Numpy教程

Posted fwl8888

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Numpy教程相关的知识,希望对你有一定的参考价值。

import numpy as np

为提高运算效率,ndarray数组值的类型默认相同,创建时自动指定默认数据类型(内存占用最大的值类型) 
默认浮点类型(float)


numpy方法解释
np.dtype 指定当前numpy对象的整体数据, 见下一个表格
np.itemsize 对象中每个元素的大小, 单位字节
np.size 对象元素的个数, 相当于np.shape中的n*m值
np.shape 轴, 查看数组形状, 对于矩阵, n行m列
np.ndim
np.isnan(list) 筛选出nan值
np.iscomplex(list) 筛选出非复数
~ 取补运算符
np.array(数组, dtype=np.bool) 自定义数组类型
np.astype(np.bool) 转换数组类型
np.mat() 将python 列表转化成矩阵
np.mat().getA() 将matrix对象转成ndarray对象
np.matrix() 同上
np.asmatrix() 将ndarray对象转成matrix对象
np.tile() 重复某个数组。比如tile(A,n),功能是将数组A重复n次,构成一个新的数组传送门
np.I 矩阵求逆
np.T 矩阵转置, 行变列, 列变行, 对角线翻转矩阵
np.tolist() 转换成python列表, 用于和python原生结合写程序
np.multiply(x, y) 矩阵x 矩阵y相乘
np.unique() 数组驱虫, 并且从小到大生成一个新的数组
np.arange 同python range()
np.arange(24).reshape((2, 3, 4)) 创建一个2维3行4列的数组, 必须能被给定的长度除开, 可以索引和切片
np.arange(24).resize((2, 3, 4)) 同上, 会修改原值
np.linspace(x, y, z) 等间距生成, x起始, y截止, z步长
np.ones(x) 生成都是x的数组, 可传递三维数组, 几行几列, 具体的个数
np.zeros(x) 生成都是0的数组
np.full([x, y], z) 自定义模板数组, 生成x行y列都是z的数组
np.eye(x) 创建一个正方的x*x单位的矩阵, 对角线为1, 其余为0
np.flatten() 数组降维, 不改变 原值
np.random.rand(x, y, z) 生成一个一维x随机数或生成x*y的随机数组
np.random.randn(x, y) 正态分布随机数
np.random.randint(low, high, (shape)) 整数随机数
np.random.normal(loc, scale, (size)) 从指定正态分布中抽取样本, loc为概率分布的均匀值, 标准差scale
np.random.seed(s) 给一个随机数字固定
np.randomunifrom(low, high, (size)) 均匀分布的数组, 有小数
np.random.shuffle(a) 将数组a的第0轴(最外维度)进行随机排列(洗牌), 改变数组a, 行边列不变
np.random.permutation(a) 同上, 不改变数组a
np.random.choice(a, size=None, replace=False, p=数组a/np.sum(b)) 从一维数组a中以概率p抽取元素,形成size形状新数组,replace表示是否可以重用元素,默认为False,p为抽取概率,本位置越高,抽取概率越高
np.sum(axis=None) 求和, axis=0为列, 1为行
np.argsort() 矩阵每个元素坐标排序
np.sort(axix=None) 从小打大排序
-np.sort(axis=None) 从大到小排序
np.sort_values(‘字段’, ascending=False) 排序,升序排列
np.mean(axis=None) 平均数
np.average(axis=None,weights=None) 加权平均,weights加权值,不设为等权重,例子[10, 5, 1],每列分别X10,X5,X1在/(10+5+1)
np.var(axis=None) 方差:各数与平均数之差的平方的平均数
np.std(axis=None) 标准差:方差平方根
np.min(axis=None) 最小值
np.argmin(axis=None) 求数组中最小值的坐标
np.median(axis=None) 中位数
np.ptp(axis=None) 元素最大值与最小值的差
np.cumsum() 累加,cumsum和cumprod之类的方法不聚合,产生一个中间结果组成的数组,默认一维数组,1为按原样
np.cumprod() 累乘
np.count_nonzero(arr > 0) 计数非0值个数,布尔值会被强制转换为1和0,可以使用sum()对布尔型数组中的True值计数
np.bools.any() 测试数组中是否存在一个或多个True
np.bools.all() 数组中所有值是否都是True, 测试有没有空值
np.bools.all() 数组中所有值是否都是True, 测试有没有空值
np.bools.all() 数组中所有值是否都是True, 测试有没有空值
np.dtype类型 
np.bool 布尔值
np.int 整型
np.float 浮点型
np.complex 复数
np.object 对象
np.string_ ASCII字符
np.unicode_ Unicode所有字符, 字节数平台决定

nparray索引和切片

# 创建0-23, 共2个三行四列的数组
a = np.arange(24).reshape((2,3,4))
"""
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
"""
# 一个三维数组,提取12的话,python list是a[1][0][0], ndarange可以是a[1,0,0],也可以是[1][0][0]
# 可以用负数
# a[1,:] 选取第一维数组里面所有
# a[:,1] 选取所有维度,第一行
# a[1,:,3] 选取第一维度数组所有行里的第三个值
# a[:,0:2,1:3] 选取所有维度的第0行到第2行, 取元素第1个到第3个
# a[:,:,::2] 选取所有维度, 所有行, 步长为2的所有行

# -------------------------------------------------------------------------
# 例子,布尔型索引
names = np.array([Bob,Joe,Will,Bob,Will,Joe,Joe])
data = np.arange(28).reshape(7,4)

names[names == Bob]
# array([‘Bob‘, ‘Bob‘], dtype=‘<U4‘)

names == Bob
# array([ True, False, False,  True, False, False, False], dtype=bool)

# 姓名数组可以跟数字数字一一对应
data[names == Bob]
# array([[ 0,  1,  2,  3],
#        [12, 13, 14, 15]])

# 可以将布尔型数组跟切片、整数、整数序列混合使用
data[names == Bob,2:]
# array([[ 2,  3],
#        [14, 15]])

# 组合多个布尔型索引,进行逻辑运算
# 组合条件,逻辑运算符:& 且,| 或,非(!= 或 ~)
# 并集,交集
(names == Bob) | (names == Will)
# array([ True, False,  True,  True,  True, False, False], dtype=bool)

# 且,没有交集
(names == Bob) & (names == Will)
# array([False, False, False, False, False, False, False], dtype=bool)
--------------------------------------------------------------------------
// 数组修改
a[:,0:2] = 1                   # 切片批量修改
a[:,0:2] = [[11,12],[13,14]]   # 切片批量修改
names[names == Bob] = aaa  # 修改单个

a为数组,a > 1 返回为true的索引
np.where(a > 2) # 返回索引
# (array([0, 0], dtype=int64),
#  array([0, 1], dtype=int64),
#  array([1, 0], dtype=int64))

# 也可以用作三元表达式,满足条件,返回x,不满足返回y
np.where(条件,x, y)

import pandas as pd
s = pd.Series(np.random.randint(0, 7, size=10))  # 统计出现的个数,左边是下标,右边是出场的次数
s.value_counts()                    # 统计个数

// Numpy数据存取

  • numpy提供了便捷的内部文件存取,将数据存为np专用的npy(二进制格式)或npz(压缩打包格式)格式
  • npy格式以二进制存储数据的,在二进制文件第一行以文本形式保存了数据的元信息(维度,数据类型),可以用二进制工具查看查看内容
  • npz文件以压缩打包文件存储,可以用压缩软件解压
a = np.array([[张三,李四,王五,赵六],[11,12,13,14,15]])
b = np.arange(24).reshape((2,3,4))

np.save(a.npy,a)                      # 存为.npy文件
np.savez("a.npz", ar0 = a, ar1 = b)     # 多个数组存入一个.npz压缩包

c = np.load(x.npy)                    # .npy文件读入数组

d = np.load("y.npz")                    # .npz压缩包读入
#d["ar0"]                               # 单独输出数组

// Numpy存储CSV文件

# 存储csv文件,本身是ASCII字符,不能存储非ASCII字符串,csv文件只能存储一维、二维数据,不能存储多维数据
np.savetxt(frame,array,fmt=%.18e,delimiter=None)

技术分享图片

// 读取csv文件

# 读取csv文件
np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

# 去掉b‘0.00‘中的b
np.loadtxt(a.csv, dtype=bytes, delimiter=,).astype(str)

 

技术分享图片


// ndarray-数组操作

# axis=0行 1列
np.sort(a,axis=None)                # 从小到大
-np.sort(-a, axis=None)             # 从大到小

# ndarray转为python list,用于和Python原生结合编写程序
.tolist()

# 数组去重,把重复去掉,并且按从小到大生成一个新的数组
.unique(a)

 


// 数组拼接(数组合并) 
ndarray是保存在内存中的一段连续值,增加值操作会重新分配内存,一般不推荐,可以用合并数组的方式模拟增加值

将两个或多个数组合并成一个新数组

# 数组合并, 如果数组不对应,需要先转置,在axis=1进行拼接
np.concatenate((a1,a2,...), axis=0)

 


// 数组删除 
删除操作不能精确选取元素,常被索引和切片查询赋值新变量代替

np.delete(arr, obj, axis=None)
# 删除多列,会把没有被选中的其他值也删掉,有损失
b3 = np.delete(a, [1,2], axis=1)

 


// Numpy-数据运算 
矢量化运算也叫向量化运算,

  • 标量:一个数值
  • 广播机制:自动补齐,数组与标量之间的运算作用于数组的每一个元素
# 三维数组除以标量运算,列表中每一个值都会返回
# 两个不同维度进行计算,维度小的会变成大的维度在进行运算,然后每个值单独做计算
a/a.mean()

 


技术分享图片


技术分享图片


// Numpy矩阵运算

  • NumPy有两种不同的数据类型:数组ndarray和矩阵matrix
  • matrix是array的分支,用于矩阵计算
# 转换成矩阵对象
m = np.matrix(x)

# 每个数值+5
m + 5 

# 有复杂的运算体系,但不是相加那么简单
m * 5

 





以上是关于Numpy教程的主要内容,如果未能解决你的问题,请参考以下文章

Numpy学习:《Python数据分析基础教程NumPy学习指南第2版》中文PDF+英文PDF+代码

VIM 代码片段插件 ultisnips 使用教程

python numpy 基础教程

markdown 打字稿...编码说明,提示,作弊,指南,代码片段和教程文章

如何创建片段以重复变量编号中的代码行

Python之numpy详细教程