python数组操作

某厂面试归来，发现自己落伍了！>>> Python开源的科学计算基础库 1.表示N维数组对象ndarray 2.线性代数、傅里叶变换、随机数生成 3.广播函数，整合c++、c 一.数据的维度 1.数据 2.数据维度 3.一维数据 （1）特点 （2）Python中的表达方式 列表、集合类型 （3）列表和数组的区别 数据类型要求不一样 4.二维数据 （1）概念，多个一位数据组成，一个以为数据的组合。 （2）列表 5.多维数据 （1） （2）列表 6.高维数据 （1）仅利用最基本的二元关系展示数据间的复杂关系 （2）字典类型或者数据表示格式 二.numpy库中的N维数组对象ndarray 1.使用numpy数组原因： （1）节省空间 （2）numpy的底层实现靠c语言实现的，提高运行速度。 代码示例： 2.N维数组对象-ndarray （1）组成 实际的数据 描述这些数据的元数据（数据维度、数据类型等） 轴、秩 方法 功能 .ndim 轴 .shape 秩 .size 元素个数 .dtype 数据类型 .itemsize 元素所占的字节 import numpy as np a=np.array([[0,1,2,3,4],[9,8,7,6,5]])# -*- coding: utf-8 -*- print(a.ndim) print(a.shape) print(a.size)

numpy数据类型 # numpy创建对象，numpy创建的对象是n阶矩阵，类似python中列表的嵌套 nd = np.array([[1,2,3,4,5],[2,3,4,6,5]]) nd 结果： array([[1, 2, 3, 4, 5], [2, 3, 4, 6, 5]]) ndarray的切片操作 格式：nd[start:end:step] nd1 =[1,2,3,4,5,6,7,8,9,90] #每隔三个取一个 nd1[::3] #结果：[1, 4, 7, 90] 对三维数组进行切片 import matplotlib.pyplot as plt data = Image.open("./timg.jpg") plt.imshow(data) data = np.array(data) #第一维是行，第二维是列，第三维是像素 #颠倒第二维的顺序 data1 = data[::,::-1,:] plt.imshow(data1) 如： #查看数组的格式：shape data1.shape 结果：(140, 121, 3) 对于数组中的值可以进行赋值 nd1 =[1,2,3,4,5,6,7,8,9,90] nd1[3] = 10000 nd1 输出结果： [1, 2, 3, 10000, 5, 6, 7, 8, 9, 90] 注意

注：本文是我在阅读 An introduction to Numpy and Scipy 时，一边实践一边记下的笔记。个人觉得这篇介绍 NumPy 的英文文档写的很好，因此如果可以，请停止阅读本文，转去参考此英文文档。 目录 Arrays 其他创建数组的方法 数组的数学运算 数组的迭代 基本的数组操作 比较操作 数组元素选择和操作 向量和矩阵的数学运算 随机数 Numpy 是在 Python 中进行科学计算所依赖的核心库，它提供高性能的多维数组对象，已经大量便于计算的方法。 可以在 Installing packages 找到安装方法，而后在 Python 中采用如下方式引入它： import numpy as np Arrays NumPy 中的核心对象是多维数组 np.ndarray ，它有一个别名 np.array ，这个数组和 Python 中的 array.array 不同，Python 中的 array 只支持一维，而 np.array 支持多维，且提供了更多的方法。 np.array 中只能存放同种类型的数据，如下，使用 np.array 创建数组，第二个参数需指明数组中元素的类型，否则 np.array 会自动推测数据类型： >>> a = np.array([1, 4, 5, 8], float) >>> a array([ 1., 4., 5., 8.]) >>

目录 python NumPy库学习笔记一 引言 NumPy Ndarray 对象 NumPy 数据类型 NumPy 数组属性 NumPy 创建数组 numpy.empty numpy.zeros numpy.ones NumPy 从已有的数组创建数组 numpy.asarray numpy.frombuffer numpy.fromiter NumPy 从数值范围创建数组 numpy.arange numpy.linspace numpy.logspace python NumPy库学习笔记一 引言 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy 为开放源代码并且由许多协作者共同维护开发。 NumPy ，SciPy， Matplotlib 是python中用于替代matlab 的三剑客。 NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。 SciPy 是一个开源的 Python 算法库和数学工具包。 SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换

26. 删除排序数组中的重复项 给定一个排序数组，你需要在原地删除重复出现的元素，使得每个元素只出现一次，返回移除后数组的新长度。 不要使用额外的数组空间，你必须在原地修改输入数组并在使用 O(1) 额外空间的条件下完成。 示例 1: 给定数组 nums = [1,1,2], 函数应该返回新的长度 2, 并且原数组 nums 的前两个元素被修改为 1, 2。 你不需要考虑数组中超出新长度后面的元素。 示例 2: 给定 nums = [0,0,1,1,1,2,2,3,3,4], 函数应该返回新的长度 5, 并且原数组 nums 的前五个元素被修改为 0, 1, 2, 3, 4。 你不需要考虑数组中超出新长度后面的元素。 说明: 为什么返回数值是整数，但输出的答案是数组呢? 请注意，输入数组是以“引用”方式传递的，这意味着在函数里修改输入数组对于调用者是可见的。 你可以想象内部操作如下: // nums 是以“引用”方式传递的。也就是说，不对实参做任何拷贝 int len = removeDuplicates ( nums ) ; // 在函数里修改输入数组对于调用者是可见的。 // 根据你的函数返回的长度 , 它会打印出数组中该长度范围内的所有元素。 for ( int i = 0 ; i < len ; i + + ) { print ( nums [ i ] ) ; } 解题：

1. 简介 Java中的集合类既可以当做放其他数据的容器，又可以当做常见的数据结构使用。Java中提供了很多好用的工具类来操作这些集合类。本篇博客就来介绍下常用的集合工具类。集合常用的工具类大体可以分为3类： JDK本身提供的工具类； Guava提供的工具类； Apache common-Collection提供的工具类 2. JDK提供的工具类 主要由下面三个： Arrays Collections Objects Arrays 是操作数组对象的工具类， Collections 是操作集合对象的工具类。 Objects 是操作引用数据类型对象的工具类。 Arrays的常用方法： 普通 排序 ： Arrays.sort(int[] a) Arrays.sort(int[] a, int fromIndex, int toIndex) 其他非boolean基础数据类型的数组对象以及实现Comparable接口的类的数组对象均有此方法。 并行排序 ：JDK1.8新增。 Arrays.parallelSort(int[] a) Arrays.parallelSort(int[] a, int fromIndex, int toIndex) 其他非boolean基础数据类型的数组对象以及实现Comparable接口的类的数组对象均有此方法。 并行计算 ：JDK1.8新增，支持函数式编程

Numpy的使用： 一、创建ndarray数组 二、指定ndarray数组元素的类型 三、ndarray运算： 四、ndarray数组的基本索引和切片： 五、ndarray数组的布尔索引和花式索引 六、ndarray数组的转置和轴对换 七、ndarray通用函数 7.1一元ufunc： 7.2二元ufunc： 7.3NumPy的where函数使用: 八、ndarray常用的统计方法 九、ndarray数组的去重以及集合运算 十、numpy中的线性代数 十一、numpy中的随机数生成 十二、ndarray数组重塑 十三、ndarray数组的拆分与合并 十四、数组的元素重复操作 参考文档： 一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算 import numpy as np 一、创建ndarray数组 NumPy最重要的一个特点就是其 N维数组对象 （即ndarray），该对象是一个快速而灵活的 大数据集容器 。你可以 利用这种数组 对 整块数据 执行一些数学运算，其语法跟标量元素之间的运算一样。 创建ndarray数组函数： 创建代码： import numpy as np ; print ( '使用列表生成一维数组' ) data = [ 1 , 2 , 3 , 4 , 5 , 6 ] x =

算法面试其他篇 目录： 1.1 简单数组题 　　1、去除列表中相加等于指定数后的列表(x+y=4) 　　　　　　[1,3,5,7,1,2] ==> [5,7,1,2] [1,3,3,5,7,1,2] ==> [3,5,7,1,2] #! /usr/bin/env python # -*- coding: utf-8 -*- def func(l, tag=4): for i in range(len(l)): a = l[i] if a != None: b = tag - a try: index = l.index(b) if index != i: # 避免 2 + 2 = 4只有一个2也没重置为None l[i] = None l[index] = None else: if l.count(b) > 2: # 如果有两个就都重置为 None l[i] = None l[l.index(b)] = None except Exception as e: pass print l # [None, None, 5, 7, 1, 2] while None in l: l.remove(None) return l # [5, 7, 1, 2] l = [1,3,5,7,1,2] print func(l, 4) ''' [1,3,5,7,1,2] [None, None, 5

Python中没有提供数组功能，虽然列表可以完成基本的数组功能，但并不是真正的数组，而且在数据量较大时，使用列表的速度回非常慢。因此，Numpy提供了真正的数组功能，以及对数据进行快速处理的函数。Numpy内置函数处理数据的速度是C语言级别的，因此，尽量使用其内置函数。 Numpy安装 Numpy安装和普通的第三方库安装一样，最常用的就是利用 pip 安装： pip install numpy 如果你想做数据分析的话，还是建议安装 anaconda（Windows、macOS、Linux均可使用） ，它是一个集成环境，包含了conda、Python在内的超过180个科学包及其依赖项，几乎所有你用到的库都已经帮你安装好了，同时如果需要其他的第三方库要安装，可以使用其中的 conda 便捷的安装相应库以及依赖。 Numpy基本操作 基本属性 numpy包含很多自己的属性和方法，下面通过一个栗子说明一下几个它自身的重要属性。 创建数组 import numpy as np data = np.array([[1, 2, 3], [4, 5, 6]]) # 创建二维数组 上面是最基本的创建数组方法，但是对于实际应用中，它内置的一些函数更为实用。例如： 下面举例展示一下其中部分用法： 基本操作 Numpy的一个显著特点就是它的矢量化，使得对其操作是面向整个数组而不是各个元素

欢迎大家查看此项目： Dive-into-NumPy NumPy中文网 项目介绍 本项目名为：动手学NumPy。包含以下内容 NumPy简介 NumPy数组与pthon原生数组的区别 NumPy快速入门 NumPy进阶 numpy-100 参考文献 NumPy简介 NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。除其他外，它包括： 功能强大的N维数组对象。 精密广播功能函数。 集成 C/C+和Fortran 代码的工具。 强大的线性代数、傅立叶变换和随机数功能。 NumPy数组与pthon原生数组的区别 NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原来的数组。 NumPy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。 例外情况：Python的原生数组里包含了NumPy的对象的时候，这种情况下就允许不同大小元素的数组。 NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。