python科学计算库

Posted 2020-11-22 foremost

一、numpy

用NumPy快速处理数据

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
矩阵运算

 jupyter快捷键

 

 

 1、ndarray 对象

ndarray 实际上是多维数组的含义。

在 NumPy 数组中，维数称为秩（rank），一维数组
的秩为 1，二维数组的秩为 2，以此类推。在 NumPy 中，每一个线性的数组称为一个轴
（axes），其实秩就是描述轴的数量。

创建数组

 

 

 

# 引入numpy模块
import numpy as np
# 创建二维数组
array = np.array([[1,2,3],[4,5,6]])
print(array,type(array))

[[1 2 3]
 [4 5 6]] <class \'numpy.ndarray\'>

获取数组属性值

# ndim 维度的数量
print(\'维度的数量\',array.ndim)
# 维度
print(\'维度\',array.shape)
# 数组元素的个数
print(\'数组元素的个数\',array.size)
# 对象元素的类型
print(\'对象元素的类型\',array.dtype)
# 对象每个元素的大小、以字节为单位
print(\'对象每个元素的大小、以字节为单位\',array.itemsize)
# 对象内存信息
print(\' 对象内存信息\',array.flags)

特殊函数创建

关键字 
array：创建数组
dtype：指定数据类型
zeros：创建数据全为0
ones：创建数据全为1
empty：创建数据接近0
arange：按指定范围创建数据
linspace：创建线段

# 创建全零数组
# 数据全为0，3行4列 
# 默认为float
a = np.zeros((3,4))
print(a)
print(a.dtype)
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
float64


# 创建全为1的数组, 同时也能指定这些特定数据的 dtype:
a = np.ones((3,4),dtype=np.int)
print(a)
print(a.dtype)
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]
int32

# 创建全空数组, 其实每个值都是接近于零的数:
a = np.empty((3,4))
print(a)
print(a.dtype)

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
float64

# 用 arange 创建连续数组:
# 10-19 的数据，2步长  arange用来创建数组
a = np.arange(10,20,2)
print(a)
print(a.dtype)

[10 12 14 16 18]
int32


# 使用 reshape 改变数据的形状
# 3行4列 ，0到11
a = np.arange(12).reshape((3,4))
print(a)
print(a.dtype)


[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
int32


# 用 linspace 创建线段型数据:
# 开始端为1 ，结束端10，且分割成20个数据，生成线段
a = np.linspace(1,10,20)
print(a)
print(a.dtype)

View Code

结构数组

# 结构数组
import numpy as np
# 定义数组结构
# persontype = np.dtype({
# \'names\':[\'name\', \'age\', \'chinese\', \'math\', \'english\'],
# \'formats\':[\'S32\',\'i\', \'i\', \'i\', \'f\']})

# 也可以这样定义
persontype = np.dtype(
[(\'name\',\'S32\'),( \'age\',\'i\'), (\'chinese\',\'i\'), (\'math\',\'i\'), (\'english\',\'i\')]
)


peoples = np.array([("ZhangFei",32,75,100, 90),("GuanYu",24,85,96,88.5),
("ZhaoYun",28,85,92,96.5),("HuangZhong",29,65,85,100)],
dtype=persontype)
print(peoples)

ages = peoples[:][\'age\']
chineses = peoples[:][\'chinese\']
maths = peoples[:][\'math\']
englishs = peoples[:][\'english\']
print(np.mean(ages))
print(np.mean(chineses))
print(np.mean(maths))
print(np.mean(englishs))

28.25
77.5
93.25
93.5

创建随机数组

random.random()函数是这个模块中最常用的方法了，它会生成一个随机的浮点数，范围是在0.0~1.0之间。

指定范围和形状的随机浮点数数组

 

 

 数组的数据类型

 算数运算

通过 NumPy 可以自由地创建等差数组，同时也可以进行加、减、乘、除、求 n 次方和取余数。
# 通过 NumPy 可以自由地创建等差数组，同时也可以进行加、减、乘、除、求 n 次方和取余数。

x1 = np.arange(1,11,2)
x2 = np.linspace(1,9,5)
print(\'x1:\',x1)
print(\'x2:\',x2)
print(np.add(x1, x2))
print(np.subtract(x1, x2))
print(np.multiply(x1, x2))
print(np.divide(x1, x2))
print(np.power(x1, x2))
print(np.remainder(x1, x2))

x1: [1 3 5 7 9]
x2: [1. 3. 5. 7. 9.]
[ 2.  6. 10. 14. 18.]
[0. 0. 0. 0. 0.]
[ 1.  9. 25. 49. 81.]
[1. 1. 1. 1. 1.]
[1.00000000e+00 2.70000000e+01 3.12500000e+03 8.23543000e+05
 3.87420489e+08]
[0. 0. 0. 0. 0.]

在取余函数里，你既可以用 np.remainder(x1, x2)，也可以用 np.mod(x1, x2)，结果是一
样的。

ndarray数组运算

 

(1)数组与标量之间的运算作用于数组的每一个元素

 

a = np.arange(24).reshape(6,4)
print(a+1)
print(a*10)

 

# 计算A^2+B^2
import numpy as np
A=[1,2,3]
B=[4,5,6]
a1 = np.array(A)
a2 = np.array(B)
a1**2+a2**2

--------------------------------------------------------------------------------------------

统计函数

最大值、最小值、平均值，是否符合正态分布，方差、标准差多少等等。它们可以让你更清楚地对这组数据有认知。

 计数组 / 矩阵中的最大值函数 amax()，最小值函数 amin()

import numpy as np
a = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(np.amin(a))
print(np.amin(a,0))
print(np.amin(a,1))
print(np.amax(a))
print(np.amax(a,0))
print(np.amax(a,1))

对于一个二维数组 a，amin(a) 指的是数组中全部元素的最小值，

amin(a,0) 是延着 axis=0 轴的最小值，axis=0 轴是把元素看成了 [1,4,7], [2,5,8], [3,6,9] 三个元素，所以最小值为 [1,2,3]，

amin(a,1) 是延着 axis=1轴的最小值，
axis=1 轴是把元素看成了 [1,2,3], [4,5,6], [7,8,9] 三个元素，所以最小值为
[1,4,7]。
同理 amax() 是计算数组中元素沿指定轴的最大值。

统计最大值与最小值之差 ptp()

a = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(np.ptp(a))
print(np.ptp(a,0))
print(np.ptp(a,1))

统计数组的百分位数 percentile()

a = np.array([[1,2,3], [4,5,6], [7,8,9]])
print(np.percentile(a, 50))
print(np.percentile(a, 50, axis=0))
print(np.percentile(a, 50, axis=1))

同样，percentile() 代表着第 p 个百分位数，这里 p 的取值范围是 0-100，如果 p=0，
那么就是求最小值，如果 p=50 就是求平均值，如果 p=100 就是求最大值。同样你也可
以求得在 axis=0 和 axis=1 两个轴上的 p% 的百分位数。

统计数组中的中位数 median()、平均数 mean()

a = np.array([[1,2,3], [4,5,6], [7,8,9]])
# 求中位数
print(np.median(a))
print(np.median(a, axis=0))
print(np.median(a, axis=1))
# 求平均数
print(np.mean(a))
print(np.mean(a, axis=0))
print(np.mean(a, axis=1))

统计数组中的加权平均值 average()

a = np.array([1,2,3,4])
wts = np.array([1,2,3,4])
print(np.average(a))
print(np.average(a,weights=wts))

average() 函数可以求加权平均，加权平均的意思就是每个元素可以设置个权重，默认情
况下每个元素的权重是相同的，所以 np.average(a)=(1+2+3+4)/4=2.5，你也可以指定
权重数组 wts=[1,2,3,4]，这样加权平均 np.average(a,weights=wts)=
(1*1+2*2+3*3+4*4)/(1+2+3+4)=3.0。

统计数组中的标准差 std()、方差 var()

a = np.array([1,2,3,4])
print(np.std(a))
print(np.var(a))

NumPy 排序

 

 

a = np.array([[4,3,2],[2,4,1]])
print(np.sort(a))
print()
print(np.sort(a, axis=None))
print()
print(np.sort(a, axis=0))
print()
print(np.sort(a, axis=1))

 求和sum

# 求和
a2 = np.arange(24).reshape(4,6)
a2
print(a2.sum())#整体求和
print(a2.sum(axis=0))#对纵向求和
print(a2.sum(axis=1))#对横向求和