Numpy

python 数据分析 Numpy

发布时间 : 2019-07-22 20:23

字数:1.6k 阅读 :

评论:

Numpy

Numpy

Numpy

Numpy简介

Numpy是开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy支持常见的数组和矩阵操作。对于同样的数值的计算任务，使用Numpy比直接使用Python要简洁的多。

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

ndarray的优势
- 内存块风格：ndarray在存储数据时是连续存储的，不像python的list先得寻址再找数据
- ndarray支持并行化运算：Numpy底层使用C语言编写，内部杰出了GIL锁，器对数组得操作速度不受python解释器的限制。

N维数组-ndarray

生成ndarray方法

# 按照输入的列表生成一个数组
np1 = np.array([[1,2,3],[4,5,6]])
# 生成全为0的3行4列的数组
np1 = np.zeros([3,4])
# 生成全为1的3行4列的数组
np1 = np.ones([3,4])
# 依照现有数组的形状生成一个新的全为0的数组
np2 = np.ones_like(np1)
# 依照现有数组的形状生成一个新的全为1的数组
np3 = np.zeros_like(np2)
# 生成一个固定范围内的等间隔数组值0开始，5结束，6个元素，包含结束值（默认为true包含）
np3 = np.linspace(0，5，6，true)  # array([0.,1.,2.,3.,4.,5.])
# 生成一个固定步长的等间隔数组值0开始，5结束，步长为1
np3 = np.arange(0，5，1)  # array([0,1,2,3,4])
# 生成一个均匀分布的[0,1)3行4列的数组
np3 = np.random.rand(3,4)
# 生成一个[0,1)之间均匀分布的大小为10小数数组
np3 = np.random.uniform(low=0.0,high=1.0,size=10)
# 生成一个[0,10)之间均匀分布大小为10的整数数组
np3 = np.random.ranint(10,size=10)
# 生成一个[1,10)之间均匀分布大小为10的整数数组
np3 = np.random.ranint(1,high=10,size=10)
# 生成一个标准正太分布的3行4列的数组
np4 = np.random.randn(3,4)

ndarray的属性

import numpy as np
# 创建数组
np1 = np.array([[1,2,3],[4,5,6]])
# 获取数组形状（2，3）
np1.shape
# 获取数组的类型 numpy.int64,也可以创建的时候定义np.array([[1,2,3],[4,5,6]],dtype=np.float32)
np1.dtype
# 获取数组的维度 2
np1.ndim
# 获取数组中元素数量 6
np1.size

名称	描述	简写
np.bool	用一个字节存储的布尔类型（True或False）	‘b’
np.int8	一个字节大小，-128 至 127	‘i’
np.int16	整数，-32768 至 32767	‘i2’
np.int32	整数，-2 31 至 2 32 -1	‘i4’
np.int64	整数，-2 63 至 2 63 - 1	‘i8’
np.uint8	无符号整数，0 至 255	‘u’
np.uint16	无符号整数，0 至 65535	‘u2’
np.uint32	无符号整数，0 至 2 ** 32 - 1	‘u4’
np.uint64	无符号整数，0 至 2 ** 64 - 1	‘u8’
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	‘f2’
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	‘f4’
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	‘f8’
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	‘c8’
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	‘c16’
np.object_	python对象	‘O’
np.string_	字符串	‘S’
np.unicode_	unicode类型	‘U’

基本操作

索引切片
- 索引：直接由外到内依次进行索引（用”,”隔开）[num,num,…]
- 切片：和python一样也是由外到内进行切片[num:num,num:num,…]
- 花式索引：array[[num1,num2,…]],返回一个array第num1个元素，第num2个…..，组成的array
  
  array[[num1,num2,…], [num3,num4,…]] 返回一个array第num1行的第num3的元素，第num2行的第num4个元素
形状改变
- ndarray.reshape(shape, order):返回一个具有相同数据域，但是shape不一样的array（装换前元素个数个转换后的个数必须一样）
1
2
3
np1 = np.array([[1,2,3],[4,5,6]])
np2 = np1.reshape([3,2]) # array([[1,2],[3,4],[5,6]])
np2 = np1.reshape([-1,2]) # -1 表示待计算，只有np1元素总个数能够整除2就行
- ndarray.resize(shape):在array原本的基础上进行修改，不返回新的元素
1
2
np1 = np.array([[1,2,3],[4,5,6]])
np1.resize([3,2])
- ndarray.transpose():对数组进行转置,返回新的数组(可以指定轴进行转换)
- ndarray.T:对数组进行转置,返回新的数组
1
np1.T
类型改变
- ndarray.astype(type):返回新的改变类型后的数组
1
np2 = np1.astype(np.float)
- ndarray.tostring()或ndarray.tobytes()：把数组转换成base64的字符串
数组取重
- np.unique(array):把数组拉平然后返回一个拉平后的去重数组
1
2
np1 = np.array([[1,2,3,4],[3,4,5,6]])
np2 = np.unique(np1) # array([1,2,3,4,5,6])
ndarray运算

逻辑运算

np1 = np.array([[1,2,3,4],[3,4,5,6]])
np1>3 # 返回一个相同形状的True和Flase的矩阵，大于3的为True，否则为Flase

np1[np1>3]=0 # 把是所有大于3的数据赋值为0

通用判断
- np.all(array):判断array是否全为True
- np.any(array):判断array中是否有True

三元逻辑运算

np.where(array>num, 1, 0):把array中元素大于num的设置成1，否则设置成0.
复合逻辑

1
2

np.logical_and(array>num1, array<num2) #同and，返回一个与array形状相同的True/Flase矩阵，满足条件的为True
np.logical_or(array>num1, array<num2) #同or，返回一个与array形状相同的True/Flase矩阵，满足条件的为True

统计运算
- np.min(array,axis):返回沿axis轴最小值
- np.max(array,axis):返回沿axis轴最大值
- np.median(array,axis):返回沿axis轴中值
- np.mean(array,axis):返回沿axis轴平均值
- np.std(array,axis):返回沿axis轴标准差
- np.var(array,axis):返回沿axis轴方差
- np.argmax(array,axis):返回沿axis轴最大值的下标
- np.argmin(array,axis):返回沿axis轴最小值的下标

ndarray间的运算

数组与数之间的运算，分别对每个元素进行运算
数组与数组间的运算
- 加、减：shape得一样或者对低维数组使用广播机制进行拓展之后可以使它们的shape一样
- 乘：前面的数组的行与后门数组的列必须使一致的，才能进行计算(M,N)*(N,L)=(M,L)
  1
  2
  3
  np.matmul(array,array)
  np.dot(array,array)
  # 区别在于matmul禁止使用矩阵与标量相乘

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 zoubinbf@163.com

Numpy

Numpy

Numpy简介

N维数组-ndarray

基本操作

ndarray运算

ndarray间的运算