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

JavaScript--自定义事件Event
在开发过程中,js原生事件不足以满意开发需求,需要开发者自定义事件. 一.Event Event()构造函数创建一个新的Event. event = new Event(typeArg,eventIn ...
docker笔记--如何批量删掉已经停止的容器
(以下操作都是在root用户) 方法如下: (1)显示所有容器,过滤出状态为Exited的容器id,然后删除. # for i in `docker ps -a |grep Exited |awk ...
【spring源码分析】IOC容器初始化——查漏补缺（五）
前言:我们知道在Spring中经常使用配置文件的形式对进行属性的赋值,那配置文件的值是怎么赋值到属性上的呢,本文将对其进行分析. 首先了解一个类:PropertySourcesPlaceholderC ...
Python实现协程
什么是进程和线程有一定基础的小伙伴们肯定都知道进程和线程. 进程是什么呢? 直白地讲,进程就是应用程序的启动实例.比如我们运行一个游戏,打开一个软件,就是开启了一个进程. 进程拥有代码和打开的文件资 ...
SSH 三大框架整合
Spring整合web项目在Servlet当中直接加载配置文件,获取对象存在问题每次请求都会创建一个Spring的工厂,这样浪费服务器资源,应该一个项目只有一个Spring的工厂. 在服务器启动 ...
Mininet系列实验（三）：Mininet命令延伸实验扩展
1 实验目的熟悉Mininet自定义拓扑三种实现方式:命令行创建.Python脚本编写.交互式界面创建. 2 实验原理 Mininet 是一个轻量级软件定义网络和测试平台:它采用轻量级的虚拟化技术使 ...
Linux下设置Tomcat开机自启动
--未验证第一步:在/etc/init.d下新建一个文件tomcat(需要root操作权限) vi /etc/init.d/tomcat 然后点击"i"写下如下代码,tomcat ...
通过Redis的list来实现 Server - Client 的同步通信
Redis实现类似同步方法调用的功能(一) 首先声明,这么干纯粹是为了好玩. 通常我们用Redis主要是为了存储一些数据,由于数据在内存里,所以查询更新很快.同时我们也可以利用 Pub/Sub 功能来 ...
123457123456#0#-----com.threeapp.ErTongPaint01-----儿童宝宝绘画涂鸦游戏02
com.threeapp.ErTongPaint01-----儿童宝宝绘画涂鸦游戏02
浅谈Delphi高效使用TreeView
本来我一直都是使用递归算法, 效率很低下边这段代码是我原来写的 ------------------------------------------------------------------- ...

利用Python进行数据分析_Numpy_基础_2