這八個NumPy函數(shù)可以解決90%的常見問題
NumPy是一個用于科學(xué)計(jì)算和數(shù)據(jù)分析的Python庫，也是機(jī)器學(xué)習(xí)的支柱?？梢哉fNumPy奠定了Python在機(jī)器學(xué)習(xí)中的地位。NumPy提供了一個強(qiáng)大的多維數(shù)組對象，以及廣泛的數(shù)學(xué)函數(shù)，可以對大型數(shù)據(jù)集進(jìn)行有效的操作。這里的“大”是指數(shù)百萬行。
Numpy快速而高效的原因是底層的C代碼，這比使用Python進(jìn)行數(shù)組的操作要快上幾百倍，并且隨著數(shù)據(jù)量級的上升而上升。
本文中整理了一些可以解決常見問題的主要的NumPy函數(shù)。
1、創(chuàng)建數(shù)組
numpy.array：創(chuàng)建新的NumPy數(shù)組
# Create an array using np.array()
arr = np.array([1, 2, 3, 4, 5])
print(arr)
Ouput: [1 2 3 4 5]numpy.zeros：創(chuàng)建一個以零填充的數(shù)組。
# Create a 2-dimensional array of zeros
arr = np.zeros((3, 4))
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]類似的還有numpy.ones：創(chuàng)建一個都是1的數(shù)組 / numpy.empty:在不初始化數(shù)組元素的情況下創(chuàng)建數(shù)組。
使用numpy.random：生成隨機(jī)數(shù)組的函數(shù)。
# Generate a random integer between 0 and 9
rand_int = np.random.randint(10)
print(rand_int)numpy.linspace：在指定范圍內(nèi)生成均勻間隔的數(shù)字。
# Generate an array of 5 values from 0 to 10 (inclusive)
arr = np.linspace(0, 10, 5)
# Print the array
print(arr)
[ 0. 2.5 5. 7.5 10. ]numpy.range：用間隔的值創(chuàng)建數(shù)組。
# Generate an array from 0 to 10 (exclusive) with step size 1
arr = np.arange(0, 10, 2)
# Print the array
print(arr)
[1 3 5 7 9]2、查看數(shù)組信息
numpy.shape：返回一個表示數(shù)組形狀的元組。
numpy.ndim：返回?cái)?shù)組的維度數(shù)。
numpy.dtype：獲取數(shù)組中元素的數(shù)據(jù)類型?？梢允莍nt型，float型，bool型等等。
3、數(shù)組操作函數(shù)
numpy.reshape：改變數(shù)組的形狀。
# Create a 1-dimensional array
arr = np.array([1, 2, 3, 4, 5, 6])
# Reshape the array to a 2x3 matrix
reshaped_arr = np.reshape(arr, (2, 3))
[[1 2 3]
[4 5 6]]numpy.transpose：用于排列數(shù)組的維度。它返回一個軸調(diào)換后的新數(shù)組。
# Create a 2-dimensional array
arr = np.array([[1, 2, 3],
[4, 5, 6]])
# Transpose the array
transposed_arr = np.transpose(arr)
[[1 4]
[2 5]
[3 6]]numpy.concatate：沿現(xiàn)有軸連接數(shù)組。
# Create two 1-dimensional arrays
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Concatenate the arrays along axis 0 (default)
concatenated_arr = np.concatenate((arr1, arr2))
[1 2 3 4 5 6]numpy.split：分割數(shù)據(jù)，numpy.resize:改變數(shù)組的形狀和大小。
numpy.vstack：將多個數(shù)組垂直堆疊以創(chuàng)建一個新數(shù)組。
# Create two 1-dimensional arrays
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Vertically stack the arrays
stacked_arr = np.vstack((arr1, arr2))
[[1 2 3]
[4 5 6]]numpy.hstack：與vstack類似，但是是水平堆疊數(shù)組。
4、數(shù)學(xué)函數(shù)
numpy.sum：計(jì)算數(shù)組元素的和。
numpy.mean：計(jì)算數(shù)組的算術(shù)平均值。
numpy.max：返回?cái)?shù)組中的最大值。
numpy.min：返回?cái)?shù)組中的最小值。
numpy.abs：計(jì)算元素的絕對值。
numpy.exp：計(jì)算所有元素的指數(shù)。
numpy.subtract：對兩個數(shù)組的對應(yīng)元素進(jìn)行減法運(yùn)算。
numpy.multiply：對兩個數(shù)組的對應(yīng)元素進(jìn)行乘法運(yùn)算。
numpy.divide：對兩個數(shù)組的對應(yīng)元素進(jìn)行除法運(yùn)算。
numpy.sin：計(jì)算數(shù)組中每個元素的正弦值。
numpy.cos：計(jì)算數(shù)組中每個元素的余弦值。
numpy.log：計(jì)算數(shù)組中每個元素的自然對數(shù)（以e為底的對數(shù)）。
5、統(tǒng)計(jì)函數(shù)
numpy.std:計(jì)算數(shù)組的標(biāo)準(zhǔn)差。
# Create a 1-dimensional array
arr = np.array([1, 2, 3, 4, 5])
# Compute the standard deviation of the array
std = np.std(arr)
1.4142135623730951numpy.var：計(jì)算數(shù)組的方差。
numpy.histogram：計(jì)算一組數(shù)據(jù)的直方圖。
numpy.percentile：計(jì)算數(shù)組的第n個百分位數(shù)。它返回低于給定百分比的數(shù)據(jù)的值。
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# Calculate the 50th percentile (median) of the data
median = np.percentile(data, 50)
# Calculate the 25th and 75th percentiles (quartiles) of the data
q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
Median: 5.5
Q1: 3.25
Q3: 7.75numpy.corcoef：計(jì)算兩個數(shù)組之間的相關(guān)系數(shù)。numpy.mean: 計(jì)算數(shù)組元素的平均值。numpy.median：計(jì)算數(shù)組元素的中位數(shù)。
numpy.random.rand：在區(qū)間[0,1]內(nèi)從均勻分布生成隨機(jī)數(shù)數(shù)組
# Generate a 1-dimensional array of random numbers
random_array = np.random.rand(5)
[0.35463311 0.67659889 0.5865293 0.77127035 0.13949178]numpy.random.normal：從正態(tài)(高斯)分布生成隨機(jī)數(shù)
# Generate a random number from a normal distribution
random_number = np.random.normal()
-0.65327852852056656、線性代數(shù)函數(shù)
numpy.dot：計(jì)算兩個數(shù)組的點(diǎn)積。
# Create two arrays
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# Compute the dot product of the arrays
dot_product = np.dot(a, b)
32numpy.linalg.inv:計(jì)算一個方陣的逆, numpy.linalg.eig:一個方陣的特征值和特征向量。numpy.linalg.solve:求解一個線性方程組。
7、排序函數(shù)
numpy.sort：沿指定軸返回?cái)?shù)組的排序副本
# Create a 2D array
arr = np.array([[3, 1, 5], [2, 4, 6]])
# Sort the array along the second axis (columns)
sorted_arr = np.sort(arr, axis=1)
[[1 3 5]
[2 4 6]]numpy.argsort：返回按升序?qū)?shù)組排序的索引
# Create an array
arr = np.array([3, 1, 5, 2, 4])
# Get the indices that would sort the array
sorted_indices = np.argsort(arr)
[1 3 0 4 2]8、其他一些高級的函數(shù)
numpy.unique：在數(shù)組中查找唯一的元素。
arr = np.array([2, 1, 3, 2, 1, 4, 5, 4])
# Get the unique elements of the array
unique_values = np.unique(arr)
[1 2 3 4 5]numpy.fft：傅里葉變換的函數(shù)。
numpy.ma：供對掩碼數(shù)組的支持。
- numpy.ma.array：從現(xiàn)有的數(shù)組或序列創(chuàng)建一個掩碼數(shù)組。
- numpy.ma.masked_array：從現(xiàn)有數(shù)組和掩碼中創(chuàng)建一個掩碼數(shù)組。
- numpy.ma.mask：表示掩碼數(shù)組中的掩碼值。
- numpy.ma.masked_invalid：屏蔽數(shù)組中無效的(NaN, Inf)元素。
- numpy.ma.masked_greate, numpy.ma.masked_less：掩碼大于或小于給定值的元素。
arr = np.array([1, 2, 3, np.nan, 5])
# Create a masked array by masking the invalid values
masked_arr = ma.masked_invalid(arr)
[1 2 3 5]numpy.apply_along_axis：沿著數(shù)組的特定軸應(yīng)用函數(shù)。
numpy.wheres：一個條件函數(shù)，根據(jù)給定條件返回?cái)?shù)組中滿足條件的元素的索引或值。
condition = np.array([True, False, True, False])
# Create two arrays
array_true = np.array([1, 2, 3, 4])
array_false = np.array([5, 6, 7, 8])
result = np.where(condition, array_true, array_false)
[1 6 3 8]以上就是Numpy最經(jīng)常被使用的函數(shù)，希望對你有所幫助。
