指针数组和数组指针
- 数组 – 如何在Swift中将数组拆分成两半？
- 菜鸡的算法修炼：数组（旋转数组的最小数字）
- 交换数组元素，使得数组的和的差最小
- JS数组专题1️⃣ ➖ 数组扁平化
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Remote
Jason Fried、David Heinemeier Hansson / Crown Business / 2013-10-29 / CAD 26.95
The “work from home” phenomenon is thoroughly explored in this illuminating new book from bestselling 37signals founders Fried and Hansson, who point to the surging trend of employees working from hom......一起来看看 《Remote》 这本书的介绍吧!
