0
0

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

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。

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

  1. sex = pd.Series(['Male','Male','Female'])
  2. np.array(sex)
  3. ------------------------
  4. 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。

start:起始数字

end:结束

Num:要生成的样本数，默认为50。

  1. np.linspace(10,100,10)
  2. --------------------------------
  3. 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。

step:数值步长。

  1. np.arange(5,10,2)
  2. -----------------------
  3. array([5, 7, 9])

4、Uniform

在上下限之间的均匀分布中生成随机样本。

  1. np.random.uniform(5,10,size = 4)
  2. ------------
  3. array([6.47445571, 5.60725873, 8.82192327, 7.47674099])
  5. np.random.uniform(size = 5)
  6. ------------
  7. array([0.83358092, 0.41776134, 0.72349553])
  9. np.random.uniform(size = (2,3))
  10. ------------
  11. array([[0.7032511 , 0.63212039, 0.6779683 ],
  12.        [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。

  1. np.random.randint(5,10,10)
  2. ------------------------------
  3. 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。

  1. np.random.random(3)
  2. ---------------------------
  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。

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。

  1. np.logspace(0,10,5,base=2)
  2. ------------------
  3. 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。

shape:阵列的形状。

Dtype:生成数组所需的数据类型。' int '或默认' float '

  1. np.zeros((2,3),dtype='int')
  2. ---------------
  3. array([[0, 0, 0],
  4.        [0, 0, 0]])
  6. np.zeros(5)
  7. -----------------
  8. array([0., 0., 0., 0., 0.])

9、ones

np.ones函数创建一个全部为1的数组。

  1. np.ones((3,4))
  2. ------------------
  3. array([[1., 1., 1., 1.],
  4.        [1., 1., 1., 1.],
  5.        [1., 1., 1., 1.]])

10、full

创建一个单独值的n维数组。

fill_value:填充值。

  1. np.full((2,4),fill_value=2)
  2. --------------
  3. array([[2, 2, 2, 2],
  4.        [2, 2, 2, 2]])(2,4) : ꜱʜᴀᴘᴇ

11、Identity

创建具有指定维度的单位矩阵。

  1. np.identity(4)
  2. ----------
  3. array([[1., 0., 0., 0.],
  4.        [0., 1., 0., 0.],
  5.        [0., 0., 1., 0.],
  6.        [0., 0., 0., 1.]])#ᴅᴇꜰᴀᴜʟᴛ ᴅᴀᴛᴀ ᴛʏᴘᴇ ɪꜱ `ꜰʟᴏᴀᴛ`

数组操作

12、min

返回数组中的最小值。

axis:用于操作的轴。

out:用于存储输出的数组。

  1. arr = np.array([1,1,2,3,3,4,5,6,6,2])
  2. np.min(arr)
  3. ----------------
  4. 1

13、max

返回数组中的最大值。

  1. np.max(arr)
  2. ------------------
  3. 6

14、unique

返回一个所有唯一元素排序的数组。

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。

  1. np.unique(arr,return_counts=True)
  2. ---------------------
  3. (
  4.  array([1, 2, 3, 4, 5, 6]),             ## Unique elements
  5.  array([2, 2, 2, 1, 1, 2], dtype=int64) ## Count
  6. )

15、mean

返回数组的平均数

  1. np.mean(arr,dtype='int')
  2. -------------------------------
  3. 3

16、medain

返回数组的中位数。

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

17、digitize

返回输入数组中每个值所属的容器的索引。

bin：容器的数组。

right:表示该间隔是否包括右边或左边的bin。

  1. a = np.array([-0.9, 0.5, 0.9, 1, 1.2, 1.4, 3.6, 4.7, 5.3])
  2. bins = np.array([0,1,2,3])
  3. np.digitize(a,bins)
  4. -------------------------------
  5. array([0, 1, 1, 2, 2, 2, 4, 4, 4], dtype=int64)
  6. Exp        Value
  7. x < 0     :   0
  8. 0 <= x <1 :   1
  9. 1 <= x <2 :   2
  10. 2 <= x <3 :   3
  11. 3 <=x     :   4
  12. Compares -0.9 to 0, here x < 0 so Put 0 in resulting array.
  13. Compares  0.5 to 0, here 0 <= x <1 so Put 1.
  14. 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。

  1. A = np.random.randint(15,size=(4,3))
  2. A
  3. ----------------------
  4. array([[ 8, 14,  1],
  5.        [ 8, 11,  4],
  6.        [ 9,  4,  1],
  7.        [13, 13, 11]])
  9. A.reshape(3,4)
  10. -----------------
  11. array([[ 8, 14,  1,  8],
  12.        [11,  4,  9,  4],
  13.        [ 1, 13, 13, 11]])
  15. A.reshape(-1)  
  16. -------------------
  17. 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。

  1. arr = np.array([ 8, 14,  1,  8, 11,  4,  9,  4, 1, 13, 13, 11])
  2. np.expand_dims(A,axis=0)
  3. -------------------------
  4. array([[ 8, 14,  1,  8, 11,  4,  9,  4,  1, 13, 13, 11]])
  6. np.expand_dims(A,axis=1)
  7. ---------------------------
  8. array([[ 8],
  9.        [14],
  10.        [ 1],
  11.        [ 8],
  12.        [11],
  13.        [ 4],
  14.        [ 9],
  15.        [ 4],
  16.        [ 1],
  17.        [13],
  18.        [13],
  19.        [11]])

20、squeeze

通过移除一个单一维度来降低数组的维度。

  1. arr = np.array([[ 8],[14],[ 1],[ 8],[11],[ 4],[ 9],[ 4],[ 1],[13],[13],[11]])
  2. np.squeeze(arr)
  3. ---------------------------
  4. 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。

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

22、argwhere

查找并返回非零元素的所有下标。

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

  1. arr = np.array([[0.12,0.64,0.19,0.05]])
  2. np.argmax(arr)
  3. ---------
  4. 1

argmin将返回数组中min元素的索引。

  1. np.argmin(min)
  2. ------
  3. 3

24、sort

对数组排序。

kind:要使用的排序算法。{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}

  1. arr = np.array([2,3,1,7,4,5])
  2. np.sort(arr)
  3. ----------------
  4. 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。

  1. A = np.array([[1,-3,4],[-2,-4,3]])np.abs(A)
  2. ---------------
  3. array([[1, 3, 4],
  4.        [2, 4, 3]])

26、round

将浮点值四舍五入到指定数目的小数点。

decimals:要保留的小数点的个数。

  1. a = np.random.random(size=(3,4))
  2. a
  3. -----
  4. array([[0.81695699, 0.42564822, 0.65951417, 0.2731807 ],
  5.        [0.7017702 , 0.12535894, 0.06747666, 0.55733467],
  6.        [0.91464488, 0.26259026, 0.88966237, 0.59253923]])
  7.        
  9. np.round(a,decimals=0)
  10. ------------
  11. array([[1., 0., 1., 1.],
  12.        [1., 1., 1., 1.],
  13.        [0., 1., 0., 1.]])
  15. np.round(a,decimals=1)
  16. -------------
  17. array([[0.8, 0. , 0.6, 0.6],
  18.        [0.5, 0.7, 0.7, 0.8],
  19.        [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。

  1. arr = np.array([0,1,-3,-4,5,6,7,2,3])
  2. arr.clip(0,5)
  3. -----------------
  4. array([0, 1, 0, 0, 5, 5, 5, 2, 3])
  6. arr.clip(0,3)
  7. ------------------
  8. array([0, 1, 0, 0, 3, 3, 3, 2, 3])
  10. arr.clip(3,5)
  11. ------------------
  12. 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。

condition:匹配的条件。如果true则返回x，否则y。

  1. a = np.arange(12).reshape(4,3)
  2. a
  3. -------
  4. array([[ 0,  1,  2],
  5.        [ 3,  4,  5],
  6.        [ 6,  7,  8],
  7.        [ 9, 10, 11]])
  8.        
  9. np.where(a>5)      ## Get The Index
  10. --------------------
  11. (array([2, 2, 2, 3, 3, 3], dtype=int64),
  12.  array([0, 1, 2, 0, 1, 2], dtype=int64))
  14.  a[np.where(a>5)]  ## Get Values
  15. --------------------------
  16. array([ 6,  7,  8,  9, 10, 11])

它还可以用来替换pandas df中的元素。

  1. np.where(data[feature].isnull(), 1, 0)

29、put

用给定的值替换数组中指定的元素。

a:数组

Ind:需要替换的索引。

V:替换值。

  1. arr = np.array([1,2,3,4,5,6])
  2. arr
  3. --------
  4. array([1, 2, 3, 4, 5, 6])
  6. np.put(arr,[1,2],[6,7])
  7. arr
  8. --------
  9. 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。

dst：目标

src：来源

  1. arr1 = np.array([1,2,3])
  2. arr2 = np.array([4,5,6])
  3. print("Before arr1",arr1)
  4. print("Before arr2",arr1)
  1. np.copyto(arr1,arr2)
  2. print("After arr1",arr1)
  3. print("After arr2",arr2)
  4. ---------------------------
  5. Before arr1 [1 2 3]
  6. Before arr2 [4 5 6]
  8. After arr1 [4 5 6]
  9. 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。

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。

  1. ar1 = np.array([1,2,3,4,5,6])
  2. ar2 = np.array([3,4,5,8,9,1])
  3. np.intersect1d(ar1,ar2)
  4. ---------------
  5. array([1, 3, 4, 5])
  7. np.intersect1d(ar1,ar2,return_indices=True)
  8. ---------------
  9. (array([1, 3, 4, 5]),                 ## Common Elements
  10.  array([0, 2, 3, 4], dtype=int64),    
  11.  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。

  1. a = np.array([1, 7, 3, 2, 4, 1])
  2. b = np.array([9, 2, 5, 6, 7, 8])
  3. np.setdiff1d(a, b)
  4. ---------------------
  5. 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。

  1. a = np.array([1, 2, 3, 4, 6])
  2. b = np.array([1, 4, 9, 4, 36])
  3. np.setxor1d(a,b)
  4. --------------------
  5. array([ 2,  3,  6,  9, 36])

34、合并

Union1d函数将两个数组合并为一个。

  1. a = np.array([1, 2, 3, 4, 5])
  2. b = np.array([1, 3, 5, 4, 36])
  3. np.union1d(a,b)
  4. -------------------
  5. 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。

  1. A = np.array([[3,4,5,2],[6,7,2,6]])
  2. np.hsplit(A,2)    ## splits the data into two equal parts
  3. ---------------
  4. [  array([[3, 4],[6, 7]]),  array([[5, 2],[2, 6]])  ]
  6. np.hsplit(A,4)    ## splits the data into four equal parts
  7. -----------------
  8. [  array([[3],[6]]),  array([[4],[7]]),
  9.    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。

  1. A = np.array([[3,4,5,2],[6,7,2,6]])
  2. np.vsplit(A,2)
  3. ----------------
  4. [ 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。

  1. a = np.array([1,2,3,4,5])
  2. b = np.array([1,4,9,16,25])
  4. np.hstack((a,b))
  5. ---------------------
  6. 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。

  1. np.vstack((a,b))
  2. ----------------------
  3. array([[ 1,  2,  3,  4,  5],
  4.        [ 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。

  1. a = np.array([0.25,0.4,0.6,0.32])
  2. b = np.array([0.26,0.3,0.7,0.32])
  4. tolerance = 0.1           ## Total Difference 
  5. np.allclose(a,b,tolerance)
  6. ---------
  7. False
  9. tolerance = 0.5
  10. np.allclose(a,b,tolerance)
  11. ----------
  12. 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。

  1. np.equal(arr1,arr2)
  2. -------------
  3. 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。

A:重复的元素

Repeats:重复的次数。

  1. np.repeat('2017',3)
  2. ---------------------
  3. array(['2017', '2017', '2017'], dtype='<U4')

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。

  1. fruits = pd.DataFrame([
  2.     ['Mango',40],
  3.     ['Apple',90],
  4.     ['Banana',130]
  5. ],columns=['Product','ContainerSales'])
  6. fruits

在数据集中，缺少年份列。我们尝试使用numpy添加它。

  1. fruits['year'] = np.repeat(2020,fruits.shape[0])
  2. fruits

41、tile

通过重复A，rep次来构造一个数组。

  1. np.tile("Ram",5)
  2. -------
  3. array(['Ram', 'Ram', 'Ram', 'Ram', 'Ram'], dtype='<U3')
  5. np.tile(3,(2,3))
  6. -------
  7. array([[3, 3, 3],
  8.        [3, 3, 3]])

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。

  1. a = np.arange(1,10).reshape(3,3)
  2. b = np.arange(21,30).reshape(3,3)
  4. np.einsum('ii->i',a)
  5. ------------
  6. array([1, 5, 9])
  8. np.einsum('ji',a)
  9. ------------
  10. array([[1, 4, 7],
  11.        [2, 5, 8],
  12.        [3, 6, 9]])
  13.        
  14. np.einsum('ij,jk',a,b)
  15. ------------
  16. array([[150, 156, 162],
  17.        [366, 381, 396],
  18.        [582, 606, 630]])
  19.        
  20. p.einsum('ii',a)
  21. ----------
  22. 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。

  1. A = np.array([[3, 4, 5, 2],
  2.               [6, 7, 2, 6]])
  3. np.histogram(A)
  4. -------------------
  5. (array([2, 0, 1, 0, 1, 0, 1, 0, 2, 1], dtype=int64),
  6.  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。

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。

  1. a = np.array([[2, 4, 6], [4, 8, 12]])
  3. np.percentile(a, 50)
  4. -----------
  5. 5.0
  7. np.percentile(a, 10)
  8. ------------
  9. 3.0
  11. arr = np.array([2,3,4,1,6,7])
  12. np.percentile(a,5)
  13. ------------
  14. 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。

  1. a = np.array([[2, 4, 6], [4, 8, 12]])
  3. np.std(a,axis=1)
  4. --------
  5. array([1.63299316, 3.26598632])
  7. np.std(a,axis=0)    ## Column Wise
  8. --------
  9. array([1., 2., 3.])
  11. np.var(a,axis=1)
  12. -------------------
  13. array([ 2.66666667, 10.66666667])
  15. np.var(a,axis=0)
  16. -------------------
  17. array([1., 4., 9.])

数组打印

46、显示带有两个十进制值的浮点数

  1. np.set_printoptions(precision=2)
  3. a = np.array([12.23456,32.34535])
  4. print(a)
  5. ------------
  6. array([12.23,32.34])

47、设置打印数组最大值

  1. np.set_printoptions(threshold=np.inf)

48、增加一行中元素的数量

  1. 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。

  1. arr = np.linspace(10,100,500).reshape(25,20) 
  2. 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。

  1. np.loadtxt('array.txt')

以上就是50个numpy常用的函数，希望对你有所帮助。

作者：Abhay Parashar

标签： 机器学习 数据分析 numpy
登录后发布评论

“50个常用的Numpy函数解释，参数和使用示例”的评论:

还没有评论
关于作者
...
Deephub
更多文章请关注公众号：Deephub-IMBA
相关阅读

2025年GitHub平台上的十大开源MCP服务器汇总分析

Crawl4AI：为大语言模型打造的开源网页数据采集工具

Triton入门教程：安装与编写和运行简单Triton内核

用离散标记重塑人体姿态：VQ-VAE实现关键点组合关系编码

MCP与A2A协议比较：人工智能系统互联与协作的技术基础架构

比扩散策略更高效的生成模型：流匹配的理论基础与Pytorch代码实现

从零实现基于扩散模型的文本到视频生成系统：技术详解与Pytorch代码实现