《利用python进行数据分析》——Numpy基础

一、创建数组

1、创建数组的函数

• array：将输入数据（列表、元组、数组或其他序列类型）转换为ndarray，可用dtype指定数据类型。

>>> import numpy as np
>>> a=np.array([1,2,3])
>>> a
array([1, 2, 3])
>>> c=np.array([1,2,3],dtype=float)  #使用的type指定数据类型
>>> c
array([ 1.,  2.,  3.])
>>> c=c.astype(int)   #使用astype更改数据类型
>>> c
array([1, 2, 3])

• arange：类似于range，但返回的不是列表而是ndarray。

>>> g=np.arange(5)
>>> g
array([0, 1, 2, 3, 4])
>>> k=np.arange(6).reshape(2,3)
>>> k
array([[0, 1, 2],
       [3, 4, 5]])

• ones、ones_like：创建全是1的数组。

>>> c=np.ones((2,3),dtype=np.int)
>>> c
array([[1, 1, 1],
       [1, 1, 1]])

>>> d=np.ones_like(c)  #d的形状和dtype与c相同
>>> d
array([[1, 1, 1],
       [1, 1, 1]])

• zeros、zeros_like：创建全是0的数组。

>>> f=np.zeros((2,3,2))
>>> f
array([[[ 0.,  0.],
        [ 0.,  0.],
        [ 0.,  0.]],

       [[ 0.,  0.],
        [ 0.,  0.],
        [ 0.,  0.]]])

>>> g=np.zeros_like(f)  #g的形状和dtype与f相同
>>> g
array([[[ 0.,  0.],
        [ 0.,  0.],
        [ 0.,  0.]],

       [[ 0.,  0.],
        [ 0.,  0.],
        [ 0.,  0.]]])

• empty，empty_like：创建新数组，只分配内存但不填充任何值。

注：empty数据并不是空的数组，也不是全为0的数组，它返回的是一些未初始化的垃圾值。

>>> k=np.empty((2,3))
>>> k
array([[  6.23042070e-307,   3.56043053e-307,   1.37961641e-306],
       [  8.06612192e-308,   2.22523004e-307,   2.44031977e-312]])

>>> g=np.empty_like(k)   #g的形状和dtype与k相同
>>> g
array([[  6.23042070e-307,   3.56043053e-307,   1.37961641e-306],
       [  8.06612192e-308,   2.22523004e-307,   2.44031977e-312]])

• eye、identity：创建一个正方的N*N的单位矩阵（对角线为1，其他为0）

np.eye(N, M=None, k=0, dtype=<type ‘float’>)
可以创建矩形矩阵，且k值可以调节，为1的对角线的位置偏离度，0居中，1向上偏离1，2偏离2，以此类推，-1向下偏离。值绝对值过大就偏离出去了，整个矩阵就全是0了。

>>> l=np.eye(3,4,1)  #3行4列，为1的对角线向上移一位
>>> l
array([[ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.]])

>>> l1=np.eye(3,3,-1) #3行3列，为1的对角线向下移一位
>>> l1
array([[ 0.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.]])

>>> j=np.identity(3)  #创建方形单位矩阵（对角线为1，其余为0）
>>> j
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])

 

2、Numpy的数据类型

3、 查看数组维度、数组形状、数据类型

>>> a=np.random.randn(4,3)
>>> a
array([[-1.67075275, -0.53713536, -1.54479383],
       [-0.95460603,  2.097174  , -0.61332423],
       [-1.92818377, -0.00663392,  1.34561876],
       [ 0.54646619, -0.85965155, -0.70237827]])

>>> a.ndim  #查看维度
2

>>> a.shape  #查看形状
(4, 3)

>>> a.dtype  #查看数据类型
dtype('float64')

二、索引、切片

• 利用行列号索引、切片

>>> a
array([[0, 1, 2],
       [3, 4, 5]])

>>> a[0]
array([0, 1, 2])

>>> a[0][2]
2

>>> a[0][1:]
array([1, 2])

>>> a[:,:1]
array([[0],
       [3]])

>>> a[:,:2]
array([[0, 1],
       [3, 4]])

• 利用整数数组做花式索引

>>> a=np.arange(20).reshape(5,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19]])

>>> a[[0,2,4]]  #选取第0,2,4行元素
array([[ 0,  1,  2,  3],
       [ 8,  9, 10, 11],
       [16, 17, 18, 19]])

>>> a[[0,2,1],[1]] #意为选取(0,1),(2,1),(1,1)的元素
array([1, 9, 5])

>>> a[[0,2,1]][:,[2,0]]#意为选取0、2、1行，2,0列的元素
array([[ 2,  0],
       [10,  8],
       [ 6,  4]])

• 条件索引

>>> a=np.random.randn(4,3)
>>> a
array([[-0.04603611, -1.04144497,  0.78488753],
       [-0.06099172,  0.31987999,  0.62553966],
       [-0.44534405, -0.33631437,  0.07821993],
       [-0.56541056, -0.42975815, -0.65669226]])

>>> a[a<0]
array([-0.04603611, -1.04144497, -0.06099172, -0.44534405, -0.33631437,
       -0.56541056, -0.42975815, -0.65669226])

>>> b=np.array(['rose','lily','tulips','hyacinth'])
>>> b==‘lily‘        #条件判断，返回布尔数组
array([False,  True, False, False], dtype=bool)

>>> a[b==‘lily’]     #用布尔数组判断，返回布尔为true的行，注行数要与布尔数组的长度相同
array([[-0.06099172,  0.31987999,  0.62553966]])

>>> c=(b=='rose')|(b=='lily')   #条件或写法，不能写成or
>>> c     #多个条件判断
array([ True,  True, False, False], dtype=bool)
>>> a[c]
array([[-0.04603611, -1.04144497,  0.78488753],
       [-0.06099172,  0.31987999,  0.62553966]])

>>> b!='rose'    #条件非写法
  array([False,  True,  True,  True], dtype=bool)

>>> f=(b=='rose')&(b=='lily')  #条件与写法,不能写成and
  >>> f
  array([False, False, False, False], dtype=bool)
 

 三、数组和标量间的运算

大小相等的数组间的算术运算会应用到元素级。

>>> a=np.arange(6).reshape(2,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5]])

>>> a*a
array([[ 0,  1,  4],
       [ 9, 16, 25]])

>>> a+a
array([[ 0,  2,  4],
       [ 6,  8, 10]])
>>> a-a
array([[0, 0, 0],
       [0, 0, 0]])

>>> a/a
array([[ nan,   1.,   1.],
       [  1.,   1.,   1.]])

>>> a*2
array([[ 0,  2,  4],
       [ 6,  8, 10]])

>>> a/2
array([[ 0. ,  0.5,  1. ],
       [ 1.5,  2. ,  2.5]])

>>> a**0.5
array([[ 0.        ,  1.        ,  1.41421356],
       [ 1.73205081,  2.        ,  2.23606798]])

 四、数组转置和轴对换

• T：转置

>>> a=np.arange(6).reshape(3,2)
>>> a
array([[0, 1],
       [2, 3],
       [4, 5]])

>>> a.T          #转置
array([[0, 2, 4],
       [1, 3, 5]])

• transpose：传入一个由轴编号组成的元组，对这些轴进行转置

>>> arr=np.arange(16).reshape(2,2,4)
>>> arr
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

>>> arr.transpose(0,2,1)  #transpose（行、列、层）分别用数字0,1,2代表，arr.transpose(0,2,1)意为列、层对换
array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])

• swapaxes：接受一对轴编号

>>> arr.swapaxes(1,2)    #接受一对轴编号，列、层对调
array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])

 五、函数

• abs，fabs   ：计算整数、浮点数、复数的绝对值，对于非复数，fabs更快
  

>>> a=np.random.randn(3,4)
>>> a
array([[ 1.38259684,  1.5849254 ,  0.4449462 ,  0.2385593 ],
       [ 1.00091383, -1.09375872, -0.02773304,  0.53630798],
       [ 0.57737587,  1.60649999, -0.20384362, -1.22109508]])
>>> np.abs(a)
array([[ 1.38259684,  1.5849254 ,  0.4449462 ,  0.2385593 ],
       [ 1.00091383,  1.09375872,  0.02773304,  0.53630798],
       [ 0.57737587,  1.60649999,  0.20384362,  1.22109508]])
>>> np.fabs(a)
array([[ 1.38259684,  1.5849254 ,  0.4449462 ,  0.2385593 ],
       [ 1.00091383,  1.09375872,  0.02773304,  0.53630798],
       [ 0.57737587,  1.60649999,  0.20384362,  1.22109508]])

• sqrt：计算平方根

>>> b=np.arange(4).reshape(2,2)
>>> b
array([[0, 1],
       [2, 3]])

>>> np.sqrt(b)
array([[ 0.        ,  1.        ],
       [ 1.41421356,  1.73205081]])

• square：计算平方

>>> b
array([[0, 1],
       [2, 3]])
>>> np.square(b)
array([[0, 1],
       [4, 9]], dtype=int32)

• exp计算指数