Numpy的基础使用

数据分析: 是把隐藏在一些看似杂乱无章的数据背后的信息提取出来,总结出所研究对象的内在规律

数据分析的三剑客: Numpy, Pandas, Matplotlib

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

一, 创建ndarry

使用np.array()创建

import numpy as np   # 约定使用np

np.array([1, 2, 3, 4, 5])  # 一维数组

array([1, 2, 3, 4, 5])

np.array([[1, 2], [1, 2]])  # 二维数组

array([[1, 2],

       [1, 2]])

np.array([[1, 'two'], [1, 2.3]])

array([['1', 'two'],

       ['1', '2.3']], dtype='<U11')

注意：

numpy默认ndarray的所有元素的类型是相同的
如果传进来的列表中包含不同的类型，则自动统一为同一类型，优先级：str>float>int

使用案例:

使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片

import matplotlib.pyplot as plt   # 约定使用plt

img_arr = plt.imread('./ceshi.bmp')

img_arr  # 三维数组

array([[[255, 255, 255],

        [255, 255, 255],

        [255, 255, 255],

        ...,

        [255, 255, 255],

        [255, 255, 255],

        [255, 255, 255]]], dtype=uint8)

plt.imshow(img_arr)  # 将三维数组展示成图片

<matplotlib.image.AxesImage at 0x1470e667160>

plt.imshow(img_arr - 50) # 操作该numpy数据，该操作会同步到图片中,发现眼色变了

<matplotlib.image.AxesImage at 0x14713a59cc0>

2. 使用np的routines函数创建

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列

np.linspace(0, 100, 10)  # 返回等差数列的一维数组   第三个参数表示元素的个数

array([  0.        ,  11.11111111,  22.22222222,  33.33333333,

        44.44444444,  55.55555556,  66.66666667,  77.77777778,

        88.88888889, 100.        ])

np.arange([start, ]stop, [step, ]dtype=None)

np.arange(0, 100, 2)  # 返回等差数列的一维数组   第三个参数表示步长

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32,

       34, 36, 38, 40, 42, 44, 46, 48, 50, 52, 54, 56, 58, 60, 62, 64, 66,

       68, 70, 72, 74, 76, 78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98])

np.random.randint(low, high=None, size=None, dtype='l')

np.random.randint(0, 100, size=(3, 5)) # 获得一个3行5列的二维数组,数组的每个元素是0-100的随机数

array([[74, 54, 26, 79, 64],

       [ 3, 14,  4, 41, 10],

       [29, 96, 61, 16, 70]])

np.random.randint(0, 100, size=(3, 2, 4)) # 三维数组

array([[[17, 31, 72, 71],

        [68, 71, 69, 60]],

       [[47, 91, 94, 32],

        [ 9, 54, 47, 71]],

       [[ 6, 96, 34, 25],

        [13, 51, 29, 34]]])

随机函数的原理
- 时间种子(随机因子)：无时无刻都在变化的值(系统时间)
- 固定随机因子就可以固定随机函数的随机性

np.random.seed(90)

np.random.randint(0, 100, size=(3, 5))  # 每次得到的数组都是一样的

array([[91, 29, 31, 67, 39],

       [68, 58, 37, 18, 74],

       [96, 51, 30, 80, 18]])

np.random.random(size=None)

np.random.random(size=(3, 4))  # 0-1的随机数

array([[0.65727519, 0.1262984 , 0.5755297 , 0.39088299],

       [0.17033964, 0.42278594, 0.94238902, 0.29860718],

       [0.36670103, 0.39093547, 0.53337014, 0.97951138]])

二、ndarray的属性

主要参数:

ndim：维度
shape：形状(各维度的长度)
size：总长度
dtype：元素类型

type(img_arr)

numpy.ndarray

img_arr.ndim  # 三维

img_arr.shape  # 形状: 三个数表示维度是三

(519, 500, 3)

arr = np.array([[1, 2, 3], [1, 2, 3]])

arr.shape  # 二维数组时,(2, 3): 第一个元素可以看作数组的行数,第二个元素看作数组的列数

(2, 3)

arr.size   # 数组的总长度

arr.dtype   # 数组的元素类型

dtype('int32')

三、ndarray的基本操作

索引

arr = np.random.randint(0, 100, size=(5, 8))

arr

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36],

       [47, 77, 93, 97, 97, 32, 54, 95],

       [86, 54, 46, 33, 52, 53, 61,  8],

       [19, 72, 40, 90, 69, 11, 91, 72]])

根据索引修改数据

arr[0]  # 第0行

array([43, 84,  3, 27, 75, 62, 17, 50])

arr[[0, 1]]   # 第0行, 第1行

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36]])

arr[0, 3]  # 第0行, 第3列

arr[0, [2, 3, 4]]  # 0行, 2, 3, 4列

array([95, 40, 64])

切片

一维数组的切片与列表完全一致, 多维时同理

arr

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36],

       [47, 77, 93, 97, 97, 32, 54, 95],

       [86, 54, 46, 33, 52, 53, 61,  8],

       [19, 72, 40, 90, 69, 11, 91, 72]])

# 获取二维数组前两行

arr[0:2]

array([[43, 84,  3, 27, 75, 62, 17, 50],

       [98, 95, 95, 40, 64, 51, 54, 36]])

# 获取二维数组前两列

arr[:, 0:2]    # arr[行, 列]

array([[43, 84],

       [98, 95],

       [47, 77],

       [86, 54],

       [19, 72]])

# 获取二维数组前两行和前两列数据

arr[0:2, 0:2]

array([[43, 84],

       [98, 95]])

# 将数组的行倒序

arr[::-1, :]

array([[19, 72, 40, 90, 69, 11, 91, 72],

       [86, 54, 46, 33, 52, 53, 61,  8],

       [47, 77, 93, 97, 97, 32, 54, 95],

       [98, 95, 95, 40, 64, 51, 54, 36],

       [43, 84,  3, 27, 75, 62, 17, 50]])

# 列倒序

arr[:, ::-1]

array([[50, 17, 62, 75, 27,  3, 84, 43],

       [36, 54, 51, 64, 40, 95, 95, 98],

       [95, 54, 32, 97, 97, 93, 77, 47],

       [ 8, 61, 53, 52, 33, 46, 54, 86],

       [72, 91, 11, 69, 90, 40, 72, 19]])

# 行列均倒序

arr[::-1, ::-1]

array([[72, 91, 11, 69, 90, 40, 72, 19],

       [ 8, 61, 53, 52, 33, 46, 54, 86],

       [95, 54, 32, 97, 97, 93, 77, 47],

       [36, 54, 51, 64, 40, 95, 95, 98],

       [50, 17, 62, 75, 27,  3, 84, 43]])

# 将图片进行倒置操作

plt.imshow(img_arr[::-1])   # 行倒序, 上下翻转, 其余翻转同理

<matplotlib.image.AxesImage at 0x14713cc2080>

# 裁剪出小黄人的眼镜

plt.imshow(img_arr)

<matplotlib.image.AxesImage at 0x14714164978>

plt.imshow(img_arr[50:220, 60:280])

<matplotlib.image.AxesImage at 0x147144fd940>

变形

使用arr.reshape()函数，注意参数是一个tuple！
元素总数不可变

arr = np.random.randint(0, 100, 40)

arr

array([49, 49, 68, 31,  7, 18, 89, 80, 66, 29, 68, 42, 31, 42, 61, 58, 29,

       88, 74, 64, 34, 53, 62, 57, 61, 60, 61, 47, 99, 15, 54, 24,  3, 90,

       10, 71,  4, 34, 52,  1])

将一维数组变形成多维数组

arr.reshape((4, 10))  # 将arr变形为4行10列

array([[49, 49, 68, 31,  7, 18, 89, 80, 66, 29],

       [68, 42, 31, 42, 61, 58, 29, 88, 74, 64],

       [34, 53, 62, 57, 61, 60, 61, 47, 99, 15],

       [54, 24,  3, 90, 10, 71,  4, 34, 52,  1]])

arr.reshape((4, -1))   # -1表示依照另一个参数自动计算

array([[49, 49, 68, 31,  7, 18, 89, 80, 66, 29],

       [68, 42, 31, 42, 61, 58, 29, 88, 74, 64],

       [34, 53, 62, 57, 61, 60, 61, 47, 99, 15],

       [54, 24,  3, 90, 10, 71,  4, 34, 52,  1]])

将多维数组变形成一维数组

arr = np.random.randint(0, 100, size=(5, 8))

arr

array([[10, 21, 77,  5,  5,  2, 54, 84],

       [88, 24, 15, 98, 16, 75, 93, 38],

       [75, 85,  6, 61, 89,  7, 70, 55],

       [44, 65, 94, 26, 88, 41, 25, 75],

       [51, 40, 66, 65, 84, 11, 98, 12]])

arr.reshape((40))

array([10, 21, 77,  5,  5,  2, 54, 84, 88, 24, 15, 98, 16, 75, 93, 38, 75,

       85,  6, 61, 89,  7, 70, 55, 44, 65, 94, 26, 88, 41, 25, 75, 51, 40,

       66, 65, 84, 11, 98, 12])

级联

np.concatenate()

1.一维，二维，多维数组的级联，实际操作中级联多为二维数组

np.concatenate((arr, arr), axis=1) # 将arr与arr拼接,1表示x轴拼接,0表示y轴拼接

array([[10, 21, 77,  5,  5,  2, 54, 84, 10, 21, 77,  5,  5,  2, 54, 84],

       [88, 24, 15, 98, 16, 75, 93, 38, 88, 24, 15, 98, 16, 75, 93, 38],

       [75, 85,  6, 61, 89,  7, 70, 55, 75, 85,  6, 61, 89,  7, 70, 55],

       [44, 65, 94, 26, 88, 41, 25, 75, 44, 65, 94, 26, 88, 41, 25, 75],

       [51, 40, 66, 65, 84, 11, 98, 12, 51, 40, 66, 65, 84, 11, 98, 12]])

2.合并两张照片

plt.imshow(np.concatenate((img_arr, img_arr), axis=1))

<matplotlib.image.AxesImage at 0x147146be6d8>

img_arr_3 = np.concatenate((img_arr, img_arr, img_arr), axis=1)

img_arr_9 = np.concatenate((img_arr_3, img_arr_3, img_arr_3), axis=0)

plt.imshow(img_arr_9)

<matplotlib.image.AxesImage at 0x14713ef15c0>

级联需要注意的点：

级联的参数是列表：一定要加中括号或小括号
维度必须相同
形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
可通过axis参数改变级联的方向

四、ndarray的聚合操作

arr = np.random.randint(1, 100, size=(5, 8))

arr

array([[21, 65, 34, 74, 99, 44, 26, 41],

       [66,  1, 27, 72, 35, 77, 22, 24],

       [ 2, 11, 17, 64, 56, 75, 19, 50],

       [85, 32, 80, 30, 11, 60, 48, 22],

       [ 9, 53, 51, 48, 16, 61, 81, 21]])

求和np.sum

arr.sum()  # 所有元素的和

arr.sum(axis=1)  # 每一行的和

array([404, 324, 294, 368, 340])

arr.sum(axis=0)  # 每一列的和

array([183, 162, 209, 288, 217, 317, 196, 158])

最大最小值：np.max/ np.min

arr.max()  # 参数同sum()

arr.min()

平均值：np.mean()

arr.mean(axis=1)   # 每一行的平均值

array([50.5 , 40.5 , 36.75, 46.  , 42.5 ])

其他聚合操作

Function Name	NaN-safe Version	Description

np.sum	np.nansum	Compute sum of elements

np.prod	np.nanprod	Compute product of elements

np.mean	np.nanmean	Compute mean of elements

np.std	np.nanstd	Compute standard deviation

np.var	np.nanvar	Compute variance

np.min	np.nanmin	Find minimum value

np.max	np.nanmax	Find maximum value

np.argmin	np.nanargmin	Find index of minimum value

np.argmax	np.nanargmax	Find index of maximum value

np.median	np.nanmedian	Compute median of elements

np.percentile	np.nanpercentile	Compute rank-based statistics of elements

np.any	N/A	Evaluate whether any elements are true

np.all	N/A	Evaluate whether all elements are true

np.power 幂运算

五、ndarray的排序

快速排序

np.sort()与ndarray.sort()都可以，但有区别：

np.sort()不改变输入
ndarray.sort()本地处理，不占用空间，但改变输入

arr

array([[21, 65, 34, 74, 99, 44, 26, 41],

       [66,  1, 27, 72, 35, 77, 22, 24],

       [ 2, 11, 17, 64, 56, 75, 19, 50],

       [85, 32, 80, 30, 11, 60, 48, 22],

       [ 9, 53, 51, 48, 16, 61, 81, 21]])

np.sort(arr, axis=0)  # 不改变原始数组

array([[ 2,  1, 17, 30, 11, 44, 19, 21],

       [ 9, 11, 27, 48, 16, 60, 22, 22],

       [21, 32, 34, 64, 35, 61, 26, 24],

       [66, 53, 51, 72, 56, 75, 48, 41],

       [85, 65, 80, 74, 99, 77, 81, 50]])

arr.sort(axis=1)  # 改变原始数组

arr

array([[21, 26, 34, 41, 44, 65, 74, 99],

       [ 1, 22, 24, 27, 35, 66, 72, 77],

       [ 2, 11, 17, 19, 50, 56, 64, 75],

       [11, 22, 30, 32, 48, 60, 80, 85],

       [ 9, 16, 21, 48, 51, 53, 61, 81]])

Numpy的基础使用的更多相关文章

numpy的基础运算2-【老鱼学numpy】
numpy的基础运算中还有很多运算,我们这里再记录一些. 最小/大值索引前面一篇博文中我们讲述过如何获得数组中的最小值,这里我们获得最小/大值的索引值,也就是这个最小/大值在整个数组中位于第几位. ...
Python Numpy shape 基础用法（转自他人的博客，如涉及到侵权，请联系我）
Python Numpy shape 基础用法 shape函数是numpy.core.fromnumeric中的函数,它的功能是读取矩阵的长度,比如shape[0]就是读取矩阵第一维度的长度.它的输入 ...
1.2 NumPy数组基础
目录第一章 numpy入门 1.2 numpy数组基础 1.2.1 数组的属性 1.2.2 数组的索引:获取单个元素 1.2.3 数组切片:获取子数组 1.2.4 数组的变形 1.2.5 数组的拼接 ...
【笔记】numpy.array基础（1）
numpy.array基础使用numpy.__version__可以检查numpy的版本当然也可以直接使用命令行检查numpy版本也可以用来简化引用,使用as python list特点 num ...
[转]numpy线性代数基础 - Python和MATLAB矩阵处理的不同
转自:http://blog.csdn.net/pipisorry/article/details/45563695 http://blog.csdn.net/pipisorry/article/de ...
numpy&pandas基础
numpy基础 import numpy as np 定义array In [156]: np.ones(3) Out[156]: array([1., 1., 1.]) In [157]: np.o ...
【笔记】numpy.array基础（2）
numpy数组的基本操作以几个数组为例使用ndim可以显示出是几维数组使用shape可以查看元素维度数使用size可以查看元素个数对一维数组进行数据访问对多维数组进行数据访问切片访问,使 ...
Python Numpy,Pandas基础笔记
Numpy Numpy是python的一个库.支持维度数组与矩阵计算并提供大量的数学函数库. arr = np.array([[1.2,1.3,1.4],[1.5,1.6,1.7]])#创建ndarr ...
数据分析入门——numpy类库基础知识
numpy类库是数据分析的利器,用于高性能的科学计算和数据分析.使用python进行数据分析,numpy这个类库是必须掌握的.numpy并没有提供强大的数据分析功能,而是它提供的ndarray数据结构 ...
numpy的基础运算-【老鱼学numpy】
概述本节主要讲解numpy数组的加减乘除四则运算. np.array()返回的是numpy的数组,官方称为:ndarray,也就是N维数组对象(矩阵),N-dimensional array obj ...

随机推荐

linux 根目录扩容
之前搭建了一个CentOS(7.0, x64)的VM,一直没留意它的硬盘空间.昨天,系统突然弹出警示,说根目录空间不足了. 这样的话,就只能给它增加空间呗. 我自己其实已经增加过硬盘空间了,但是为 ...
Django 路由层与视图层
1.路由层 1.1无名分组 1.2 有名分组 1.3 反向解析 1.4 路由分发 1.5 名称空间 2.伪静态网页 3.虚拟环境 4.视图层 1.1 JsonResponse 1.2 FBV与CBV ...
NTP时间服务器构建
搭建一个NTP服务器,为整个网络环境中的所有主机提供时间校准服务,具体如下: - 部署一台NTP时间服务器 - 设置时间服务器上层与0.centos.pool.ntp.org同步 - 设置本地服务器层 ...
使用国外 DNS 造成国内网站访问慢的解决方法
本文原载于 wzyboy's blog,转载请注明本文地址: https://wzyboy.im/post/874.html ,谢谢合作. 为什么要用国外 DNS 由于众所周知的问题,国内 DNS 服 ...
java四种引用类型以及使用场景详解
每种编程语言都有自己操作内存中元素的方式,例如在 C 和 C++ 里是通过指针,而在 Java 中则是通过“引用”.在 Java 中一切都被视为了对象,但是我们操作的标识符实际上是对象的一个引用(re ...
一、ARM
1.1 ARM 分类 1.1.1 版本号分类以前分类的是 ARM7,ARM9... ARM11,在 ARM11 之后,就是以 Cortex 系列分类了: Cortex-R:应用在实时系统上的系列 C ...
转义字符\e
Windows 平台下,conio.h 中有许多操作控制台颜色.格式的函数.但是再 Linux 平台下却没有类似的函数.经过在网上的一番搜索,找到了解决此问题的方法——转义字符\e.注意,\e这种写法 ...
CF527E Data Center Drama
链接CF527E Data Center Drama 题目大意:给你一个无向图,要求加最少的边,然后给这些无向图的边定向,使得每一个点的出入度都是偶数. \(n<=10^5,n\leq 2*10 ...
LeetCode--049--字母异位词分组(java)
给定一个字符串数组,将字母异位词组合在一起.字母异位词指字母相同,但排列不同的字符串. 示例: 输入: ["eat", "tea", "tan&quo ...
OSS重磅推出OSS Select——使用SQL选取文件的内容
对象存储OSS(Object Storage Service)具有海量.可靠.安全.高性能.低成本的特点.OSS提供标准.低频.归档类型,覆盖多种数据从热到冷的存储需求,单个文件的大小从1字节到48. ...