ndarray对象的方法

Posted 2022-08-10 draven123

数组的修剪和压缩

1. clip方法返回一个修剪过的数组, 就是将所有比给定最大值还大的元素全部设为给定的最大值, 把所有比给定义最小值还小的元素全部设为给定的最小值

import numpy as np

a = np.arange(5)
print(a)
# [0 1 2 3 4]
print(a.clip(1,2))
# [1 1 2 2 2]

2. compress方法返回一个根据给定条件筛选后的数组

a = np.arange(4)
print(a)
# [0 1 2 3]
print(a.compress(a > 2))
# [3]

 

阶乘

1.prod()方法, 计算数组中所有元素的乘积

import numpy as np

b = np.arange(1, 9)
print(b)
# [1 2 3 4 5 6 7 8]
print(b.prod())
# 40320

2.cumprod方法, 计算数组元素的累计乘积

import numpy as np

b = np.arange(1, 9)
print(b)
# [1 2 3 4 5 6 7 8]
print(b.cumprod())
# [    1     2     6    24   120   720  5040 40320]

 

读写文件

numpy的loadtxt()方法

import numpy as np
c = np.loadtxt(‘my.csv‘, delimiter=‘,‘, usecols=(6,), unpack=True)

def datestr2num(s):
    ‘‘‘将日期转换成数字‘‘‘
    s = s.decode("utf-8")
    return datetime.datetime.strptime(s,"%d-%m-%Y").date().weekday()

# converters类似于lambda,可以将数据列和转换函数连接起来,输出转换后的数值列
date, open_p, high, low, close = np.loadtxt(‘my.csv‘,delimiter=‘,‘, usecols=(1,2,3,4,5),  \
    converters=1:datestr2num,unpack=True)

参数    　　　　 　　　　作用
fname     　　　　　被读取的文件名（文件的相对地址或者绝对地址）
dtype     　　　 　　指定读取后数据的数据类型
comments     　　　跳过文件中指定参数开头的行（即不读取）
delimiter     　   　　指定读取文件中数据的分割符
converters     　　　对读取的数据进行预处理
skiprows     　　　   选择跳过的行数
usecols     　　　　 指定需要读取的列
unpack     　　　　 选择是否将数据进行向量输出
encoding     　　　  对读取的文件进行预编码

numpy的loadtxt()方法

import numpy as np
i2=np.eye(6)
np.savetxt("eye.txt",i2)

 

常用的统计函数

min max median函数

返回数组的最小值, 最大值和中位数, 中位数对于奇数是中间的, 对于偶数, 是中间两个数的平均值

diff函数

import numpy as np
# 读取my.csv文件，逗号为分隔符，只读取4,7列，并返回两列，而不是一个元组
h, l = np.loadtxt("my.csv", delimiter=‘,‘, usecols=(4,5), unpack=True)

difference = np.diff(h)
print(difference)
# diff计算相邻数据的差，std是标准差，var是方差

 

apply_along_axis函数

numpy.apply_along_axis(func, axis, arr, *args, **kwargs)：

必选参数：func,axis,arr。

　　其中func是我们自定义的一个函数，函数func(arr)中的arr是一个数组，函数的主要功能就是对数组里的每一个元素进行变换，得到目标的结果。

　　其中axis表示函数func对数组arr作用的轴。

可选参数：*args, **kwargs。都是func()函数额外的参数。

返回值：numpy.apply_along_axis()函数返回的是一个根据func()函数以及维度axis运算后得到的的数组.

import numpy as np
import datetime

def datestr2num(s):
    ‘‘‘将日期转换成数字‘‘‘
    s = s.decode("utf-8")
    return datetime.datetime.strptime     (s,"%d-%m-%Y").date().weekday()
    
#ret = datestr2num("18-08-2019")
#print(ret)
    
# converters类似于lambda
date, open_p, high, low, close = np.loadtxt(‘my.csv‘,delimiter=‘,‘, usecols=(1,2,3,4,5),      converters=1:datestr2num,unpack=True)
# date:日期 open_p:开盘价 high:最高价 low:最低价 close:收盘价
print("Dates =", date)

averages = np.zeros(5)

for i in range(5):
    indices = np.where(date == i)
    # np.take按照第二个参数索引去拿索引对应列中()第一个参数)的数字
    prices = np.take(close, indices)
    avg = np.mean(prices)　　# 求平均值
    print("Day", i ,"price", prices, "Average", avg)
    averages[i] = avg
    
top = np.max(averages)
print("Hight average", top)
print("Top dat of the week", np.argmax(averages))　　# 返回最大值的索引
bottom = np.min(averages)
print("Lowest average",bottom)
print("Bottom day of the week", np.argmin(averages))　　# 返回最小值的索引

close = close[:16]
date = date[:16]
# np.where会输出多维度的np.array
first_monday = np.ravel(np.where(date == 0))[0]
last_friday = np.ravel(np.where(date==4))[-1]

weeks_indices = np.arange(first_monday, last_friday + 1)
# 将一个np.arange切分成5个array
weeks_indices = np.split(weeks_indices, 5)
print(weeks_indices)
# [array([1, 2, 3]), array([4, 5, 6]), array([7, 8, 9]), array([10, 11, 12]), array([13, 14, 15])]


def summarize(a,o,h,l,c):
    monday_open = o[a[0]]
    week_high = np.max(np.take(h,a))
    week_low = np.min(np.take(l,a))
    friday_close = c[a[-1]]
    return ("APPL", monday_open, week_high, week_low, friday_close)

weekssummary = np.apply_along_axis(summarize,1,weeks_indices,open_p,high,low,close)


np.savetxt("weeksummary.csv", weekssummary,delimiter=",", fmt="%s")

 

linspace exp函数

import numpy as np

x = np.arange(5)

# np.exp()函数
print(np.exp(x))    # 生成e关于x的指数
# [  1.      2.71828183   7.3890561   20.08553692  54.59815003]

# np.linspace()函数
print(np.linspace(-1, 0, 5))    # 注意:不是linespace
# [-1.   -0.75 -0.5  -0.25  0.  ]
# 生成从-1到0的数量为5的等差数列

# 生成权重值
N = 5
weights = np.exp(np.linspace(-1, 0, N))
# [ 0.36787944  0.47236655  0.60653066  0.77880078  1.        ]