Python数据处理——numpy_3

通过前面两次的学习，基本上对numpy有了一定的认识，所以，接下来进一步对numpy学习。同时，最后以一个有趣的例子加深对numpy的理解。

import numpy as np
xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
cond = np.array([True, False, True, True, False])
# 如果cond中的值是T时，选取xarr的值，否则从yarr中选取。这种模式就是：x if condition else y (condition与x相等，就选x，否则y)
result = [(x if c else y)
           for x, y, c in zip(xarr, yarr, cond)]
#print result
'''
上面式子可以用一个函数代替：np.where( , , ,)。第一个参数是一个判定，这个判定的结果是根据后面两个参数来输出的。其中，第二个
是第一个参数的True结果输出，而第三个参数是第一个False结果输出。
'''
result = np.where(cond,xarr,yarr)
#print result
 
from numpy.random import randn
arr = randn(4,4)
#把大于0的值变成2，小于0的值变成-2
result = np.where(arr > 0, 2, -2)
#print result
#只把大于0的值变成2，其他的不变
result = np.where(arr > 0, 2, arr)
#print result
'''
np.where(rond1 & rond2, 0,
           np.where(rond1, 1,
                      np.where(rond2, 2, 3)))
'''
ax = np.random.randn(5, 4)
#print ax
a = ax[0,:]
#计算每一行的均值使用axis = 1  1代表行
#print ax.mean(axis=1)
#print a.mean()
b = ax[:,0]
#计算每一列的均值使用axis = 0  0代表列
#print ax.mean(axis=0)
#print b.mean()
ay = np.array([[0,1,2],
               [3,4,5],
               [6,7,8]])
#计算每一列前个数与后个数的和，返回的仍是一个数组。     0代表列
#print ay.cumsum(0)
#计算每一行前个数与后个数的积，返回的仍是一个数组。     1代表行
#print ay.cumprod(1)
 
#计算ax中正数的个数, 布尔值会被强制转为1（True）和 0（False）。
#print ( ax > 0 ).sum()

import numpy as np
a = np.arange(10)
np.save("some_array", a)
b = np.load("some_array.npy")
#print b
#加载txt和逗号分隔文件（CSV）方式。保存用np.savetxt方式
#ab = np.loadtxt("array_ex.txt", delimiter= ",")
 
#线性代数
 
#建立一个一维数组由3个1组成。
np.ones(3)
x = np.array([[1,2,3], [4,5,6]])
y = np.array([[6, 23],[-1, 7],[8, 9]])
#计算两个数组的乘积。dot()函数
x.dot(y)
np.dot(x, y)
np.dot(x, np.ones(3))
from numpy.random import randn
from numpy.linalg import inv, qr
X = randn(5, 5)
mat = X.T.dot(X)
#计算数组的逆
inv(mat)
mat.dot(inv(mat))
#计算QR分解
q, r = qr(mat)
#print r

最后，以随机漫步的例子，运用numpy加深对其的理解。

import random
import numpy as np
from numpy.random import randint
b = np.random.randint(0,2)  # numpy中的randint不能取右端的那个值，也就是例子中（0，2）不能取到2
a = random.randint(0,2)     # random中的randint是可以取到右端的值，（0，2）也就是在0，1，2中随机取值
 
#随机漫步（普通版）
position = 0
walk = [position]
steps = 10
for i in xrange(steps):
    # 这句话实际上是一种逻辑判断句，random.randint是逻辑判断条件，与0比较。标准语句：a if condition else b .判断条件大于0，选择a，反之，选择b。
    step = 1 if random.randint(0,1) else -1
    position += step
    walk.append(position)
#print walk
 
#随机漫步（提升版）
nsteps = 10
draws = np.random.randint(0,2, size= nsteps)
steps = np.where(draws > 0, 1, -1)
# 将结果变成一种数组
walk = steps.cumsum()
#print walk
#只有数组能这样使用
walk.min()
walk.max()
#判断从0到2步，所需要多久，多少次。
(np.abs(walk) >= 2).argmax()
 
#多个随机漫步
nwalks = 100
nsteps = 100
draws = np.random.randint(0,2, size=(nwalks, nsteps))
steps = np.where(draws > 0, 1, -1)
#计算每一行的累计和。“1”代表行，“0”代表列
walks = steps.cumsum(1)
walks.min()
walks.max()
#计算大于20或-20的布尔值（True，False）
np.abs(walks) >= 20
#计算每一行中有大于20或-20的布尔值
hits20 = (np.abs(walks) >= 20).any(1)
#计算达到20或-20的行，一共有多少个
hits20.sum()
#计算达到20或-20的行的漫步累计次数
walks[hits20]
#计算达到20或-20的每一行第一次漫步到20或-20的步数
crossing_times = (np.abs(walks[hits20])>= 20).argmax(1)
#计算达到20或-20的每一行第一次漫步到20或-20的步数的均值
print crossing_times.mean()