|||
Numpy 是用于数据科学计算的基础,不但能够完成科学计算任务,还能被
用作高效地多维数据容器。用于存储和处理大型矩阵。
Python 提供了一个 array 模块,和 list 不同,它直接保存数值,但是由于 Python的 array 模块不支持多维,也没有各种运算函数。
Numpy 弥补了这一遗憾。Numpy 提供了一种存储单一数据类型的多维数组——ndarray
创建数组:
1.array()函数
a1 = np.array([1,2,3,4])
a2 = np.array([(1,2),(3,4)])
a3 = np.array([[1,2],[3,4]])
print(a1)
print(a2)
pritn(a3)
2.arange(开始值,终止值,步长,)函数
缺点:一些无法轻易预测获得的元素个数,需要提前计算步长
a4 = np.arange(0,1,0.125)
print('a4::::::',a4)
3 linspace(开始值,终止值,元素个数)函数
a5 = np.linspace(0.1,1,10)
print('a5::::::',a5)
a6 = np.linspace(1,10,9)
print('a6::::::',a6)
4 logspace()函数创建等比数列
例如:生成10^1 ~ 10^3之间的3个等比数列
a7 = np.logspace(1,3,4)
print(a7)
扩展:
通常,数据的元素开始都是未知的,但是它的大小是已知的,因此,numpy提供一些使用占位符创建的数组函数。
这最小化了扩展数组的需要和高昂的运算代价
1.zeros()函数
a8 = np.zeros((2,3))
print(a8)
2.ones()函数
a9 = np.ones((2,3))
print(a9)
3.empty()函数
创建一个内容随机并且依赖于内存状态的数组
a10 = np.empty((2,3))
print(a10)
4.eye(N)函数
生成N阶矩阵,并且对角线元素为1
a11 = np.eye(3)
print('a11:::::\n',a11)
5.diag()函数
a12 = np.diag([1,2,3,4])
print('a12:::::\n',a12)
---------------------
作者:hanh22
来源:CSDN
原文:https://blog.csdn.net/hanh22/article/details/85645120
版权声明:本文为博主原创文章,转载请附上博文链接!
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-11 03:09
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社