ndarray方法怎么在numpy中使用

本篇文章給大家分享的是有關(guān)ndarray方法怎么在numpy中使用，小編覺得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

NumPy數(shù)組的維數(shù)稱為秩（rank），一維數(shù)組的秩為1，二維數(shù)組的秩為2，以此類推。在NumPy中，每一個線性的數(shù)組稱為是一個軸（axes），秩其實(shí)是描述軸的數(shù)量。比如說，二維數(shù)組相當(dāng)于是一個一維數(shù)組，而這個一維數(shù)組中每個元素又是一個一維數(shù)組。所以這個一維數(shù)組就是NumPy中的軸（axes），而軸的數(shù)量——秩，就是數(shù)組的維數(shù)。

Numpy庫中的矩陣模塊為ndarray對象，有很多屬性：T，data, dtype,flags,flat,imag,real,size,

itemsize,nbytes,ndim,shape,strides,ctypes,base等等。

>>> import numpy as np
>>> x=np.array([[1,2,3],[9,8,7],[6,5,4]])
>>> x.T  #獲得x的轉(zhuǎn)置矩陣
array([[1, 9, 6],
[2, 8, 5],
[3, 7, 4]])
>>> print x.flags #返回數(shù)組內(nèi)部的信息
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
>>> x.flat[2:6]  #將數(shù)組變?yōu)?維數(shù)組，并獲取其中的一部分?jǐn)?shù)據(jù)
array([3, 9, 8, 7])
>>> x.flat = 4; x  #將值賦給1維數(shù)組，再轉(zhuǎn)化成有原有數(shù)組的大小形式
array([[4, 4, 4],
[4, 4, 4],
[4, 4, 4]])
>>> x
array([[4, 4, 4],
[4, 4, 4],
[4, 4, 4]])

ndarray.imag # 為復(fù)變函數(shù)中含有虛部的數(shù)組，如下：

>>> x = np.sqrt([2+3j, 5+0j])  # 創(chuàng)建一個復(fù)數(shù)
>>> x
array([ 1.67414923+0.89597748j, 2.23606798+0.j    ])
>>> x.imag #獲得復(fù)數(shù)的虛部
array([ 0.89597748, 0.    ])
>>> x.real  #獲得復(fù)數(shù)的實(shí)部
array([ 1.67414923, 2.23606798])
>>> x=np.arange(10) #隨機(jī)生成一個數(shù)組，并重新命名一個空間的數(shù)組
>>> x.reshape(2,5)
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> x.size  #獲得數(shù)組中元素的個數(shù)
10
>>> x.ndim #獲得數(shù)組的維數(shù)
>>> x.shape #獲得數(shù)組的（行數(shù)，列數(shù)）
(10,)
>>> y=x.reshape(5,2)
>>> y
array([[0, 1],
[2, 3],
[4, 5],
[6, 7],
[8, 9]])
>>> y.base  #獲得該數(shù)組基于另外一個對象數(shù)組而來，如下，y是根據(jù)x而來
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Ndarray對象的方法

ndarray.ptp(axis=None, out=None) : 返回數(shù)組的最大值—最小值或者某軸的最大值—最小值

ndarray.clip(a_min, a_max, out=None) : 小于最小值的元素賦值為最小值，大于最大值的元素變?yōu)樽畲笾怠?/p>

ndarray.all()：如果所有元素都為真，那么返回真；否則返回假

ndarray.any()：只要有一個元素為真則返回真

ndarray.swapaxes(axis1, axis2) : 交換兩個軸的元素，如下

>>> z.swapaxes(0,1)
array([[2, 4, 6, 8],
[3, 5, 7, 9]])

下面為改變數(shù)組維度和大小的方法：

ndarray.reshape(shape[, order]) :返回重命名數(shù)組大小后的數(shù)組，不改變元素個數(shù).

ndarray.resize(new_shape[, refcheck]) :改變數(shù)組的大?。梢愿淖償?shù)組中元素個數(shù)）.

ndarray.transpose(*axes) :返回矩陣的轉(zhuǎn)置矩陣

ndarray.swapaxes(axis1, axis2) : 交換兩個軸的元素后的矩陣.

ndarray.flatten([order]) : 復(fù)制一個一維的array出來.

ndarray.ravel([order]) :返回為展平后的一維數(shù)組.

ndarray.squeeze([axis]) :移除長度為1的軸。

ndarray.tolist():將數(shù)組轉(zhuǎn)化為列表

ndarray.take(indices, axis=None, out=None, mode='raise'):獲得數(shù)組的指定索引的數(shù)據(jù)，如：

>>> a=np.arange(12).reshape(3,4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.take([1,3],axis=1) #提取1，3列的數(shù)據(jù)
array([[ 1, 3],
[ 5, 7],
[ 9, 11]])

numpy.put(a, ind, v, mode='raise')：用v的值替換數(shù)組a中的ind（索引）的值。Mode可以為raise/wrap/clip。Clip：如果給定的ind超過了數(shù)組的大小，那么替換最后一個元素。

numpy.repeat(a, repeats, axis=None)：重復(fù)數(shù)組的元素，如：
>>> x = np.array([[1,2],[3,4]])
>>> np.repeat(x, 2)
array([1, 1, 2, 2, 3, 3, 4, 4])
>>> np.repeat(x, 3, axis=1)
array([[1, 1, 1, 2, 2, 2],
[3, 3, 3, 4, 4, 4]])
>>> np.repeat(x, [1, 2], axis=0)
array([[1, 2],
[3, 4],
[3, 4]])

numpy.tile(A, reps)：根據(jù)給定的reps重復(fù)數(shù)組A，和repeat不同，repeat是重復(fù)元素，該方法是重復(fù)數(shù)組。

ndarray.var(axis=None, dtype=None, out=None, ddof=0)：返回數(shù)組的方差，沿指定的軸。

ndarray.std(axis=None, dtype=None, out=None, ddof=0)：沿給定的軸返回數(shù)則的標(biāo)準(zhǔn)差

ndarray.prod(axis=None, dtype=None, out=None)：返回指定軸的所有元素乘機(jī)

ndarray.cumprod(axis=None, dtype=None, out=None)：返回指定軸的累積，如下：

>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.cumprod(axis=1) #得到豎軸的累積
array([[  0,  0,  0,  0],
[  4,  20, 120, 840],
[  8,  72, 720, 7920]])

ndarray.mean(axis=None, dtype=None, out=None)：返回指定軸的數(shù)組元素均值

ndarray.cumsum(axis=None, dtype=None, out=None)：返回指定軸的元素累計和。如：

>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.cumsum(axis=1)
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])

ndarray.sum(axis=None, dtype=None, out=None)：返回指定軸所有元素的和

ndarray.trace(offset=0, axis1=0, axis2=1, dtype=None, out=None)：返回沿對角線的數(shù)組元素之和

ndarray.round(decimals=0, out=None)：將數(shù)組中的元素按指定的精度進(jìn)行四舍五入，如下：

>>> np.around([0.37, 1.64])
array([ 0., 2.])
>>> np.around([0.37, 1.64], decimals=1)
array([ 0.4, 1.6])
>>> np.around([.5, 1.5, 2.5, 3.5, 4.5]) # rounds to nearest even value
array([ 0., 2., 2., 4., 4.])
>>> np.around([1,2,3,11], decimals=1) # ndarray of ints is returned
array([ 1, 2, 3, 11])
>>> np.around([1,2,3,11], decimals=-1)
array([ 0, 0, 0, 10])

ndarray.conj()：返回所有復(fù)數(shù)元素的共軛復(fù)數(shù),如：

>>> b=np.array([[1+2j,3+0j],[3+4j,7+5j]])
>>> b
array([[ 1.+2.j, 3.+0.j],
[ 3.+4.j, 7.+5.j]])
>>> b.conj()
array([[ 1.-2.j, 3.-0.j],
[ 3.-4.j, 7.-5.j]])

ndarray.argmin(axis=None, out=None):返回指定軸最小元素的索引。

ndarray.min(axis=None, out=None)：返回指定軸的最小值

ndarray.argmax(axis=None, out=None)：返回指定軸的最大元素索引值

ndarray.diagonal(offset=0, axis1=0, axis2=1)：返回對角線的所有元素。

ndarray.compress(condition, axis=None, out=None)：返回指定軸上條件下的切片。

ndarray.nonzero()：返回非零元素的索引

以上就是ndarray方法怎么在numpy中使用，小編相信有部分知識點(diǎn)可能是我們?nèi)粘９ぷ鲿姷交蛴玫降?。希望你能通過這篇文章學(xué)到更多知識。更多詳情敬請關(guān)注億速云行業(yè)資訊頻道。