NumPy 数组排序、过滤与随机数生成详解

这篇文章介绍了NumPy 数组排序、过滤与随机数生成详解，分享给大家做个参考，收藏Python资料网收获更多编程知识

NumPy 数组排序

排序数组

排序数组意味着将元素按特定顺序排列。顺序可以是数字大小、字母顺序、升序或降序等。

NumPy 的 ndarray 对象提供了一个名为 sort() 的函数，用于对数组进行排序。

示例：

import numpy as np

arr = np.array([3, 2, 0, 1])

print(np.sort(arr))

输出：

[0 1 2 3]

注意：

sort() 方法会返回数组的副本，原始数组不会被修改。
可以对字符串数组、布尔数组等其他数据类型进行排序。

排序二维数组

对于二维数组，sort() 方法会对每一行进行排序。

示例：

import numpy as np

arr = np.array([[3, 2, 4], [5, 0, 1]])

print(np.sort(arr))

输出：

[[0 1 2]
 [3 4 5]]

练习

使用 NumPy 正确的方法对以下数组进行排序：

arr = np.array([3, 2, 0, 1])

x = np.sort(
    # 请在此处填写代码
)

print(x)

解答：

x = np.sort(arr)

NumPy 数组过滤

过滤数组

过滤数组是指从现有数组中选取部分元素，并创建新的数组。

在 NumPy 中，可以使用布尔索引列表来过滤数组。布尔索引列表是一个与数组索引相对应的布尔值列表。

如果索引处的值为 True，则该元素会被包含在过滤后的数组中；如果为 False，则会被排除。

示例：

import numpy as np

arr = np.array([41, 42, 43, 44])

x = [True, False, True, False]

newarr = arr[x]

print(newarr)

输出：

[41 43]

解释：

新数组 newarr 只包含 arr 中索引为 0 和 2 的元素，因为 x 对应索引处的值为 True。

创建过滤数组

通常情况下，我们需要根据条件来创建过滤数组。

示例：

仅返回大于 42 的元素：

import numpy as np

arr = np.array([41, 42, 43, 44])

filter_arr = arr > 42

newarr = arr[filter_arr]

print(filter_arr)
print(newarr)

输出：

[False  True  True  True]
[43 44]

仅返回偶数元素：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7])

filter_arr = arr % 2 == 0

newarr = arr[filter_arr]

print(filter_arr)
print(newarr)

输出：

[False  True  False  True  False  True  False]
[2 4 6]

直接从数组创建过滤

NumPy 提供了一种更简洁的方式来创建过滤数组，即直接在条件中使用数组：

示例：

仅返回大于 42 的元素：

import numpy as np

arr = np.array([41, 42, 43, 44])

newarr = arr[arr > 42]

print(newarr)

输出：

[43 44]

仅返回偶数元素：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7])

newarr = arr[arr % 2 == 0]

print(newarr)

输出：

[2 4 6]

练习

使用 NumPy 的直接过滤方法，从以下数组中过滤出所有平方为偶数的元素：

import numpy as np

arr = np.

NumPy 中的随机数

什么是随机数？

随机数是指无法通过确定性方法预测其值的数据。通常情况下，随机数是指在一定范围内均匀分布的数字。

在计算机中，由于程序的确定性，不可能生成真正的随机数。因此，通常使用伪随机数来代替随机数。伪随机数是通过算法生成的，但看起来像随机数。

NumPy 中的随机数生成

NumPy 提供了 random 模块用于生成随机数。该模块提供了多种方法，可以生成不同类型和分布的随机数。

生成随机整数

randint(low, high, size)：生成指定范围内的随机整数。
low：下限，默认为 0。
high：上限，不包括上限本身。
size：输出数组的形状。

示例：

import numpy as np

# 生成 10 个介于 0 和 100 之间的随机整数
x = np.random.randint(0, 101, size=10)
print(x)

生成随机浮点数

rand(size)：生成介于 0 和 1 之间的随机浮点数。
size：输出数组的形状。

示例：

import numpy as np

# 生成 5 个随机浮点数
x = np.random.rand(5)
print(x)

从数组中生成随机数

choice(a, size, replace)：从数组 a 中随机选择元素。
a：源数组。
size：输出数组的形状。
replace：是否允许重复选择元素，默认为 False。

示例：

import numpy as np

# 从数组 [1, 2, 3, 4, 5] 中随机选择 3 个元素
x = np.random.choice([1, 2, 3, 4, 5], size=3)
print(x)

生成指定分布的随机数

NumPy 还提供了其他方法来生成特定分布的随机数，例如正态分布、均匀分布、指数分布等。

randn(size)：生成服从标准正态分布的随机数。
randm(size)：生成服从均匀分布的随机整数。
beta(a, b, size)：生成服从 Beta 分布的随机数。
gamma(shape, scale, size)：生成服从 Gamma 分布的随机数。
poisson(lam, size)：生成服从泊松分布的随机整数。

例如，生成 10 个服从标准正态分布的随机数：

import numpy as np

x = np.random.randn(10)
print(x)

练习

1. 使用 randint 方法生成一个包含 20 个介于 100 到 200 之间的随机整数的数组。
2. 使用 rand 方法生成一个包含 15 个介于 0 和 1 之间的随机浮点数的数组。
3. 从数组 [1, 3, 5, 7, 9] 中随机选择 10 个元素，并允许重复。
4. 生成 5 个服从标准正态分布的随机数。

解决方案

import numpy as np

# 1. 使用 randint 方法生成随机整数数组
random_ints = np.random.randint(100, 201, size=20)
print(random_ints)

# 2. 使用 rand 方法生成随机浮点数数组
random_floats = np.random.rand(15)
print(random_floats)

# 3. 从数组中随机选择元素
random_elements = np.random.choice([1, 3, 5, 7, 9], size=10, replace=True)
print(random_elements)

# 4. 生成服从标准正态分布的随机数
normal_randoms = np.random.randn(5)
print(normal_randoms)

最后

为了方便其他设备和平台的小伙伴观看往期文章：

微信公众号搜索：Let us Coding，关注后即可获取最新文章推送

看完如果觉得有帮助，欢迎点赞、收藏、关注

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！