Numpy数据类型包括：

int8、uint8、int16、uint16、int32、uint32、int64、uint64、float16、float32、float64、float128、complex64、complex128、complex256、bool、object、string_、unicode_

astype

显示转换数组类型的方法

例如：

NumPy数组的索引和切片

索引

和python列表差不多，基本上没啥区别

切片

NumPy数组的切片出来的数值改变，就会改变NumPy数组的源数组的值。NumPy数组的切片是源数组的视图，而不是新复制出来的一个数组。从下面的例子,我们可以看到arr[,]= ,arr的数组变化了，data数组对应位置的数值也变化了。

In []: data = np.random.randn(,)

In []: data

Out[]:

array([[-1.68867271, -0.89369286, -0.0288363 ,  0.73855122],

       [-0.13084603,  0.43972144,  0.73542583,  1.99925332],

       [ 0.04291022, -0.91963212,  3.09214837, -0.6070068 ],

       [-0.01416294, -1.46576298,  1.42196278,  0.84758994]])

In []: arr = data[:,:]

In []: arr

Out[]:

array([[-0.91963212,  3.09214837, -0.6070068 ],

       [-1.46576298,  1.42196278,  0.84758994]])

In []: arr = 

In []: data

Out[]:

array([[-1.68867271, -0.89369286, -0.0288363 ,  0.73855122],

       [-0.13084603,  0.43972144,  0.73542583,  1.99925332],

       [ 0.04291022, -0.91963212,  3.09214837, -0.6070068 ],

       [-0.01416294, -1.46576298,  1.42196278,  0.84758994]])

In []: arr

Out[]: 

In []: arr = data[:,:]

In []: arr

Out[]:

array([[-0.91963212,  3.09214837, -0.6070068 ],

       [-1.46576298,  1.42196278,  0.84758994]])

In []: arr ==

Out[]:

array([[False, False, False],

       [False, False, False]], dtype=bool)

In []: arr

Out[]:

array([[-0.91963212,  3.09214837, -0.6070068 ],

       [-1.46576298,  1.42196278,  0.84758994]])

In []: arr[,]=

In []: arr

Out[]:

array([[-0.91963212,  3.09214837, -0.6070068 ],

       [-1.46576298,  .        ,  0.84758994]])

In []: data

Out[]:

array([[-1.68867271, -0.89369286, -0.0288363 ,  0.73855122],

       [-0.13084603,  0.43972144,  0.73542583,  1.99925332],

       [ 0.04291022, -0.91963212,  3.09214837, -0.6070068 ],

       [-0.01416294, -1.46576298,  .        ,  0.84758994]])

In []:

如果要复制NumPy数组的切片，则可以使用显示复制方法copy()

In []: data

Out[]:

array([[-1.68867271, -0.89369286, -0.0288363 ,  0.73855122],

       [-0.13084603,  0.43972144,  0.73542583,  1.99925332],

       [ 0.04291022, -0.91963212,  3.09214837, -0.6070068 ],

       [-0.01416294, -1.46576298,  .        ,  0.84758994]])

In []: arr = data

In []: arr

Out[]:

array([[-1.68867271, -0.89369286, -0.0288363 ,  0.73855122],

       [-0.13084603,  0.43972144,  0.73542583,  1.99925332],

       [ 0.04291022, -0.91963212,  3.09214837, -0.6070068 ],

       [-0.01416294, -1.46576298,  .        ,  0.84758994]])

In []: arr = np.copy(data)

In []: arr

Out[]:

array([[-1.68867271, -0.89369286, -0.0288363 ,  0.73855122],

       [-0.13084603,  0.43972144,  0.73542583,  1.99925332],

       [ 0.04291022, -0.91963212,  3.09214837, -0.6070068 ],

       [-0.01416294, -1.46576298,  .        ,  0.84758994]])

布尔类型索引

假设每个字符串对应data数组一行数据。需要注意布尔型数组的长度必须与被索引的轴长度一致。

通过布尔型索引查找数组数值的方式如下：

In [140]: names = np.array(['aaa','bbb','ccc','ddd','eee','fff'])

In [141]: data = np.random.randn(6,4)

In [142]: names
Out[142]:
array(['aaa', 'bbb', 'ccc', 'ddd', 'eee', 'fff'],
dtype='<U3')

In [143]: data
Out[143]:
array([[ 0.49394026, -0.65887621, -0.26946242, 0.22042355],
        [-1.11606179, -1.94945158, -0.4866134 , 0.67712409],
      [-2.33792045, 0.01639887, -0.46020647, 0.84180777],
        [-1.99622938, 1.937877 , -0.17134376, 0.56915872],
        [ 1.50980905, 0.07244016, -0.95650922, 1.23508517],
        [ 0.74706519, -0.03149619, -0.38235363, 0.69786257]])

In [144]: names == 'aaa'
Out[144]: array([ True, False, False, False, False, False], dtype=bool)

In [145]: data[names=='aaa']
Out[145]: array([[ 0.49394026, -0.65887621, -0.26946242, 0.22042355]])

In [146]: names =='ccc'
Out[146]: array([False, False, True, False, False, False], dtype=bool)

In [147]: data[names=='ccc']
Out[147]: array([[-2.33792045, 0.01639887, -0.46020647, 0.84180777]])

布尔数组索引结合切片进行查找数组的数值：

In []: data[names=='aaa',]

Out[]: array([-0.26946242])

In []: data[names=='aaa',:]

Out[]: array([[-0.26946242,  0.22042355]])

In []: data[names=='aaa',:]

Out[]: array([[-0.65887621, -0.26946242,  0.22042355]])

反向查找

In []: names !='aaa'

Out[]: array([False,  True,  True,  True,  True,  True], dtype=bool)

In []: data[names!='aaa']

Out[]:

array([[-1.11606179, -1.94945158, -0.4866134 ,  0.67712409],

       [-2.33792045,  0.01639887, -0.46020647,  0.84180777],

       [-1.99622938,  1.937877  , -0.17134376,  0.56915872],

       [ 1.50980905,  0.07244016, -0.95650922,  1.23508517],

       [ 0.74706519, -0.03149619, -0.38235363,  0.69786257]])

组合查找

In []: mask = (names == 'aaa')|(names == 'ccc')

In []: mask

Out[]: array([ True, False,  True, False, False, False], dtype=bool)

In []: data[mask]

Out[]:

array([[ 0.49394026, -0.65887621, -0.26946242,  0.22042355],

       [-2.33792045,  0.01639887, -0.46020647,  0.84180777]])

花式索引

其实就是利用整数列表或数组进行索引查找。花式索引与数组切片不同，花式索引会将数据复制到新的数组。

整数列表

创建一个二维数组arr，然后传入[3,1]，意思就是按 arr [3,:]、arr[1,:]的顺序显示出来。

In []: arr = np.array(([,,,],[,,,],[,,,],[,,,]))

In []: arr

Out[]:

array([[ ,  ,  ,  ],

       [ ,  ,  ,  ],

       [ ,  ,  ,  ],

       [ ,  ,  , ]])

In []: arr[[,]]

Out[]:

array([[ ,  ,  , ],

       [ ,  ,  ,  ]])

传入多个整数数组

一次传入多个整数数组，返回的是一个一维数组。

数组转置对轴对换

数组转置，是指将原数组A的行与列交换得到的一个新数组。

比如：

的转置是，的转置是

方法1：T

In []: arr = np.random.randn()

In []: arr

Out[]:

array([-1.42853867,  1.54300781, -0.74079757, -1.20272388, -1.00416459,

       -0.59571731,  1.16744662,  0.05739806,  1.01660691, -0.84625494])

In []: arr.T

Out[]:

array([-1.42853867,  1.54300781, -0.74079757, -1.20272388, -1.00416459,

       -0.59571731,  1.16744662,  0.05739806,  1.01660691, -0.84625494])

In []: arr = np.random.randn(,)

In []: arr

Out[]:

array([[ 1.36114118,  0.48455027,  0.64847485,  0.01691785, -0.03622465],

       [-2.31302164,  1.14992892, -1.47836923,  1.08003907, -1.33663009],

       [-0.38005499,  1.3517217 ,  2.52024026, -0.3576492 ,  0.46016645]])

In []: arr.T

Out[]:

array([[ 1.36114118, -2.31302164, -0.38005499],

       [ 0.48455027,  1.14992892,  1.3517217 ],

       [ 0.64847485, -1.47836923,  2.52024026],

       [ 0.01691785,  1.08003907, -0.3576492 ],

       [-0.03622465, -1.33663009,  0.46016645]])

方法2：transpose

三维数组 arr：4个3*4的数组

In [275]: arr = np.arange(48).reshape(4,3,4)

In [276]: arr
Out[276]:
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]],

[[24, 25, 26, 27],
[28, 29, 30, 31],
[32, 33, 34, 35]],

[[36, 37, 38, 39],
[40, 41, 42, 43],
[44, 45, 46, 47]]])

transpose参数的真正意义在于这个shape元组的索引（轴编号）。

In []: arr.shape

Out[]: (, , )

arr数组的索引（轴编号）：0、1、2

下面是按索引 2、0、1进行对换

In []: arr.transpose(,,)

 Out[]:

 array([[[ ,  ,  ],

         [, , ],

         [, , ],

         [, , ]],

       [[ ,  ,  ],

         [, , ],

         [, , ],

         [, , ]],

       [[ ,  , ],

         [, , ],

         [, , ],

         [, , ]],

       [[ ,  , ],

         [, , ],

         [, , ],

         [, , ]]])

然后，我们再按（轴编号）0、1、2 对换回到原来的样子

In []: arr.transpose(,,)

Out[]:

array([[[ ,  ,  ,  ],

        [ ,  ,  ,  ],

        [ ,  , , ]],

       [[, , , ],

        [, , , ],

        [, , , ]],

       [[, , , ],

        [, , , ],

        [, , , ]],

       [[, , , ],

        [, , , ],

        [, , , ]]])

方法3：`swapaxes`

`swapaxes返回的是源数组的视图。`

`相比于transpose是需要传入一个索引元组（轴编号），swapaxes只需要一对索引元组（轴编号）。`

In []: arr.swapaxes(,)

Out[]:

array([[[ ,  ,  ],

        [ ,  ,  ],

        [ ,  , ],

        [ ,  , ]],

       [[, , ],

        [, , ],

        [, , ],

        [, , ]],

       [[, , ],

        [, , ],

        [, , ],

        [, , ]],

       [[, , ],

        [, , ],

        [, , ],

        [, , ]]])

利用Python进行数据分析_Numpy_基础_2的更多相关文章

利用Python进行数据分析_Numpy_基础_3
通用函数:快速的元素级数组函数通用函数,是指对数组中的数据执行元素级运算的函数:接受一个或多个标量值,并产生一个或多个标量值. sqrt 求平方根 np.sqrt(arr) exp 计算各元素指数 ...
利用Python进行数据分析_Numpy_基础_1
ndarray:多维数组 ndarray 每个数组元素必须是相同类型,每个数组都有shape和dtype对象. shape 表示数组大小 dtype 表示数组数据类型 array 如何创建一个数组? ...
利用Python进行数据分析——Numpy基础：数组和矢量计算
利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...
利用python进行数据分析--numpy基础
随书练习,第四章 NumPy基础:数组和矢量运算 # coding: utf-8 # In[1]: # 加注释的三个方法1.用一对"""括起来要注释的代码块. # 2. ...
利用Python进行数据分析(12) pandas基础: 数据合并
pandas 提供了三种主要方法可以对数据进行合并: pandas.merge()方法:数据库风格的合并: pandas.concat()方法:轴向连接,即沿着一条轴将多个对象堆叠到一起: 实例方法c ...
利用Python进行数据分析(5) NumPy基础: ndarray索引和切片
概念理解索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组一维数组的索引一维数组的索引和Python列表的功能类似: 一维数组的切片一维数组的切片语法格式为a ...
利用Python进行数据分析(9) pandas基础: 汇总统计和计算
pandas 对象拥有一些常用的数学和统计方法. 例如,sum() 方法,进行列小计: sum() 方法传入 axis=1 指定为横向汇总,即行小计: idxmax() 获取最大值对应的索 ...
利用Python进行数据分析(8) pandas基础: Series和DataFrame的基本操作
一.reindex() 方法:重新索引针对 Series 重新索引指的是根据index参数重新进行排序. 如果传入的索引值在数据里不存在,则不会报错,而是添加缺失值的新行. 不想用缺失值,可以用 ...
利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍
一.pandas 是什么 pandas 是基于 NumPy 的一个 Python 数据分析包,主要目的是为了数据分析.它提供了大量高级的数据结构和对数据处理的方法. pandas 有两个主要的数据结构 ...

随机推荐

luogu_P4767 [IOI2000]邮局
传送门 Description 高速公路旁边有一些村庄.高速公路表示为整数轴,每个村庄的位置用单个整数坐标标识.没有两个在同样地方的村庄.两个位置之间的距离是其整数坐标差的绝对值. 邮局将建在一些,但 ...
ORACLE批量导入图片到BLOB字段
要插入图片的表不是固定的,而且是批量插入很多张,还要考虑到因为图片的文件名错误,修改后要再次插入,此时应避免已经插入的重复执行操作, 浪费时间. 所以就选择先用一张临时表来暂时保存从文件系统读取的照片 ...
mysql和mssql数据库快速创建表格五
* into testAAA FROM tbl_User --sqlserver方法一复制表结构 select * into testAAA FROM tbl_User --sqlserver复制表结 ...
ajax 提交 form表单，后台执行两次的问题
网上大多的答案是说同步不同步的问题,但是我把异步改成同步也不行.async: false, // 单击时表单检查 $('.btn-next a').click(function () { if ...
ST (Sparse Table：稀疏表)算法
1541:[例 1]数列区间最大值时间限制: 1000 ms 内存限制: 524288 KB提交数: 600 通过数: 207 [题目描述] 输入一串数字,给你 MM 个询问 ...
[插件式开发][C#]
Demo 下载参考文章:https://www.cnblogs.com/hippieZhou/p/9398354.html 技术方面要使用到依赖注入,可以参考此示例逐步学习:https://git ...
Centos 7 下 Corosync + Pacemaker + DRBD + psc + crmsh 实现 mysql 服务高可用
一.介绍高可用,大家可能会想到比较简单的Keepalived,或者更早一点的 heartbeat,也可能会用到 Corosync+Pacemaker,那么他们之间有什么区别. Heartbeat到了 ...
006-多线程-集合-Set-ConcurrentSkipListSet
一.简介 ConcurrentSkipListSet是线程安全的有序的集合,适用于高并发的场景.ConcurrentSkipListSet和TreeSet,它们虽然都是有序的集合.但是,第一,它们的线 ...
Realsense D430 save
rs-save-to-disk.cpp // License: Apache 2.0. See LICENSE file in root directory. // Copyright(c) 2015 ...
阶段5 3.微服务项目【学成在线】_day07 课程管理实战_01-我的课程-需求分析与PageHelper技术
1 我的课程 1.1需求分析课程添加完成后可通过我的课程进入课程修改页面,此页面显示我的课程列表,如下图所示,可分页查询. 注意:由于课程图片服务器没有搭建,这里在测试时图片暂时无法显示. 上边的查 ...

利用Python进行数据分析_Numpy_基础_2