百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Python数组处理:全面掌握常用方法,让编程更高效!

ztj100 2025-01-16 21:39 20 浏览 0 评论


Python 中数组处理常用的方法通常是通过列表(list)、NumPy数组或其他内置函数来实现的。以下是一些常用的数组处理方法:

1. 数组初始化

创建列表:可以通过中括号[]直接创建数组(列表)。

arr = [1, 2, 3, 4, 5]



使用 NumPy 创建数组:NumPy 是处理数组的强大库。

import numpy as np

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


2. 访问和修改数组元素

访问元素:可以使用索引访问数组的某个元素。

arr = [1, 2, 3, 4, 5]

print(arr[2]) # 输出:3


修改元素:可以直接通过索引修改元素值。

arr[2] = 10


3. 数组的基本操作

追加元素:使用 .append() 方法添加元素。

arr = [1, 2, 3]

arr.append(4)


插入元素:在指定位置插入新元素,使用 .insert()

arr.insert(1, 10) # 在索引1的位置插入10



  • 删除元素

根据索引:使用 .pop()

arr.pop(2) # 删除索引2的元素


根据值:使用 .remove()

arr.remove(10) # 删除值10


4. 数组切片

可以通过切片轻松地获取子数组。

arr = [1, 2, 3, 4, 5]

sub_arr = arr[1:4] # 输出:[2, 3, 4]



5. 数组排序和反转

排序:使用 .sort() 对数组进行升序排序。

arr.sort() # 升序排序



反转排序:在 .sort() 中添加参数 reverse=True


arr.sort(reverse=True) # 降序排序



反转数组:使用 .reverse()

arr.reverse()



6. 数组长度

使用 len() 获取数组的长度。

length = len(arr)



7. 查找数组中的元素

查找元素的索引:使用 .index() 方法。

arr = [1, 2, 3, 4, 5]

index = arr.index(3) # 返回3所在的索引



检查元素是否在数组中:使用 in 关键字。

if 3 in arr:

print("3在数组中")



8. 数组的基本数学运算

如果使用的是 NumPy 数组,可以直接进行数学运算。

import numpy as np

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

arr_sum = arr + 2 # 每个元素加2

arr_mul = arr * 3 # 每个元素乘3

9. 统计计算

求和:使用 sum() 函数。

total = sum(arr)


平均值:使用 sum()len()

average = sum(arr) / len(arr)



使用 NumPy 可以更简便地进行统计计算:

import numpy as np

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

arr_sum = np.sum(arr)

arr_mean = np.mean(arr)

arr_std = np.std(arr) # 标准差



10. 数组合并

拼接列表:使用 + 操作符或 .extend() 方法。

arr1 = [1, 2, 3]

arr2 = [4, 5, 6]

arr_combined = arr1 + arr2 # 使用+操作符

arr1.extend(arr2) # 使用extend()方法



11. 二维数组处理(列表)

创建二维数组

matrix = [

[1, 2, 3],

[4, 5, 6],

[7, 8, 9]

]



访问元素:使用双索引。

print(matrix[1][2]) # 输出:6



12. 数组遍历

for循环:可以使用 for 循环遍历数组中的每个元素。

for item in arr:

print(item)



13. 列表推导式(List Comprehension)

使用列表推导式可以简化数组的生成和操作。
arr = [x * 2 for x in range(1, 6)] # 输出:[2, 4, 6, 8, 10]




相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: