NumPy常用方法总结 光环大数据Python培训班

numpy四则运算总结numpy是Python中常用的科学计算库，提供了丰富的数学函数和数组操作功能。

其中，numpy的四则运算功能是我们经常使用的。

本文将围绕numpy的四则运算展开，探讨其用法和应用场景。

一、加法运算numpy的加法运算使用符号"+"表示。

通过numpy的ndarray数组，我们可以对数组进行逐元素的加法运算，得到新的数组。

下面是一个简单的例子：```pythonimport numpy as npa = np.array([1, 2, 3])b = np.array([4, 5, 6])c = a + bprint(c)```上述代码中，我们首先导入了numpy库，并创建了两个ndarray数组a和b，分别包含了1、2、3和4、5、6这两组数据。

然后，通过a + b的运算，将a和b的对应元素相加，得到了新的数组c。

最后，我们将c打印出来，结果为[5, 7, 9]。

加法运算在实际应用中非常常见，比如对多个向量进行求和、矩阵相加等。

numpy提供了高效的加法运算，可以方便地处理大规模数据的计算。

二、减法运算numpy的减法运算使用符号"-"表示。

与加法运算类似，减法运算也是逐元素进行的。

下面是一个简单的例子：```pythonimport numpy as npa = np.array([4, 5, 6])b = np.array([1, 2, 3])c = a - bprint(c)```上述代码中，我们创建了两个ndarray数组a和b，然后通过a - b 的运算，将a和b的对应元素相减，得到了新的数组c。

最后，我们将c打印出来，结果为[3, 3, 3]。

减法运算同样在实际应用中非常常见，比如计算向量之间的差、矩阵相减等。

numpy的减法运算可以方便地进行这些计算。

三、乘法运算numpy的乘法运算使用符号"*"表示。

python numpy用法
Numpy是Python的一个强大的科学计算包，用于数学、科学和工程计算。

它的功能强大，能够处理大量的数据，是Python科学计算的基础。

Numpy提供了灵活的数组和函数，可以用来处理数字数据。

主要有以下几种方式：一是数组，它是numpy中最常用的数据类型，其结构是多维数组，可以表示向量、矩阵、张量等数据结构。

可以用来表示向量、矩阵、张量等数据结构。

二是函数，numpy提供了大量的数学函数，可以用来做数据分析和处理，比如矩阵乘法、矩阵分解、傅立叶变换等。

三是线性代数，numpy提供了线性代数的函数，可以用来解决线性代数问题，比如矩阵分解、特征值分解等。

四是数值积分，numpy提供了大量的数值积分函数，可以用来计算复杂函数的积分，从而解决微分方程。

五是统计分析，numpy提供了大量的统计分析函数，可以用来分析数据，比如均值、方差、相关性等。

Numpy是Python科学计算的基础，具有强大的数据处理能力，可以对大量的数据进行高效的处理。

它不仅提供了灵活的数组和函数，还提供了大量的数学函数、线性代数函数、数
值积分函数和统计分析函数，可以满足各种科学计算的需求。

因此，Numpy是Python科学计算的不可缺少的工具。

python课程总结汇报在过去的一段时间里，我参加了Python课程，今天我想向大家分享一下我在这门课程中所学到的知识和经验。

首先，让我简要介绍一下Python。

Python是一种高级编程语言，其设计目标是简洁而易于阅读，使得初学者能够很快上手。

它具有丰富的库和模块，可以用于开发各种应用程序，包括网络应用、数据处理和科学计算等。

在这门课程中，我们首先学习了Python的基本语法和数据类型。

我们了解了变量、表达式、条件语句和循环结构等基本概念。

通过练习和编写简单的程序，我们逐渐熟悉了Python的语法和代码风格。

接着，我们进一步学习了函数和模块的使用。

函数是一种将一段可重用的代码封装起来的方法，通过函数可以提高代码的可读性和可维护性。

我们学习了如何定义函数、传递参数和返回值等技巧。

另外，我们还学习了如何使用Python的标准库和第三方库，利用这些库可以快速实现各种功能，而不必从头开始编写代码。

在这门课程的后半部分，我们着重学习了面向对象编程（OOP）的概念和实践。

面向对象是一种程序设计的思想，通过将数据和相关操作封装在一起，可以更好地组织和管理代码。

我们学习了如何定义类、创建对象和继承等技术。

通过实践项目，我们深入了解了面向对象编程的优点和应用场景。

除了基本的Python语法和编程技巧，这门课程还介绍了一些常用的数据分析和大数据处理技术。

我们学习了如何使用NumPy、Pandas和Matplotlib等库进行数据处理和可视化。

通过这些技术，我们可以更好地理解和分析数据，并从中获取有价值的信息。

除了理论学习外，这门课程还提供了大量的实践机会。

我们每周都有编程任务和练习，通过实际操作和调试，我们逐渐掌握了Python的应用技巧。

我们还完成了一个小型项目，通过合作解决实际问题，提高了团队合作和问题解决能力。

通过这门课程，我不仅学到了Python的基本语法和编程技巧，还深入了解了面向对象编程和数据分析等高级技术。

Python数据处理与分析教程NumPy与Pandas库使用Python数据处理与分析教程：NumPy与Pandas库使用Python是一种功能强大且易于学习的编程语言，在数据处理和分析领域中受到广泛应用。

为了更高效地处理和分析数据，Python提供了许多常用的库，其中包括NumPy和Pandas。

本教程将介绍NumPy和Pandas库的使用方法，帮助读者快速掌握数据处理和分析的基础知识。

一、NumPy库的使用NumPy是Python中用于科学计算的基础库之一。

它提供了强大的多维数组对象和对这些数组进行操作的函数。

以下是NumPy库的几个常用功能：1. 创建数组使用NumPy库，我们可以轻松地创建各种类型的数组，包括一维数组、二维数组等。

以下是创建一维数组的示例代码：```pythonimport numpy as nparr = np.array([1, 2, 3, 4, 5])print(arr)```2. 数组运算NumPy库提供了许多方便的函数来对数组进行运算，例如对数组元素进行加减乘除等。

以下是对两个数组进行相加运算的示例代码：```pythonimport numpy as nparr1 = np.array([1, 2, 3, 4, 5])arr2 = np.array([6, 7, 8, 9, 10])sum_arr = arr1 + arr2print(sum_arr)```3. 数组索引和切片NumPy库允许我们通过索引和切片操作来访问数组中的元素。

以下是对数组进行切片操作的示例代码：```pythonimport numpy as nparr = np.array([1, 2, 3, 4, 5])slice_arr = arr[2:4]print(slice_arr)```二、Pandas库的使用Pandas是Python中用于数据处理和分析的强大库。

它基于NumPy库构建，提供了更高级的数据结构和数据操作工具。

NumPy库⼊门教程：基础知识总结numpy可以说是Python运⽤于⼈⼯智能和科学计算的⼀个重要基础，近段时间恰好学习了numpy，pandas，sklearn等⼀些Python机器学习和科学计算库，因此在此总结⼀下常⽤的⽤法。

1numpy数组（array）的创建通过array⽅式创建，向array中传⼊⼀个list实现⼀维数组的创建：⼆维数组的创建：传⼊⼀个嵌套的list即可，如下例：通过arange创建数组：下例中创建⼀个0~1间隔为0.1的⾏向量，从0开始，不包括1，第⼆个例⼦通过对齐⼴播⽅式⽣成⼀个多维的数组。

通过linspace函数创建数组：下例中创建⼀个0~1间隔为1/9的⾏向量（按等差数列形式⽣成），从0开始，包括1.通过logspace函数创建数组：下例中创建⼀个1~100，有20个元素的⾏向量（按等⽐数列形式⽣成），其中0表⽰10^0=1，2表⽰10^2=100，从1开始，包括100⽣成特殊形式数组：⽣成全0数组（zeros()函数），⽣成全1数组（ones()函数），仅分配内存但不初始化的数组（empty()函数）。

注意要指定数组的规模（⽤⼀个元组指定），同时要指定元素的类型，否则会报错⽣成随机数组通过frombuffer，fromstring，fromfile和fromfunction等函数从字节序列、⽂件等创建数组，下例中⽣成⼀个9*9乘法表2显⽰、创建、改变的数组元素的属性、数组的尺⼨（shape）等3改变数组的尺⼨（shape）reshape⽅法，第⼀个例⼦是将43矩阵转为34矩阵，第⼆个例⼦是将⾏向量转为列向量。

注意在numpy中，当某个轴的指定为-1时，此时numpy会根据实际的数组元素个数⾃动替换-1为具体的⼤⼩，如第⼆例，我们指明了c仅有⼀列，⽽b数组有12个元素，因此c被⾃动指定为12⾏1列的矩阵，即⼀个12维的列向量。

4元素索引和修改简单的索引形式和切⽚：当使⽤布尔数组b作为下标存取数组x中的元素时，将收集数组x中所有在数组b中对应下标为True的元素。

numpy常用方法numpy是Python语言的重要科学计算库，它提供高效的多维数组和矩阵计算功能。

numpy中有很多重要的方法，下面介绍numpy常用方法（包含numpy的常数和随机函数）。

1. numpy的常数numpy中有一些常用的数学常数，如π 等，使用 np.pi 来调用π ，使用 np.e 来调用自然对数的底数 e 。

2. numpy的随机函数numpy中有多个随机函数，可以用于生成满足特定分布的随机序列。

numpy.random.rand(): 生成服从均匀分布的随机数，参数为维度。

np.random.rand(2,3) 会生成一个 $2\times3$ 的数组，其中的每一个数均匀分布在(0,1)的区间内。

numpy.random.randn(): 生成服从标准正态分布的随机数，参数同np.random.rand() 。

numpy.random.randint(): 生成指定范围内的整数随机数。

参数依次为 low、high（不包括）、size参数，前两个参数定义了生成随机数的范围，size为期望的随机数的形状。

numpy.random.normal(): 从正态分布中随机选择样本，参数为 loc、scale 和 size。

loc 是均值（mean），scale 是标准差（standard deviation），size 是期望得到的样本的形状。

3. 数组创建numpy支持多种方式创建数组，如生成具有固定元素的数组、从生成器中读取数据、生成随机数数组等。

以下是一些最常用的方法：numpy.array(): 从常规的Python列表或者元组中创建一个数组。

a = np.array([1, 2, 3, 4, 5]) 将以列表 [1,2,3,4,5] 为元素创造一个一维数组。

numpy.zeros(): 返回一个以0填充的数组，参数为数组的形状信息，可以使用元组作为参数。

numpy.ones(): 返回一个以1填充的数组，参数同于numpy.zeros()。

Python基础知识汇总_光环大数据培训1.Anaconda的安装百度Anaconda的官网，下载左边的Python3.X版本然后是设置路径，最后给出Jupyter notebook。

具体参考：猴子：初学python者自学anaconda的正确姿势是什么？？不过平时练习的时候我个人习惯用Enthought Canopy，但比起Anaconda有些中文字符的编写不兼容。

下载链接如下：Canopy | Scientific Python Packages & Analysis Environment | Enthought2.Python的四个关键点2.1数据python常用数据类型有5类：（1）字符串（String）在python中字符串用“”或者‘’分隔（2）数字类型：整数，浮点数（3）容器：列表、集合、字典、元祖①列表（List）:列表是可变的，方便增加、修改和删减数据。

列表有许多方便的函数，例如：在函数中使用列表时为防止循环的同时使列表发生改变，可以使用L1=L[:]从而复制列表，保持原列表L不变。

②元组（Tuple）:元祖是不可变的，使用（），只有一个元素的元祖要加逗号：(9,)③集合（Sets）:中学的知识里我们知道，集合的三个特性是：无序性，互异性，确定性。

即集合中不会存在重复元素，在python中用{}表示集合。

集合也有很多相关函数：创建空集：交集并集与做差：判断子集： 清空：删除元素：替换：增加元素：④字典（Dictionary）：字典最大的特征是键值对应。

键值对用冒号(:)分割，整个字典用{}隔开。

字典是一个很好用的工具，我们可以通过字典利用增加内存来降低算法的复杂度。

（4）布尔值：True、False（注意大小写）（5）None2.2条件判断if语句可以通过判断条件是否成立来决定是否执行某个语句if-else语句就是在原有的if成立执行操作的基础上,当不成立的时候，也执行另一种操作if-elif-else语句例子：2.3循环循环有for循环while循环两种，我们常用的是for循环while True：可以用来开启循环。

python numpy库用法Python是一种功能强大的编程语言，而NumPy是Python中常用的库之一。

NumPy提供了高效的多维数组对象以及一系列用于操作数组的函数，可以帮助开发者进行快速的数值计算。

本文将以中括号内的内容为主题，详细介绍NumPy库的用法，一步一步回答。

一、什么是NumPy库及其安装NumPy是Numerical Python的简称，它是Python中用于科学计算的基础库之一。

它提供了高性能的多维数组对象（ndarray）以及丰富的函数库，用于进行数组的操作和计算。

NumPy的主要功能包括：1. 快速的数值运算：NumPy中的数组操作是以底层C语言实现的，因此非常高效。

2. 多维数组对象：NumPy的ndarray可以存储不同类型的元素，并且支持快速的元素访问和切片。

3. 广播功能：NumPy可以对不同形状的数组进行数学运算，它会自动进行维度匹配和扩展。

要安装NumPy库，可以使用pip命令，在终端中输入以下命令：pip install numpy二、创建NumPy数组在使用NumPy之前，需要先导入numpy模块。

可以使用`import numpy as np`语句来导入NumPy库，并将其命名为`np`，方便后续调用。

要创建一个NumPy数组，可以使用`np.array()`函数。

可以将Python列表、元组或其他序列类型作为参数传递给该函数，用于创建数组。

例如，可以使用以下代码创建一个一维数组：pythonimport numpy as nparr = np.array([1, 2, 3, 4, 5])print(arr)输出：[1 2 3 4 5]除了`np.array()`函数之外，NumPy还提供了一些其他函数来创建特定类型的数组，例如：- `np.zeros()`：创建一个全是0的数组。

- `np.ones()`：创建一个全是1的数组。

- `np.empty()`：创建一个未被初始化的数组。

python中numpy用法numpy是一种使用非常广泛的Python库，它可以为用户提供高效的数据处理和分析。

Numpy最初是为Python用户设计的数组计算库，它具有功能强大、编程代码简洁、效率高等优势，而且它为多种数据类型提供了统一的计算接口，可以帮助用户实现各种复杂的数据处理操作。

Numpy的基础用法可以分为两个主要部分：数据结构和算法。

首先，我们介绍一下Numpy的数据结构。

Numpy的核心数据结构是ndarray，它是一种多维数组对象，可以容纳任意大小的数据，ndarray可以按照一定的形状组织数据，有助于我们更好地处理大量数据。

例如，我们可以使用ndarray存储图像数据，ndarray可以模拟多维空间，从而帮助我们以更加快速方便的方式实现图像的平移、缩放、旋转等操作。

接下来，我们介绍一下Numpy的算法。

Numpy提供了一系列高效的数学运算算法，比如矩阵乘法和快速傅里叶变换，可以实现多种数据拟合等数据处理功能。

同时，Numpy提供了很多常见的随机函数，可以节省我们在随机采样上的大量精力，比如我们可以使用Numpy的随机函数在图像上进行噪声处理。

另外，Numpy还具有拟合和校正等统计分析方法，可以在极短的时间内完成庞大的数据分析。

此外，Numpy还具有非常高的性能。

相比于其他的编程语言，Numpy 可以更有效地调用硬件资源，通过优化代码和提供良好的优化算法，Numpy可以帮助用户提高编程效率。

Numpy是一种功能强大且实用的Python库，作为Python用户，学习Numpy的内容对于完成数据处理和分析过程至关重要。

Numpy的核心内容包括数据结构和算法，Numpy提供的算法多种多样，尤其是它提供的数据拟合和统计分析方法，可以大大减少编程的时间。

此外，Numpy的可扩展性和高性能也使其成为Python用户最重要的数据处理库之一。

numpy知识点汇总一、numpy简介numpy是Python的一个开源科学计算库，提供了高效的多维数组对象ndarray以及对多维数组进行操作的函数。

它是Python科学计算的核心库之一，被广泛应用于数据科学、机器学习、人工智能等领域。

二、安装numpy安装numpy非常简单，可以使用pip命令进行安装。

在命令行中输入"pip install numpy"即可完成安装。

安装完毕后，可以使用import numpy语句导入numpy库。

三、创建ndarrayndarray是numpy库的核心对象，它是一个多维数组对象，用于存储同类型的元素。

通过numpy库提供的函数，我们可以很方便地创建ndarray对象。

常见的创建ndarray的方法有以下几种：1. 使用array函数：可以将Python中的列表、元组等对象转换为ndarray。

2. 使用arange函数：可以创建一个等差数列的ndarray。

3. 使用linspace函数：可以创建一个指定范围内的等间隔数列的ndarray。

4. 使用zeros函数：可以创建一个全0的ndarray。

5. 使用ones函数：可以创建一个全1的ndarray。

6. 使用eye函数：可以创建一个单位矩阵的ndarray。

四、ndarray的属性和方法1. shape属性：用于获取ndarray对象的形状，即每个维度的大小。

2. dtype属性：用于获取ndarray对象的数据类型。

3. ndim属性：用于获取ndarray对象的维度数。

4. size属性：用于获取ndarray对象中元素的总个数。

5. reshape方法：用于改变ndarray对象的形状。

6. astype方法：用于改变ndarray对象的数据类型。

7. min方法和max方法：用于获取ndarray对象中的最小值和最大值。

8. sum方法、mean方法和std方法：用于计算ndarray对象中元素的和、平均值和标准差。

Numpy常⽤函数⽤法⼤全.ndim ：维度.shape ：各维度的尺度（2，5）.size ：元素的个数 10.dtype ：元素的类型 dtype(‘int32’).itemsize ：每个元素的⼤⼩，以字节为单位，每个元素占4个字节ndarray数组的创建np.arange(n) ; 元素从0到n-1的ndarray类型np.ones(shape): ⽣成全1np.zeros((shape)， ddtype = np.int32) ：⽣成int32型的全0np.full(shape, val): ⽣成全为valnp.eye(n) : ⽣成单位矩阵np.ones_like(a) : 按数组a的形状⽣成全1的数组np.zeros_like(a): 同理np.full_like (a, val) : 同理np.linspace（1,10,4）：根据起⽌数据等间距地⽣成数组np.linspace（1,10,4, endpoint = False）：endpoint 表⽰10是否作为⽣成的元素np.concatenate():-数组的维度变换.reshape(shape) : 不改变当前数组，依shape⽣成.resize(shape) : 改变当前数组，依shape⽣成.swapaxes(ax1, ax2) : 将两个维度调换.flatten() : 对数组进⾏降维，返回折叠后的⼀位数组-数组的类型变换数据类型的转换：a.astype(new_type) : eg, a.astype (np.float)数组向列表的转换： a.tolist()数组的索引和切⽚- ⼀维数组切⽚a = np.array ([9, 8, 7, 6, 5, ])a[1:4:2] –> array([8, 6]) ： a[起始编号：终⽌编号（不含）：步长]- 多维数组索引a = np.arange(24).reshape((2, 3, 4))a[1, 2, 3] 表⽰ 3个维度上的编号，各个维度的编号⽤逗号分隔- 多维数组切⽚a [：，：，：：2 ] 缺省时，表⽰从第0个元素开始，到最后⼀个元素数组的运算np.abs(a) np.fabs(a) : 取各元素的绝对值np.sqrt(a) : 计算各元素的平⽅根np.square(a): 计算各元素的平⽅np.log(a) np.log10(a) np.log2(a) : 计算各元素的⾃然对数、10、2为底的对数np.ceil(a) np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）np.rint(a) : 各元素四舍五⼊np.modf(a) : 将数组各元素的⼩数和整数部分以两个独⽴数组形式返回np.exp(a) : 计算各元素的指数值np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）.np.maximum(a, b) np.fmax() : ⽐较（或者计算）元素级的最⼤值np.minimum(a, b) np.fmin() : 取最⼩值np.mod(a, b) : 元素级的模运算np.copysign(a, b) : 将b中各元素的符号赋值给数组a的对应元素- 数据的CSV⽂件存取CSV (Comma-Separated Value,逗号分隔值) 只能存储⼀维和⼆维数组np.savetxt(frame, array, fmt=’% .18e’, delimiter = None): frame是⽂件、字符串等，可以是.gz .bz2的压缩⽂件； array 表⽰存⼊的数组； fmt 表⽰元素的格式 eg： %d % .2f % .18e ; delimiter：分割字符串，默认是空格eg： np.savetxt(‘a.csv’, a, fmt=%d, delimiter = ‘,’ )np.loadtxt(frame, dtype=np.float, delimiter = None, unpack = False) : frame是⽂件、字符串等，可以是.gz .bz2的压缩⽂件； dtype：数据类型，读取的数据以此类型存储； delimiter: 分割字符串，默认是空格; unpack: 如果为True，读⼊属性将分别写⼊不同变量。

Python基础之Numpy的基本⽤法详解⽬录⼀、数据⽣成1.1 ⼿写数组1.2 序列数组1.3 随机数组1.4 其他⽅式数组⼆、数组属性查看三、数组索引3.1 ⼀维数组的索引3.2 ⼆维数组的索引四、数组的⽅法4.1 改变数组维度4.2 数组拼接4.3 数组分隔4.4 算术运算⼀、数据⽣成1.1 ⼿写数组a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) # ⼀维数组b = np.array([[1, 2], [3, 4]]) #⼆维数组1.2 序列数组numpy.arange(start, stop, step, dtype)，start默认0，step默认1c = np.arange(0, 10, 1, dtype=int) # =np.arange(10) [0 1 2 3 4 5 6 7 8 9]d = np.array([np.arange(1, 3), np.arange(4, 6)]) # ⼆维数组# 不过为了避免⿇烦，通常序列⼆维数组都是通过reshape进⾏重新组织dd = c.reshape(2, 5) # 将⼀维数组重新组合成2⾏5列1.3 随机数组numpy.random.random(size=None) 该⽅法返回[0.0, 1.0)范围的随机⼩数。

numpy.random.randint() 该⽅法返回[low, high)范围的随机整数。

该⽅法有三个参数low、high、size 三个参数。

默认high是None,如果只有low，那范围就是[0,low)。

如果有high，范围就是[low,high)numpy.random.randn(d0,d1,…,dn) 该⽅法返回⼀个或⼀组样本，具有正态分布np.random.normal 指定期望和⽅差的正太分布e = np.random.random(size=2) # ⼀维数组，元素两个，[0.0,1.0]的随机数f = np.random.random(size=(2, 3)) # 两⾏三列数组，[0.0,1.0]的随机数h = np.random.randint(10, size=3) # [0,10]范围内的⼀⾏三列随机整数i = np.random.randint(5, 10, size=(2, 3)) # [5,10]范围内的2⾏3列随机整数1.4 其他⽅式数组numpy.zeros 创建指定⼤⼩的数组，数组元素以0 来填充numpy.ones 创建指定形状的数组，数组元素以1 来填充numpy.empty 创建⼀个指定形状（shape）、数据类型（dtype）且未初始化的数组，⾥⾯的元素的值是之前内存的值np.linspace 创建⼀个⼀维数组，数组是⼀个等差数列构成的numpy.logspace 创建⼀个于等⽐数j = np.zeros((2, 5))k = np.ones((2, 5))l = np.linspace(1, 20, 10)⼆、数组属性查看ndarray.ndimdarray.shape 数组的维度和列，对于矩阵，n ⾏m 列ndarray.size 数组元素的总个数，相当于.shape 中n*m 的值ndarray.dtype ndarray 对象的元素类型ndarray.itemsize ndarray 对象中每个元素的⼤⼩，以字节为单位ndarray.flags ndarray 对象的内存信息ndarray.real ndarray 元素的实部ndarray.imag ndarray 元素的虚部ndarray.data 包含实际数组元素的缓冲区，由于⼀般通过数组的索引获取元素，所以通常不需要使⽤这个属性。

numpy语法总结一、导入和数据转换1.安装和导入numpy：使用pip 安装numpy，然后在代码中导入numpy 模块。

```pythonimport numpy as np```2.创建数组：使用numpy 函数创建数组，如`numpy.array()`。

```pythonarr = np.array([1, 2, 3, 4, 5])```3.数据类型转换：使用`astype()` 函数转换数据类型。

```pythonarr = arr.astype(float)```二、数组和矩阵操作1.矩阵创建：使用`numpy.matrix()` 创建矩阵。

```pythonmat = np.matrix([[1, 2], [3, 4]])```2.矩阵转置：使用`T` 属性转置矩阵。

```pythonmat_trans = mat.T```3.矩阵加法：使用`+` 运算符进行矩阵加法。

```pythonmat1 = np.matrix([[1, 2], [3, 4]])mat2 = np.matrix([[5, 6], [7, 8]])mat_add = mat1 + mat2```三、数学函数和统计函数1.数学函数：使用numpy 内置的数学函数，如sin、cos、exp 等。

```pythonarr = np.array([0, 1, 2, 3, 4])sin_arr = np.sin(arr)```2.统计函数：使用numpy 内置的统计函数，如mean、std、min、max 等。

```pythonarr = np.array([1, 2, 3, 4, 5])mean = np.mean(arr)std = np.std(arr)```四、线性代数1.矩阵乘法：使用`dot()` 函数进行矩阵乘法。

```pythonmat1 = np.matrix([[1, 2], [3, 4]])mat2 = np.matrix([[5, 6], [7, 8]])mat_mul = mat1 @ mat2```2.求逆：使用`inv()` 函数求矩阵逆。

NumPy是Python中处理数组和矩阵的核心库，提供了大量的方法和函数来操作数组和矩阵。

以下是一些常见的NumPy方法汇总：1. 数组创建：- np.array(..., dtype=None, order=None, copy=True, subok=False, dtype_object=None)- np.zeros(shape, dtype=None, order=None, copy=True)- np.ones(shape, dtype=None, order=None, copy=True)- np.empty(shape, dtype=None, order=None, copy=True)2. 数组操作：- np.sum(arr, axis=None, keepdims=None, out=None, dtype=None)- np.mean(arr, axis=None, keepdims=None, out=None, dtype=None)- np.var(arr, axis=None, ddof=0, out=None, dtype=None)- np.std(arr, axis=None, ddof=0, out=None, dtype=None)- np.median(arr, axis=None, mode='median', out=None, dtype=None)3. 数组排序：- np.argsort(arr, axis=None, out=None, dtype=None)- np.sort(arr, axis=None, kind=3, out=None, dtype=None)4. 数组切片：- np.squeeze(arr, axis=None)- np.split(arr, num, axis=None)- np.concatenate(arrays, axis=0)5. 数组转置：- np.transpose(arr, axes=None, out=None)6. 数组形状和大小：- np.shape(arr)- np.size(arr)- np.reshape(arr, newshape, order='C')这些只是NumPy中的一部分方法，还有很多其他的方法和函数可以用于数组和矩阵的操作。

玩数据必备Python库之numpy使⽤详解⽬录前⾔1. ndarray介绍2. ndarray的基本操作⽣成数组数组索引、切⽚修改数组形状修改数组类型数组去重删除元素3. ndarray运算逻辑运算统计运算数组运算4. matrix 矩阵介绍5. Python中矩阵运算扩展：正态分布简介正态分布图⽅差总结前⾔numpy 库是⼀个科学计算库，使⽤⽅法：import numpy as np⽤于快速处理任意维度的数组，存储的对象是ndarray⽤于矩阵运算,存储的对象是matrix1. ndarray介绍1. ndarray的属性item = np.array([[1, 2], [3, 4], [5, 6]])# ndarray的属性print('shape 表⽰数组维度的元组', item.shape) # (3, 2)print('ndim 表⽰数组维数', item.ndim) # 2print('size 表⽰数组中元素个数', item.size) # 6print('itemsize 表⽰⼀个元素所占字节⼤⼩', item.itemsize) # 4print('dtype 表⽰数字元素的类型', item.dtype) # int322. ndarray的形状ndarray可以是任意维度的数组# ndarray的形状a1 = np.array([1, 2])a2 = np.array([[1, 2], [3, 4]])a3 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])print('a1是{0}维数组'.format(a1.ndim))print('a2是{0}维数组'.format(a2.ndim))print('a3是{0}维数组'.format(a3.ndim))# a1是1维数组# a2是2维数组# a3是3维数组3. ndarray的类型创建ndarray对象时，可以使⽤dtype参数指定ndarray的类型# ndarray的类型item = np.array([[1, 2], [3, 4]], dtype=np.str_) # 设置类型为字符串print(item)#[['1' '2']# ['3' '4']]2. ndarray的基本操作⽣成数组1. ⽣成0和1数组# ⽣成⼀个3⾏4列的数组，元素为0。

python中numpy的知识点总结#### 数据的布尔值判断####import numpy as npx=np.array([1,2,3,4,5])xOut[1]: array([1, 2, 3, 4, 5])#判断X是否小于2x<2Out[2]: array([ True, False, False, False, False])#判断X小于2或者大于4(x<2) | (x>4)Out[4]: array([ True, False, False, False, True])mask=x<3maskOut[5]: array([ True, True, False, False, False]) x[mask]Out[6]: array([1, 2])np.sum(x<3)Out[7]: 2y=np.array([[1,2,3,4,5],[6,7,8,9,10]])yOut[8]:array([[ 1, 2, 3, 4, 5],[ 6, 7, 8, 9, 10]])x == y[0,]Out[9]: array([ True, True, True, True, True])#两个数组比较a1 = np.arange(9).reshape(3, 3)a2 = np.arange(9, 0 , -1).reshape(3, 3)a1 < a2Out[10]:array([[ True, True, True],[ True, True, False],[False, False, False]])#####数据的切片选择（开始位，结束位，步长）#位置值从0开始的x=np.arange(0,10)x[4:6]Out[11]: array([4, 5])#从0开始，步长为2的数据，::表示所有数据x[::2]Out[12]: array([0, 2, 4, 6, 8])#倒序x[::-1]Out[13]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])#取前6个数据x[:6]Out[14]: array([0, 1, 2, 3, 4, 5])#从第2的位置开始选x[2:]Out[15]: array([2, 3, 4, 5, 6, 7, 8, 9])#二维数据的切片处理，生成0-15的数字，4行4列y=np.arange(0,16).reshape(4,4)yOut[16]:array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11],[12, 13, 14, 15]])#y[行,列]，取所有行和第二列与第三列y[:,1:3]Out[17]:array([[ 1, 2],[ 5, 6],[ 9, 10],[13, 14]])y[1:3,2:4]Out[18]:array([[ 6, 7],[10, 11]])#y[:,:]中的：表示取所有y[[1,3],:]Out[19]:array([[ 4, 5, 6, 7],[12, 13, 14, 15]])#### 数据的维度变化##### x=np.arange(0,9)y=x.reshape(3,3)yOut[20]:array([[0, 1, 2],[3, 4, 5],[6, 7, 8]])x=np.arange(0,9)y=x.reshape(3,3)yOut[21]:array([[0, 1, 2],[3, 4, 5],[6, 7, 8]])#返回一个新的数组，不是修改原来的数组y.reshape(9)Out[22]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])yOut[23]:array([[0, 1, 2],[3, 4, 5],[6, 7, 8]])#修改数据reshaped = y.reshape(np.size(y)) raveled = y.ravel() #将数据展开成一维的reshaped[2] = 1000raveled[5] = 2000yOut[24]:array([[ 0, 1, 1000],[ 3, 4, 2000],[ 6, 7, 8]])y = np.arange(0, 9).reshape(3,3)flattened = y.flatten() #将数据展开成一维的flattened[0] = 1000flattenedOut[25]: array([1000, 1, 2, 3, 4, 5, 6, 7, 8])flattened.shape = (3, 3)flattenedOut[26]:array([[1000, 1, 2],[ 3, 4, 5],[ 6, 7, 8]])#数据的转置flattened.TOut[27]:array([[1000, 3, 6],[ 1, 4, 7],[ 2, 5, 8]])#### 数据的合并处理####a = np.arange(9).reshape(3, 3)b = (a + 1) * 10aOut[28]:array([[0, 1, 2],[3, 4, 5],[6, 7, 8]])bOut[29]:array([[10, 20, 30],[40, 50, 60],[70, 80, 90]])#水平方向np.hstack((a, b))Out[30]:array([[ 0, 1, 2, 10, 20, 30], [ 3, 4, 5, 40, 50, 60],[ 6, 7, 8, 70, 80, 90]])#垂直方向np.vstack((a, b))Out[31]:array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[10, 20, 30],[40, 50, 60],[70, 80, 90]])#axis = 1横轴方向，axis = 0 竖轴方向np.concatenate((a, b), axis = 1)Out[32]:array([[ 0, 1, 2, 10, 20, 30],[ 3, 4, 5, 40, 50, 60],[ 6, 7, 8, 70, 80, 90]])#每列相互拼接np.dstack((a, b))Out[33]:array([[[ 0, 10],[ 1, 20],[ 2, 30]],[[ 3, 40],[ 4, 50],[ 5, 60]],[[ 6, 70],[ 7, 80],[ 8, 90]]])#两列拼接one_d_a = np.arange(5)one_d_b = (one_d_a + 1) * 10np.column_stack((one_d_a, one_d_b)) Out[36]:array([[ 0, 10],[ 1, 20],[ 2, 30],[ 3, 40],[ 4, 50]])##行叠加np.row_stack((one_d_a, one_d_b))Out[37]:array([[ 0, 1, 2, 3, 4],[10, 20, 30, 40, 50]])#### 通用函数####m = np.arange(10, 19).reshape(3, 3)print (m)print ("{0} min of the entire matrix".format(m.min()))print ("{0} max of entire matrix".format(m.max()))##最小值、最大值的位置print ("{0} position of the min value".format(m.argmin())) print ("{0} position of the max value".format(m.argmax()))#每列、每行的最小值print ("{0} mins down each column".format(m.min(axis = 0))) print ("{0} mins across each row".format(m.min(axis = 1)))#每列、每行的最大值print ("{0} maxs down each column".format(m.max(axis = 0))) print ("{0} maxs across each row".format(m.max(axis = 1))) [[10 11 12][13 14 15][16 17 18]]10 min of the entire matrix18 max of entire matrix0 position of the min value8 position of the max value[10 11 12] mins down each column[10 13 16] mins across each row[16 17 18] maxs down each column[12 15 18] maxs across each row#平均值，标准差，方差aOut[41]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])a = np.arange(1,10)a.mean(), a.std(), a.var()Out[39]: (5.0, 2.581988897471611, 6.666666666666667)#求和，乘积a.sum(), a.prod()Out[40]: (45, 362880)#累加和，累加乘a.cumsum(), a.cumprod()Out[42]:(array([ 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32),array([ 1, 2, 6, 24, 120, 720, 5040, 40320, 362880], dtype=int32))。