Numpy基本操作

Posted 2020-12-30 dominic-ji

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据进行快速运算的数学函数

　　读写磁盘数据的工具以及用于操作内存映射文件的工具

　　线性代数、随机数生成和傅里叶变化功能

　　用于集成C、C++等代码的工具

安装方法:pip install numpy(如果显示命令不存在可以尝试python -m install numpy)

引用方式通常喜欢给numpy模块别名:import numpy as np

NumPy简单使用

例1：已知若干家跨国公司的市值（美元），将其换算为人民币

例2：已知购物车中每件商品的价格与商品件数，求总金额

创建ndarray:np.array()

ndarray是多维数组结构，与列表的区别是：

　　数组对象内的元素类型必须相同

　　数组大小不可修改

 常用属性

T　　　　数组的转置(对二维及以上数组而言)

dtype　　　数组元素的数据类型

size　　　  数组元素的个数

ndim　　    数组的维数

shape　　  数组的维度大小(以元祖的形式) 

ndarray创建

arange()　　　　比我们的python3里面的range更加强大，支持浮点数范围

linspance()　　　　类似于arange(),第三个参数为数组长度

zeros() 　　　　 根据指定形状和dtype创建全0数组

ones() 　　　　  根据指定形状和dtype创建全1数组

empty() 　　　　根据指定形状和dtype创建空数组（随机值）

eye() 　　　　　根据指定边长和dtype创建单位矩阵

 NumPy索引切片

数组和标量(数字)之间的运算

　　a+1 a*3 1//a a**0.5

同样大小数组之间的运算

　　a+b a/b a**b

数组的索引

一维数组：a[5]

多维数组：

　　列表式写法：a[2][3]

　　新式写法：a[2,3] (推荐)  逗号隔开，前面作用于行后面作用于列

数组的切片　

一维数组：a[5:8] 　　　　a[4:] 　　　　a[2:10] = 1

多维数组：a[1:2, 3:4] 　　a[:,3:5] 　　    a[:,1]

与列表不同，数组切片时并不会自动复制，在切片数组上的修改会影响原数组(因为不会复制一份出去而是沿用原来的内存空间中的值)。 【解决方法：copy()】

NumPy布尔型索引

问题：给一个数组，选出数组中所有大于5的数。

答案：a[a>5]

原理： a>5会对a中的每一个元素进行判断，返回一个布尔数组 布尔型索引：将同样大小的布尔数组传进索引，会返回一个由所有True对应位置的元素的数组

问题2：给一个数组，选出数组中所有大于5的偶数。

问题3：给一个数组，选出数组中所有大于5的数和偶数。

答案：

　　　　a[(a>5) & (a%2==0)]

　　　　a[(a>5) | (a%2==0)]

NumPy花式索引

问题1：对于一个数组，选出其第1，3，4，6，7个元素，组成新的二维数组。

　　答案：a[[1,3,4,6,7]]

问题2：对一个二维数组，选出其第一列和第三列，组成新的二维数组。

　　答案：a[:,[1,3]]

必会知识点

浮点数特殊值

浮点数：float

浮点数有两个特殊值：

　　nan(Not a Number)：不等于任何浮点数（nan != nan）

　　inf(infinity)：比任何浮点数都大

NumPy中创建特殊值：np.nan np.inf

在数据分析中，nan常被用作表示数据缺失值

sum 求和

cumsum 求前缀和(截至当前元素及其前面所有的元素和)

mean 求平均数

std 求标准差

var 求方差

min 求最小值

max 求最大值

argmin 求最小值索引

argmax 求最大值索引

总结

数组中的数据类型必须一致，并且数组大小不可再被更改‘

对于数组求相应值由四种不同的方式:

　　正常的索引切片取值

　　行列分开的切片取值

　　布尔型(生成一个与原数组各元素一一对应的布尔值数组，原数组与该布尔值列表一一对应，值为True的放行~~~)