100天精通Python（数据分析篇）——第50天：numpy进阶
Posted 无 羡ღ
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100天精通Python（数据分析篇）——第50天：numpy进阶相关的知识，希望对你有一定的参考价值。
文章目录
每篇前言
🏆🏆作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6
- 🔥🔥本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
- 📝📝此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
- 🎉🎉订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进两百人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
- 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！
一、数组操作
1. 查看数据形状
```python
>>> a1 = np.array([1,2,3,4,5])
>>> a1
array([1, 2, 3, 4, 5])
>>> a1.shape
(5,) # 括号内1个值表示一维数组
>>> a2 = np.array([[1,2,3,4],[5,6,7,8]])
>>> a2
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
>>> a2.shape
(2, 4) # 括号2个值表示二维数组
>>> a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
>>> a3
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
>>> a3.shape
(2, 2, 3) # 括号3个值表示三维数组
2. 修改数组形状
语句：reshape(shape, order='C' )
作用：不改变数据的条件下修改形状
参数说明：
- shape：形状
- order：C-按行，‘F’-- 按列，‘A’–原顺序，‘k’ -元素在内存中的出现顺序
>>>a = np.array([[1,2,3,4],[5,6,7,8]])
>>> a.reshape(4,2)
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
# 再次查看数组形状发现只是临时修改
>>> a.shape
(2, 4)
# 可以用一个变量来接收返回值
>>> b = a.reshape(4,2)
>>> b
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
语句：flatten( order='C')
作用：展平的数组元素并拷贝一份，顺序通常是"C风格"
注意：修改返回的数组不会对原数组产生影响
参数说明：
- order：‘C’-按行，‘F’–按列，‘A’–原顺序，‘k’ -元素在内存中的出现顺序
>>> c = np.array([[1, 2],[3, 4],[5, 6],[7, 8]])
>>> c
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
>>> c.shape
(4, 2)
# 方法1
>>> c.reshape(c.shape[0]*c.shape[1],)
array([1, 2, 3, 4, 5, 6, 7, 8])
# 方法2
>>> c.flatten()
array([1, 2, 3, 4, 5, 6, 7, 8])
3. 数组和数的计算
numpy的广播机制造成的,在运算过程中,加减乘除的值被广播到所有的元素上面.
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> a + 1
array([[ 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11]])
>>> a - 1
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> a * 2
array([[ 2, 4, 6, 8, 10],
[12, 14, 16, 18, 20]])
>>> a / 10
array([[0.1, 0.2, 0.3, 0.4, 0.5],
[0.6, 0.7, 0.8, 0.9, 1. ]])
4. 数组和数组的计算
两数组相同维度下加减乘除
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20]])
>>> a + b
array([[12, 14, 16, 18, 20],
[22, 24, 26, 28, 30]])
>>> a - b
array([[-10, -10, -10, -10, -10],
[-10, -10, -10, -10, -10]])
>>> a * b
array([[ 11, 24, 39, 56, 75],
[ 96, 119, 144, 171, 200]])
>>> a / b
array([[0.09090909, 0.16666667, 0.23076923, 0.28571429, 0.33333333],
[0.375 , 0.41176471, 0.44444444, 0.47368421, 0.5 ]])
二行5列 VS 一行5列
>>> a = np.arange(1,6).reshape(5,)
>>> a
array([1, 2, 3, 4, 5])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20]])
>>> a + b
array([[12, 14, 16, 18, 20],
[17, 19, 21, 23, 25]])
>>> a * b
array([[ 11, 24, 39, 56, 75],
[ 16, 34, 54, 76, 100]])
2行一列 VS 2行5列
>>> a = np.arange(1,3).reshape(2,1)
>>> a
array([[1],
[2]])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20]])
>>> a + b
array([[12, 13, 14, 15, 16],
[18, 19, 20, 21, 22]])
>>> a * b
array([[11, 12, 13, 14, 15],
[32, 34, 36, 38, 40]])
不同维度
>>> a = np.arange(1,13).reshape(3,4)
>>> a
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> b = np.arange(1,11).reshape(2,5)
>>> b
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> a + b
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (3,4) (2,5)
5. 数组中的转置
转置是一种变换,对于numpy中的数组来说,就是在对角线方向交换数据,目的也是为了更方便的去处理数据
>>> t
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]])
>>> t.transpose()
array([[ 0, 6, 12],
[ 1, 7, 13],
[ 2, 8, 14],
[ 3, 9, 15],
[ 4, 10, 16],
[ 5, 11, 17]])
>>> t.swapaxes(1,0)
array([[ 0, 6, 12],
[ 1, 7, 13],
[ 2, 8, 14],
[ 3, 9, 15],
[ 4, 10, 16],
[ 5, 11, 17]])
>>> t.T
array([[ 0, 6, 12],
[ 1, 7, 13],
[ 2, 8, 14],
[ 3, 9, 15],
[ 4, 10, 16],
[ 5, 11, 17]])
以上的三种方法都可以实现二维数组的转置的效果,大家能够看出来,转置和交换轴的效果一样
6. 数组的拼接
数组水平或者竖直拼接很简单，但是拼接之前应该注意什么？
竖直拼接的时候：每一列代表的意义相同！！！否则牛头不对马嘴
如果每一列的意义不同，这个时候应该交换某一组的数的列，让其和另外一类相同
>>> t1 = np.arange(0,12).reshape(2,6)
>>> t1
array([[ 0, 1, 2, 3, 4, 以上是关于100天精通Python（数据分析篇）——第50天：numpy进阶的主要内容，如果未能解决你的问题，请参考以下文章
100天精通Python（数据分析篇）——第52天：numpy完结
100天精通Python（数据分析篇）——第53天：初始pandas模块
100天精通Python（数据分析篇）——第49天：初识numpy模块
100天精通Python（数据分析篇）——第54天：Series对象大总结