Numpy

Numpy(Numerical Python的简称)是高性能科学计算和数据分析的基础包。它是我们课程所介绍的其他高级工具的构建基础。

其部分功能如下：

  1. ndarray, 一个具有复杂广播能力的快速且节省空间的多维数组。
  2. 对于整组数据进行快速的运算，无需编写循环。
  3. 用于读写磁盘数据的工具以及用于操作内容映射文件的工具。
  4. 用于集成由C, C++等语言编写的代码的工具。

Numpy本身并没有提供那么多高级的数据分析功能，理解Numpy数组以及面向数组的计算将有助于我们更加高效的使用pandas之类的工具。

创建数组 ndarray概述

Numpy最重要的一个特点就是其N纬数组对象(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的数据执行一些数学运算。

ndarray是一个通用的同构数据多维容器，其中的所有元素必须是相同类型的。每个数组都有一个shape(表示各维度大小的元组)和一个dtype(表示数组数据类型的对象):

我们将会介绍Numpy数组的基本用法，虽然说大多数数据分析工作不需要深入理解Numpy，但精通面向数组的编程和思维方式是成为Python科学计算牛人的一大关键步骤。

注意: 我们将依照标准的Numpy约定，即总是使用import numpy as np. 当然你也可以为了不写np,而直接在代码中使用from numpy import *, 但是建议你最好还是不要养成这样的坏习惯。

在界面上的命令行操作

  1. esc切换到命令模式,

  2. 输入dd 删除当前单元格

  3. a在当前单元格前面增加一个单元格

  4. b在当前单元格后面增加一个单元格

创建ndarray

创建数组最简单的方法就是使用array函数。它接收一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的Numpy数组。

array函数创建数组

import numpy as np

创建一维数组

ndarray1 = np.array([1, 2, 3, 4, 5])ndarray1

查看数组的类型

ndarray1.dtype

查看数组的shape（看维数和数组的长度,一维的只显示数组的长度）

ndarray1.shape

　　

创建二维数组　

这里要用一个大列表，把里面的数组包起来　

ndarray2 = np.array([[1, 2, 3, 4], [2, 4, 6, 8]]) ndarray2

查看数组的shape　

　

查看数组的类型

ndarray2.dtype

创建一个字符数组

ndarray3 = np.array(list('abcdefg'))
ndarray3

　　

查看数组的类型

ndarray3.dtype

　　

查看数组的shape

ndarray3.shape

　　

zeros和zeros_like创建数组

它的类型是Float

用于创建数组，数组元素默认值是0. 注意:zeros_linke函数只是根据传入的ndarray数组的shape来创建所有元素为0的数组，并不是拷贝源数组中的数据.

ndarray3 = np.zeros(5)
ndarray3

查看类型

ndarray3.dtype

zeros_like　　

ndarray4 = np.zeros((2, 2))ndarray4[0][0] = 100ndarray4

　　

like版本的函数表示按照参数的shape创建数组

ndarray5 = np.zeros_like(ndarray4)
ndarray5

　　

值并不和 ndarray4 的值一样，只是和它的维度和长度有关

ones和ones_like创建数组

用于创建所有元素都为1的数组.ones_like用法同zeros_like用法.

ndarray6 = np.ones([3, 3])

　　

np.ones_like(ndarray6)

　　

empty和empty_like创建数组

用于创建空数组，空数据中的值并不为0,而是未初始化的随机值(垃圾值)

ndarray6 = np.ones([3, 3])
ndarray6

empty_like的用法同上

ndarray7 =np.empty_like(ndarray6)
ndarray7

eys创建对角矩阵数组

该函数用于创建一个N*N的矩阵，对角线为1，其余为0.　　

np.eye(5)

　　

arange创建数组

arange函数是python内置函数range函数的数组版本.

#产生0-9共10个元素
ndarray8 = np.arange(10)
ndarray8


# 产生10 12 14 16 18, 2为step
ndarray9 = np.arange(10, 20, 2)
ndarray9

2.2 数据类型

我们可以通过ndarray的dtype来打印数组中元素的类型. ndarray常见的数据类型如下:

ul 表示无符号正数，没有负数

类型 类型代码 说明
int8、uint8 i1、u1 有符号和无符号的8位(1个字节长度)整型
int16、uint16 i2、u2 有符号和无符号的16位(2个字节长度)整型
int32、uint32 i4、u4 有符号和无符号的32位(4个字节长度)整型
float16 f2 半精度浮点数
float32 f4或f 标准单精度浮点数
float64 f8或d 双精度浮点数
bool ? 布尔类型
object O Python对象类型
unicode_ U 固定长度的unicode类型，跟字符串定义方式一样 
import numpy as npndarray1 = np.array([1, 2, 3, 4])
ndarray2 = np.array(list('abcdefg'))
ndarray3 = np.array([True, False, False, True])
class Person(object):pass
ndarray4 = np.array([Person(), Person(), Person()])

依次查看类型

ndarray1.dtype

使用astype函数转换数组类型

ndarray5 = np.array([1, 2, 3, 4, 5])
# 类型转换完毕返回新的数组
ndarray6 = ndarray5.astype(np.float32)


ndarray6.dtype

　　

ndarray7 = np.array([1.1, 2.2, 3.3, 4.4])
# 如果浮点数转换为整数，则小数部分将会被截断
ndarray8 = ndarray7.astype(np.int32)ndarray8

　　

　

ndarray9 = np.array(['10', '20', '30', '40'])
# 如果某些字符串数组表示的全是数字，也可以用astype将其转换为数值类型
ndarray10 = ndarray9.astype(np.int32)
ndarray10

　　

　

数组运算

快速切换到Markdown的快捷键  Esc +M 

不需要循环即可对数据进行批量运算，叫做矢量化运算. 不同形状的数组之间的算数运算，叫做广播.　　

reshape()函数可以重新设置数组的shape　　

ndarray2= np.arange(9).reshape((3,3))
ndarray2

　　

数组和数字之间的运算(广播的形式挨个遍历)

ndarray3 = np.arange(10)
ndarray3+100

　　

ndarray3 * 10

　　

ndarray2+100

　　

数组还可以进行布尔运算

ndarray1 = np.arange(10)
ndarray1>2

　　

　

1 np.random.randint(0, 10, 5) 随机产生5个0-10的元素

 np.random.randint(0, 10, 5)

　　

2 np.random.randint(0, 10, (3, 4)) 随机产生3行4列的元素

np.random.randint(0, 10, (3, 4))

　　

数组和数组运算

ndarray4 = np.random.randint(0, 10, 5)
ndarray4

　　

ndarray5 = np.random.randint(0, 10, 5)
ndarray5

　　

ndarray4 + ndarray5

　　

ndarray6 = np.random.randint(0, 10, (3, 4))
ndarray6

　　

ndarray7 = np.random.randint(0, 10, (3, 4))
ndarray7

　　

ndarray6+ndarray7


ndarray8 = np.random.randint(0, 10, 4)
ndarray8

　　

　　

ndarray6 + ndarray8

一维数组和多维数组进行想加是每一行，每一行进行广播想加

　　

数组索引和切片

Numpy数组的索引是一个内容丰富的主题，因为选取数据子集或单个元素的方式有很多。一维数组很简单。从表面上看，它们和Python列表的功能差不多。

数组索引和切片基本用法

ndarray1 = np.arange(25).reshape((5, 5))
ndarray1　　

　

获取二维数组的第一个元素（数组）

ndarray1[0]

　　

获取二维数组第一个元素的第二个元素

ndarray1[0][1]

　　

获取二维数组的前三个元素(数组)

ndarray1[:3]

　　

获取二维数组的前三个元素的前两个元素

ndarray1[:3][:2]

　　

获取二维数组的前三个元素，每个元素从2开始切片

ndarray1[:3,2:]

　　

注意:

  1. 当把一个数字值赋值给一个切片时，该值会自动传播到整个选区。跟列表的区别在于，数组切片是原始数组的视图，这意味着数据不会被赋值，视图上的任何修改都会直接反应到源数组上.
  2. 大家可能对此感到不解，由于Numpy被设计的目的是处理大数据，如果Numpy将数据复制来复制去的话会产生何等的性能和内存问题.
  3. 如果要得到一个切片副本的话，必须显式进行复制操作.

数组花式索引

ndarray2 = np.empty((8,8))for val in range(8):ndarray2[val]= np.arange(val,val+8)ndarray2

　　

获取指定下标元素的集合

ndarray2[[1,3,5]]

　　

获取筛选后的1,2元素

ndarray2[[1,3,5]][[1,2]]

获取筛选后每个元素的第0个元素

ndarray2[[1,3,5],0]

　　

获取筛选后每个元素，从下标0开始切片到2

ndarray2[[1,3,5],:2]

　　

获取每个元素的指定的元素　　

ndarray2[[1,3,5],[0,1,2]]

　　

布尔型索引

# 获取一个随机3行4列的数组
country_data = np.random.randint(1000,10000,(4,3))
country_data

　　

添加行索引

country_index = np.array(['中国','美国','德国','法国'])
country_index

　　

country_index == '美国'

　　

# 也就是一个数组里面又嵌套了一个数组
country_data[country_index == '美国']

　　

添加列索引

country_col=np.array(['经济','军事','人口'])


# 先计算军事这个元素在数组中第几个位置
np.argwhere(country_col == '军事')

取出这个位置

np.argwhere(country_col == '军事')[0][0]

获取法国的人口

country_data[country_index == '法国'][0][np.argwhere(country_col == '人口')[0][0]]

　　

　　

查看元素在数组中的第几个位置　　

np.argwhere（条件）


np.argwhere(country_data == 8377)

　　

布尔类型数组跟切片、整数混合使用
names = np.array(['aaa', 'bbb', 'ccc', 'ddd', 'eee', 'fff', 'ggg'])
data = np.arange(35).reshape((7, 5))data

　　

ret1 = data[names == 'ccc']
ret1

　　

布尔类型数组和整数混合使用

ret2= data[names == 'ccc', 2]
ret2

　　

布尔类型数组和切片混合使用

ret3= data[names == 'ccc', 1:]
ret3

　　

使用不等于!=，使用(~)对条件否定
ret1 = data[names != 'ccc']
ret1

　　

ret2 = data[~(names == 'ccc')]
ret2

　　

ret3 = data[~(names > 'ccc')]
ret3

　　

使用&(和)、|(或)组合多个布尔条件
ret1 = data[(names == 'aaa') | (names == 'ccc')]
ret1

　　

ret2 = data[(names > 'ddd') | (names == 'aaa')]
ret2

　　

ret3 = data[(names < 'eee') & (names > 'bbb') ]
ret3

　　

使用布尔类型数组设置值是一种经常用到的手段
ndarray1 = np.arange(5)
ndarray2 = np.arange(16).reshape((4, 4))
names = np.array(['aaa', 'bbb', 'ccc', 'ddd'])

将数组ndarray1中所有大于2的元素设置成666　　

ndarray1[ndarray1 > 2] = 666
ndarray1

　　

将ndarray2的aaa这一行所有的元素设置为0

ndarray2[names == 'aaa'] = 0
ndarray2

　　

将ndarray2的bbb这一行2位置往后所有的元素设置为1

ndarray2[names == 'bbb', 2:] = 1
ndarray2

　　

将ndarray2的ccc ddd这2行所有的元素设置为2

ndarray2[(names == 'ccc') | (names == 'ddd')] = 2
ndarray2

　　

zip 函数的使用

zip([列表1],[列表2])用法，拿列表中1的值，在拿列表2中的值，进行一一对应

for a,b in zip([ True,  True, False,  True,  True,  True,  True],data):print(a,b)

　　

# 只取为真的值
for a,b in zip([ True,  True, False,  True,  True,  True,  True],data):if a:print(a,b)

　　

np.where用法

np.where()函数的使用-----------> np.where(条件，满足条件是什么值，不满足条件是什么值)

ndarray1 = np.random.randint(-10, 10, (5, 5))
ndarray1

　　

把数组中小于0的值改为100
np.where(ndarray1<0,100,ndarray1)

　　

将数组中大于-3小于3的值改为100
np.where(ndarray1>-3,np.where(ndarray1<3,100,ndarray1),ndarray1)

　　

转载于:https://www.cnblogs.com/crazymagic/p/8094307.html

2 数据分析之Numpy模块（1）相关推荐

  1. arcgis的numpy模块_数据分析之numpy模块

    Numpy Numpy是Numerical Python的简写,主要可以用来做Python数值计算.它提供了多种数据结构.算法以及大部分涉及Python数值计算所需的接口. 快速.高效的多维数组对象n ...

  2. python 数据分析模块_Python数据分析之Numpy模块

    import Numpy as np ar=np.array([[1,3,5,7,9],[2,4,6,8,10]]) # Numpy.array中必须是数组 print(ar,type(ar)) # ...

  3. 数据分析：Numpy模块（一）

    Numpy数值计算基础 一.创建数组对象 1.数组属性: 属性 说明 ndim 返回int,表示数组的维度,即数组的秩 shape 返回 tuple.表示数组的尺寸,对于 n 行 m 列的矩阵,形状为 ...

  4. 数据分析：numpy模块（二）

    Numpy创建矩阵 矩阵的创建 1.使用 mat 函数创建矩阵: matr1 = np.mat("1 2 3; 4 5 6; 7 8 9") 2.使用 matrix 函数创建矩阵: ...

  5. python数据分析numpy_Python数据分析之numpy学习

    Python模块中的numpy,这是一个处理数组的强大模块,而该模块也是其他数据分析模块(如pandas和scipy)的核心. 接下面将从这5个方面来介绍numpy模块的内容: 1)数组的创建 2)有 ...

  6. python np fft_Python的武器库05：numpy模块(下)

    说到编程语言python,有一个著名的格言"余生太短,只用python".如果要分析为什么会存在这么一句格言?python的语法并不简单,有复杂难懂的部分,之所以又这样一句格言,是 ...

  7. [Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)

    欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...

  8. python数据分析numpy_(转)Python数据分析之numpy学习

    Python模块中的numpy,这是一个处理数组的强大模块,而该模块也是其他数据分析模块(如pandas和scipy)的核心. 接下面将从这5个方面来介绍numpy模块的内容: 1)数组的创建 2)有 ...

  9. python nan判断_Python数据分析：Numpy基本操作

    NumPy:数组计算 NumPy是高性能科学计算和数据分析的基础包.它是Pandas等其他各种工具的基础 NumPy的主要功能: ndarray,一个多维数据结构,高校且节省空间 无需循环即可对整组数 ...

最新文章

  1. Linux设置开机启动
  2. linux怎么配置mysql数据库服务器_linux下指定mysql数据库服务器主从同步的配置实例...
  3. bert模型中的[CLS]、[UNK]、[SEP]
  4. 10.27 noip模拟试题
  5. 封装的ADO.NET对数据库操作经典类
  6. C语言如何设计随机数
  7. Python解释器【转载】
  8. 小米wifi 苹果驱动安装教程macOS Mojave 10.14，Sierra 10.12测试通过
  9. Android四大组件(activity task stack)
  10. C++银行管理系统源代码
  11. 共享打印机提示服务器没有运行,winXP共享打印机提示“工作站服务没有启动”|没有启动服务器Workstation服务...
  12. 机器人抓取中物体3D定位算法介绍
  13. 常见For 循环优化方式总结——提高效率小妙招
  14. jQuery小游戏之锅打灰太郎
  15. [JMeter]java.net.URISyntaxException: Malformed escape pair at index 83
  16. linux双系统启动引导,linux windows 双系统并存与启动引导
  17. 【Luat-air105】8.2 fatfs及照片存储
  18. 报错 expect ‘:‘ at 0, actual = com.alibaba.fastjson.JSONException: expect ‘:‘ at 0, actual =
  19. 365天挑战LeetCode1000题——Day 117 数位DP II
  20. 为什么你的抖音号涨粉慢，粉丝上不去的关键原因

热门文章

  1. 电路中 电容的作用【大全】！
  2. 可视化实例（三）Tableau基础绘图介绍——横向条形图、双轴折线图、直方图
  3. xp计算机管理员账户无法更改,XP系统administrator账户无法显示怎么办
  4. vc克罗斯方块c语言代码,克罗斯两射一传，德国4:0白俄罗斯晋级欧洲杯正赛
  5. 数据挖掘冰山立方体的构建：BUC算法的实现
  6. JAMA发表备受期待的22nd Century SPECTRUM(R)极低尼古丁含量香烟III期研究结果
  7. 列出两个日期间的所有日期(使用oracle的rownum实现在sql中使用循环)
  8. python历史波动率_历史波动率计算问题？
  9. 为什么你吃了六味地黄丸耳鸣没有好？
  10. 深度学习之昆虫种类识别