系统性总结了 Numpy 所有关键知识点

Posted 2022-09-30 我爱Python数据挖掘

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了系统性总结了 Numpy 所有关键知识点相关的知识，希望对你有一定的参考价值。

1. 创建数组的几种方式

本文技术工具来自技术群小伙伴的分享，想加入按照如下方式

目前开通了技术交流群，群友已超过3000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友
方式①、添加微信号：dkl88191，备注：来自CSDN+技术交流
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群+CSDN

1.0. 引入Numpy库

#引入numpy库
import numpy as np

1.1. 使用np.array创建数组

# 1. 使用np.array创建数组
a = np.array([1,2,3,4])
#打印数组
print(a)
#查看类型
print(type(a))

1.2. 使用np.arange创建数组

#2. 使用np.arange创建数组
#创建0-10步数为2的数组 结果为[0,2,4,6,8]
b = np.arange(0,10,2)

1.3. np.random.random创建数组

#3. np.random.random创建一个N行N列的数组
# 其中里面的值是0-1之间的随机数
# 创建2行2列的数组
c = np.random.random((2,2))

1.4. np.random.randint创建数组

#4. np.random.randint创建一个N行N列的数组
# 其中值的范围可以通过前面2个参数来指定
# 创建值的范围为[0,9)的4行4列数组
d = np.random.randint(0,9,size=(4,4))

1.5. 特殊函数

#5. 特殊函数
#5.1 zeros
## N行N列的全零数组
### 例如：3行3列全零数组
array_zeros = np.zeros((3,3))
#5.2 ones
## N行N列的全一数组
### 例如：4行4列全一数组
array_ones = np.ones((4,4))
#5.3 full
## 全部为指定值的N行N列数组
### 例如：值为0的2行3列数组
array_full = np.full((2,3),9)
#5.4 eye
## 生成一个在斜方形上元素为1，其他元素都为0的N行N列矩阵
### 例如：4行4列矩阵
array_eye = np.eye(4)

1.6. 注意

 数组中的数据类型必须一致，要么全部为整型，要么全部为浮点类型，要么全部为字符串类型
 不能同时出现多种数据类型

2. 数组数据类型

2.1 数据类型

数据类型	描述	唯一标识符
bool	用一个字节存储的布尔类型（True或False）	b
int8	一个字节大小，-128 至 127	i1
int16	整数，16 位整数(-32768 ~ 32767)	i2
int32	整数，32 位整数(-2147483648 ~ 2147483647)	i4
int64	整数，64 位整数(-9223372036854775808 ~ 9223372036854775807)	i8
uint8	无符号整数，0 至 255	u1
uint16	无符号整数，0 至 65535	u2
uint32	无符号整数，0 至 2 ** 32 - 1	u4
uint64	无符号整数，0 至 2 ** 64 - 1	u8
float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	f2
float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	f4
float64	单精度浮点数：64位，正负号1位，指数11位，精度52位	f8
complex64	复数，分别用两个32位浮点数表示实部和虚部	c8
complex128	复数，分别用两个64位浮点数表示实部和虚部	c16
object_	python对象	O
string_	字符串	S
unicode_	unicode类型	U

2.2 创建数组指定数据类型

import numpy as np
a = np.array([1,2,3,4,5],dtype='i1')
a = np.array([1,2,3,4,5],dtype=int32)

2.3 查询数据类型

class Person:
    def __init__(self,name,age):
        self.name = name
        self.age = age
d = np.array([Person('test1',18),Person('test2',20)])
print(d)
print(d.dtype)

2.4 修改数据类型

f = a.astype('f2')

2.5 总结

（1） Numpy是基于C语言编写，引用了C语言的数据类型，所以Numpy的数组中数据类型多样
（2） 不同的数据类型有利于处理海量数据，针对不同数据赋予不同数据类型，从而节省内存空间

3. 多维数组

3.1 数组维度查询

import numpy as np
# 数组维度
## 维度为1
a1 = np.array([1,2,3])
print(a1.ndim)
## 维度为2
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.ndim)
## 维度为3
a3 = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [7,8,9],
        [10,11,12]
    ]
])
print(a3.ndim)

3.2 数组形状查询

a1 = np.array([1,2,3])
# 结果为(3,)
print(a1.shape)
a2 = np.array([[1,2,3],[4,5,6]])
# 结果为(2,3)
print(a2.shape)
a3 = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [7,8,9],
        [10,11,12]
    ]
])
# 结果为(2,2,3)
print(a3.shape)

3.3 修改数组形状

a1 = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [7,8,9],
        [10,11,12]
    ]
])
a2 = a1.reshape((2,6))
print(a2)
#结果为(2, 6)
print(a2.shape)
# 扁平化 （多维数组转化为一维数组）
a3 = a2.flatten()
print(a3)
print(a3.ndim)

3.4 数组元素个数与所占内存

a1 = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [7,8,9],
        [10,11,12]
    ]
])
#数组的元素个数
count = a1.size
print(count)
#各元素所占内存
print(a1.itemsize)
#各元素数据类型
print(a1.dtype)
#数组所占内存
print(a1.itemsize * a1.size)

3.5 总结

（1）一般情况下，数组维度最大到三维，一般会把三维以上的数组转化为二维数组来计算
（2）ndarray.ndmin查询数组的维度
（3）ndarray.shape可以看到数组的形状（几行几列），shape是一个元组，里面有几个元素代表是几维数组
（4）ndarray.reshape可以修改数组的形状。条件只有一个，就是修改后的形状的元素个数必须和原来的个数一致。比如原来是（2,6），那么修改完成后可以变成（3,4），但是不能变成（1,4）。reshape不会修改原来数组的形状，只会将修改后的结果返回。
（5）ndarray.size查询数组元素个数
（6）ndarray.itemsize可以看到数组中每个元素所占内存的大小，单位是字节。（1个字节=8位）

4. 数组索引和切片

4.1 一维数组

import numpy as np
# 1. 一维数组的索引和切片
a1 = np.arange(10)
## 结果为：[0 1 2 3 4 5 6 7 8 9]
print(a1)
# 1.1 进行索引操作
## 结果为：4
print(a1[4])
# 1.2 进行切片操作
## 结果为：[4 5]
print(a1[4:6])
# 1.3 使用步长
## 结果为：[0 2 4 6 8]
print(a1[::2])
# 1.4 使用负数作为索引
## 结果为：9
print(a1[-1])

4.2 二维数组

# 2. 多维数组
# 通过中括号来索引和切片，在中括号中使用逗号进行分割
#逗号前面的是行，逗号后面的是列，如果多维数组中只有一个值，那么这个值就是行
a2 = np.random.randint(0,10,size=(4,6))
print(a2)
#获取第0行数据
print(a2[0])
#获取第1,2行数据
print(a2[1:3])
#获取多行数据 例0,2,3行数据
print(a2[[0,2,3]])
#获取第二行第一列数据
print(a2[2,1])
#获取多个数据 例:第一行第四列、第二行第五列数据
print(a2[[1,2],[4,5]])
#获取多个数据 例:第一、二行的第四、五列的数据
print(a2[1:3,4:6])
#获取某一列数据 例:第一列的全部数据
print(a2[:,1])
#获取多列数据 例:第一、三列的全部数据
print(a2[:,[1,3]])

4.3 总结

1. 如果数组是一维的，那么索引和切片就是和python的列表是一样的
2. 如果是多维的（这里以二维为例），那么在中括号中，给两个值，两个值是通过逗号分隔的，逗号前面的是行，逗号后面的是列。如果中括号中只有一个值，那么就是代表行。
3. 如果是多维数组（以二维为例），那么行的部分和列的部分，都是遵循一维数组的方式，可以使用整型、切片，还可以使用中括号的形式代表连续的。比如a[[1,2],[3,4]]，那么返回的就是第一行第三列、第二行第四列的两个值。

5. 布尔索引

#生成1-24的4行6列的二维数组
a2 = np.arange(24).reshape((4,6))
#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a2[a2<10]
#array([ 0,  1,  2,  3,  4, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22,23])
a2[(a2<5) | (a2>10)]

5.1总结

（1） 布尔索引是通过相同数据上的True还是False来进行提取的。
（2） 提取条件可以为一个或多个，当提取条件为多个时使用&代表且，使用|代表或
（3） 当提取条件为多个时，每个条件要使用圆括号括起来

6. 数组元素值的替换

6.1 方式一：索引

#利用索引可以做值的替换，把满足条件的位置的值替换成其他值
#创建数组元素值为[0,10)随机数的3行5列数组
a3 = np.random.randint(0,10,size=(3,5))
print(a3)
#将a3数组第一行数据全部更换为0
a3[1] = 0
print(a3)
#将a3数组第一行数据更换为[1,2,3,4,5] -- 数据个数要对应
a3[1] = np.array([1,2,3,4,5])
print(a3)

6.2 方式二：条件索引

#数组中值小于3的元素全部替换为1
a3[a3 < 3] = 1
print(a3)

6.3 方式三：函数

#将a3数组中小于5的值替换为0，剩余值替换为1
result = np.where(a3<5,0,1)
result

6.4 总结

（1）使用索引或者切片来替换值
（2）使用条件索引来替换值
（3）使用where函数来实现替换值

7. 数组的广播机制

7.0. 数组的广播原则

如果两个数组的后缘维度（即从末尾开始算起的维度）的轴长度相符或其中一方的长度为1，则认为他们是广播兼容的。广播会在全是和（或）长度为1的维度上进行。
案例分析：

shape为(3,8,2)的数组能和(8,3)的数组进行运算吗？分析：不能，因为安装广播原则，从后面网前面数，(3,8,2)和(8,3)中的2和3不相等，所以不能进行运算
shape为(3,8,2)的数组能和(8,1)的数组进行运算吗？分析：能，因为按照广播原则，从后面往前面数，(3,8,2)和(8,1)中的2和1虽然不相等，但因为有一方的长度为1，所以能参加运算
shape为(3,1,8)的数组能和(8,1)的数组进行运算吗？分析：能，因为按照广播原则，从后面往前面数，(3,1,8)和(8,1)中的4和1虽然不相等且1和8不相等，但是因为这两项中有一方的长度为1，所以能参加运算

7.1. 数组与数字运算

import numpy as np
#生成3行5列 值为0-5随机整数的数组
a1 = np.random.randint(0,5,size=(3,5))
#数组中的所有元素都乘2
print(a1*2)
#数组中所有的元素只保留2位小数
print(a1.round(2))

7.2. 数组与数组运算

#数组形状一致时 各个元素相加减(满足数组广播机制)
a2 = np.random.randint(0,5,size=(3,5))
a1+a2
#形状不一致的数组不能相加减(不满足数组广播机制)
a3 = np.random.randint(0,5,size=(3,4))
# a1+a3 报错
#两个数组行数相同 ，其中一个数组列数为1(满足数组广播机制)
a4 = np.random.randint(0,5,size=(3,1))
a1+a4
#两个数组列数相同 ，其中一个数组行数为1(满足数组广播机制)
a5 = np.random.randint(0,5,size=(1,5))
a1+a5

7.3总结

(1) 数组和数字直接进行运算是没有问题的
(2) 两个shape想要的数组是可以进行运算的
(3) 如果两个shape不同的数组，想要进行运算，那么需要看他们是否满足广播原则

8. 数组形状的操作

8.1. 数组形状的改变

8.1.1 reshape与resize

import numpy as np
# reshape与resize都是用来修改数组形状的，但是存在不同
a1 = np.random.randint(0,10,size=(3,4))
# reshape是将数组转换成指定的形状，然后返回转换后的结果，对于原数组的形状是不会发生改变的
a2 = a1.reshape((2,6))
# resize是将数组转换成指定的形状，会直接修改数组本身，并且不会返回任何值
a1.resize((4,3))
print(a1)

8.1.2 flatten与ravel

 # faltten与ravel都是将多维数组转换为一维数组，但是存在不同
 a3 = np.random.randint(0,10,size=(3,4))
 # flatten是将数组转换为一维数组后，然后将这个拷贝返回回去，然后后续对这个返回值进行修改不会影响之前的数组
 a4 = a3.flatten()
 a4[0] = 100
 # 结果为：2
 print(a3[0,0])
 # 结果为：100
 print(a4[0])
 # ravel是将数组转换为一维数组后，将这个视图（引用）返回回去，后续对这个返回值进行修改会影响之前的数组
 a5 = a3.ravel()
 a5[0] = 100
 # 结果为：100
 print(a3[0,0])
  # 结果为：100
 print(a5[0])

8.2 数组的叠加

#vstack代表在垂直方向叠加，如果想要叠加成功，那么列数必须一致
#hstack代表在水平方向叠加，如果想要叠加成功，那么行数必须一致
#concatenate可以手动的指定axis参数具体在哪个方向叠加
##（1）如果axis=0，代表在水平方向叠加
##（2）如果axis=1，代表在垂直方向叠加
##（3）如果axis=None，会先进行叠加，再转化为1维数组
vstack1 = np.random.randint(0,10,size=(3,4))
print(vstack1)
vstack2 = np.random.randint(0,10,size=(2,4))
print(vstack2)

#垂直方向叠加的两种方式
vstack3 = np.vstack([vstack1,vstack2])
print(vstack3)
vstack4 = np.concatenate([vstack1,vstack2],axis=0)
print(vstack4)

h1 = np.random.randint(0,10,size=(3,4))
print(h1)
h2 = np.random.randint(0,10,size=(3,1))
print(h2)

#水平方向叠加的两种方式
h3 = np.hstack(以上是关于系统性总结了 Numpy 所有关键知识点的主要内容，如果未能解决你的问题，请参考以下文章 
 系统性总结了 Numpy 所有知识点
 系统性总结了 Numpy 所有知识点
 系统性总结了 Numpy 所有知识点
 numpy nan和inf
 1.numpy知识点总结
 Python - 替换熊猫数据框中的负无穷大值[重复]

系统性总结了 Numpy 所有关键知识点

目录

1. 创建数组的几种方式

1.0. 引入Numpy库

1.1. 使用np.array创建数组

1.2. 使用np.arange创建数组

1.3. np.random.random创建数组

1.4. np.random.randint创建数组

1.5. 特殊函数

1.6. 注意

2. 数组数据类型

2.1 数据类型

2.2 创建数组指定数据类型

2.3 查询数据类型

2.4 修改数据类型

2.5 总结

3. 多维数组

3.1 数组维度查询

3.2 数组形状查询

3.3 修改数组形状

3.4 数组元素个数与所占内存

3.5 总结

4. 数组索引和切片

4.1 一维数组

4.2 二维数组

4.3 总结

5. 布尔索引

5.1总结

6. 数组元素值的替换

6.1 方式一：索引

6.2 方式二：条件索引

6.3 方式三：函数

6.4 总结

7. 数组的广播机制

7.0. 数组的广播原则

7.1. 数组与数字运算

7.2. 数组与数组运算

7.3总结

8. 数组形状的操作

8.1. 数组形状的改变

8.1.1 reshape与resize

8.1.2 flatten与ravel

8.2 数组的叠加