Numpy

Numpy(Numerical Python的简称)是高性能科学计算和数据分析的基础包。它是我们课程所介绍的其他高级工具的构建基础。

其部分功能如下:

  1. ndarray, 一个具有复杂广播能力的快速且节省空间的多维数组。
  2. 对于整组数据进行快速的运算,无需编写循环。
  3. 用于读写磁盘数据的工具以及用于操作内容映射文件的工具。
  4. 用于集成由C, C++等语言编写的代码的工具。

Numpy本身并没有提供那么多高级的数据分析功能,理解Numpy数组以及面向数组的计算将有助于我们更加高效的使用pandas之类的工具。

创建数组 ndarray概述

Numpy最重要的一个特点就是其N纬数组对象(即ndarray),该对象是一个快速而灵活的大数据集容器。你可以利用这种数组对整块的数据执行一些数学运算。

ndarray是一个通用的同构数据多维容器,其中的所有元素必须是相同类型的。每个数组都有一个shape(表示各维度大小的元组)和一个dtype(表示数组数据类型的对象):

我们将会介绍Numpy数组的基本用法,虽然说大多数数据分析工作不需要深入理解Numpy,但精通面向数组的编程和思维方式是成为Python科学计算牛人的一大关键步骤。

注意: 我们将依照标准的Numpy约定,即总是使用import numpy as np. 当然你也可以为了不写np,而直接在代码中使用from numpy import *, 但是建议你最好还是不要养成这样的坏习惯。

在界面上的命令行操作

  1. esc切换到命令模式,

  2. 输入dd 删除当前单元格

  3. a在当前单元格前面增加一个单元格

  4. b在当前单元格后面增加一个单元格

创建ndarray

创建数组最简单的方法就是使用array函数。它接收一切序列型的对象(包括其他数组),然后产生一个新的含有传入数据的Numpy数组。

array函数创建数组

import numpy as np

创建一维数组

ndarray1 = np.array([1, 2, 3, 4, 5])

ndarray1

查看数组的类型

ndarray1.dtype

查看数组的shape(看维数和数组的长度,一维的只显示数组的长度)

ndarray1.shape

  

创建二维数组 

这里要用一个大列表,把里面的数组包起来 

ndarray2 = np.array([[1, 2, 3, 4], [2, 4, 6, 8]]) 

ndarray2

查看数组的shape 

 

查看数组的类型

ndarray2.dtype

创建一个字符数组

ndarray3 = np.array(list('abcdefg'))
ndarray3

  

查看数组的类型

ndarray3.dtype

  

查看数组的shape

ndarray3.shape

  

zeros和zeros_like创建数组

它的类型是Float

用于创建数组,数组元素默认值是0. 注意:zeros_linke函数只是根据传入的ndarray数组的shape来创建所有元素为0的数组,并不是拷贝源数组中的数据.

ndarray3 = np.zeros(5)
ndarray3

查看类型

ndarray3.dtype

zeros_like  

ndarray4 = np.zeros((2, 2))

ndarray4[0][0] = 100

ndarray4

  

like版本的函数表示按照参数的shape创建数组

ndarray5 = np.zeros_like(ndarray4)
ndarray5

  

值并不和 ndarray4 的值一样,只是和它的维度和长度有关

ones和ones_like创建数组

用于创建所有元素都为1的数组.ones_like用法同zeros_like用法.

ndarray6 = np.ones([3, 3])

  

np.ones_like(ndarray6)

  

empty和empty_like创建数组

用于创建空数组,空数据中的值并不为0,而是未初始化的随机值(垃圾值)

ndarray6 = np.ones([3, 3])
ndarray6

empty_like的用法同上

ndarray7 =np.empty_like(ndarray6)
ndarray7

eys创建对角矩阵数组

该函数用于创建一个N*N的矩阵,对角线为1,其余为0.  

np.eye(5)

  

arange创建数组

arange函数是python内置函数range函数的数组版本.

#产生0-9共10个元素
ndarray8 = np.arange(10)
ndarray8

# 产生10 12 14 16 18, 2为step
ndarray9 = np.arange(10, 20, 2)
ndarray9

2.2 数据类型

我们可以通过ndarray的dtype来打印数组中元素的类型. ndarray常见的数据类型如下:

ul 表示无符号正数,没有负数

类型 类型代码 说明
int8、uint8 i1、u1 有符号和无符号的8位(1个字节长度)整型
int16、uint16 i2、u2 有符号和无符号的16位(2个字节长度)整型
int32、uint32 i4、u4 有符号和无符号的32位(4个字节长度)整型
float16 f2 半精度浮点数
float32 f4或f 标准单精度浮点数
float64 f8或d 双精度浮点数
bool ? 布尔类型
object O Python对象类型
unicode_ U 固定长度的unicode类型,跟字符串定义方式一样
import numpy as np

ndarray1 = np.array([1, 2, 3, 4])
ndarray2 = np.array(list('abcdefg'))
ndarray3 = np.array([True, False, False, True])
class Person(object):
    pass
ndarray4 = np.array([Person(), Person(), Person()])

依次查看类型

ndarray1.dtype

使用astype函数转换数组类型

ndarray5 = np.array([1, 2, 3, 4, 5])
# 类型转换完毕返回新的数组
ndarray6 = ndarray5.astype(np.float32)
ndarray6.dtype

  

ndarray7 = np.array([1.1, 2.2, 3.3, 4.4])
# 如果浮点数转换为整数,则小数部分将会被截断
ndarray8 = ndarray7.astype(np.int32)ndarray8

  

 

ndarray9 = np.array(['10', '20', '30', '40'])
# 如果某些字符串数组表示的全是数字,也可以用astype将其转换为数值类型
ndarray10 = ndarray9.astype(np.int32)
ndarray10

  

 

数组运算

快速切换到Markdown的快捷键  Esc +M 

不需要循环即可对数据进行批量运算,叫做矢量化运算. 不同形状的数组之间的算数运算,叫做广播.  

reshape()函数可以重新设置数组的shape  

ndarray2= np.arange(9).reshape((3,3))
ndarray2

  

数组和数字之间的运算(广播的形式挨个遍历)

ndarray3 = np.arange(10)
ndarray3+100

  

ndarray3 * 10

  

ndarray2+100

  

数组还可以进行布尔运算

ndarray1 = np.arange(10)
ndarray1>2

  

 

1 np.random.randint(0, 10, 5) 随机产生5个0-10的元素

 np.random.randint(0, 10, 5)

  

2 np.random.randint(0, 10, (3, 4)) 随机产生3行4列的元素

np.random.randint(0, 10, (3, 4))

  

数组和数组运算

ndarray4 = np.random.randint(0, 10, 5)
ndarray4

  

ndarray5 = np.random.randint(0, 10, 5)
ndarray5

  

ndarray4 + ndarray5

  

ndarray6 = np.random.randint(0, 10, (3, 4))
ndarray6

  

ndarray7 = np.random.randint(0, 10, (3, 4))
ndarray7

  

ndarray6+ndarray7

ndarray8 = np.random.randint(0, 10, 4)
ndarray8

  

  

ndarray6 + ndarray8

一维数组和多维数组进行想加是每一行,每一行进行广播想加

  

数组索引和切片

Numpy数组的索引是一个内容丰富的主题,因为选取数据子集或单个元素的方式有很多。一维数组很简单。从表面上看,它们和Python列表的功能差不多。

数组索引和切片基本用法

ndarray1 = np.arange(25).reshape((5, 5))
ndarray1  

 

获取二维数组的第一个元素(数组)

ndarray1[0]

  

获取二维数组第一个元素的第二个元素

ndarray1[0][1]

  

获取二维数组的前三个元素(数组)

ndarray1[:3]

  

获取二维数组的前三个元素的前两个元素

ndarray1[:3][:2]

  

获取二维数组的前三个元素,每个元素从2开始切片

ndarray1[:3,2:]

  

注意:

  1. 当把一个数字值赋值给一个切片时,该值会自动传播到整个选区。跟列表的区别在于,数组切片是原始数组的视图,这意味着数据不会被赋值,视图上的任何修改都会直接反应到源数组上.
  2. 大家可能对此感到不解,由于Numpy被设计的目的是处理大数据,如果Numpy将数据复制来复制去的话会产生何等的性能和内存问题.
  3. 如果要得到一个切片副本的话,必须显式进行复制操作.

数组花式索引

ndarray2 = np.empty((8,8))

for val in range(8):
    ndarray2[val]= np.arange(val,val+8)

ndarray2

  

获取指定下标元素的集合

ndarray2[[1,3,5]]

  

获取筛选后的1,2元素

ndarray2[[1,3,5]][[1,2]]

获取筛选后每个元素的第0个元素

ndarray2[[1,3,5],0]

  

获取筛选后每个元素,从下标0开始切片到2

ndarray2[[1,3,5],:2]

  

获取每个元素的指定的元素  

ndarray2[[1,3,5],[0,1,2]]

  

布尔型索引

# 获取一个随机3行4列的数组
country_data = np.random.randint(1000,10000,(4,3))
country_data

  

添加行索引

country_index = np.array(['中国','美国','德国','法国'])
country_index 

  

country_index == '美国'

  

# 也就是一个数组里面又嵌套了一个数组
country_data[country_index == '美国']

  

添加列索引

country_col=np.array(['经济','军事','人口'])
# 先计算军事这个元素在数组中第几个位置
np.argwhere(country_col == '军事')

取出这个位置

np.argwhere(country_col == '军事')[0][0]

获取法国的人口

country_data[country_index == '法国'][0][np.argwhere(country_col == '人口')[0][0]]

  

  

查看元素在数组中的第几个位置  

np.argwhere(条件)
np.argwhere(country_data == 8377)

  

布尔类型数组跟切片、整数混合使用
names = np.array(['aaa', 'bbb', 'ccc', 'ddd', 'eee', 'fff', 'ggg'])
data = np.arange(35).reshape((7, 5))

data

  

ret1 = data[names == 'ccc']
ret1

  

布尔类型数组和整数混合使用

ret2= data[names == 'ccc', 2]
ret2

  

布尔类型数组和切片混合使用

ret3= data[names == 'ccc', 1:]
ret3

  

使用不等于!=,使用(~)对条件否定
ret1 = data[names != 'ccc']
ret1

  

ret2 = data[~(names == 'ccc')]
ret2

  

ret3 = data[~(names > 'ccc')]
ret3

  

使用&(和)、|(或)组合多个布尔条件
ret1 = data[(names == 'aaa') | (names == 'ccc')]
ret1

  

ret2 = data[(names > 'ddd') | (names == 'aaa')]
ret2

  

ret3 = data[(names < 'eee') & (names > 'bbb') ]
ret3

  

使用布尔类型数组设置值是一种经常用到的手段
ndarray1 = np.arange(5)
ndarray2 = np.arange(16).reshape((4, 4))
names = np.array(['aaa', 'bbb', 'ccc', 'ddd'])

将数组ndarray1中所有大于2的元素设置成666  

ndarray1[ndarray1 > 2] = 666
ndarray1

  

将ndarray2的aaa这一行所有的元素设置为0

ndarray2[names == 'aaa'] = 0
ndarray2

  

将ndarray2的bbb这一行2位置往后所有的元素设置为1

ndarray2[names == 'bbb', 2:] = 1
ndarray2

  

将ndarray2的ccc ddd这2行所有的元素设置为2

ndarray2[(names == 'ccc') | (names == 'ddd')] = 2
ndarray2

  

zip 函数的使用

zip([列表1],[列表2])用法,拿列表中1的值,在拿列表2中的值,进行一一对应

for a,b in zip([ True,  True, False,  True,  True,  True,  True],data):
    print(a,b)

  

# 只取为真的值
for a,b in zip([ True,  True, False,  True,  True,  True,  True],data):
    if a:
        print(a,b)

  

np.where用法

np.where()函数的使用-----------> np.where(条件,满足条件是什么值,不满足条件是什么值)

ndarray1 = np.random.randint(-10, 10, (5, 5))
ndarray1

  

把数组中小于0的值改为100
np.where(ndarray1<0,100,ndarray1)

  

将数组中大于-3小于3的值改为100
np.where(ndarray1>-3,np.where(ndarray1<3,100,ndarray1),ndarray1)

  

2 数据分析之Numpy模块(1)的更多相关文章

  1. 数据分析01 /numpy模块

    数据分析01 /数据分析之numpy模块 目录 数据分析01 /数据分析之numpy模块 1. numpy简介 2. numpy的创建 3. numpy的方法 4. numpy的常用属性 5. num ...

  2. 【Python 数据分析】Numpy模块

    Numpy模块可以高效的处理数据,提供数组支持.很多模块都依赖他,比如:pandas.scipy.matplotlib 安装Numpy 首先到网站:https://www.lfd.uci.edu/~g ...

  3. 3 数据分析之Numpy模块(2)

    数组函数 通用元素级数组函数通用函数(即ufunc)是一种对ndarray中的数据执行元素级的运算.我们可以将其看做是简单的函数(接收一个或多个参数,返回一个或者多个返回值). 常用一元ufunc: ...

  4. 数据分析之numpy模块

    numpy(numerical python)是python语言的一个扩展程序库,支持大量的维度数组和矩阵运算,此外也针对数组提供大量的数学函数库. 一.创建数组 1 使用array()创建 impo ...

  5. Python数据分析之numpy学习

    Python模块中的numpy,这是一个处理数组的强大模块,而该模块也是其他数据分析模块(如pandas和scipy)的核心. 接下面将从这5个方面来介绍numpy模块的内容: 1)数组的创建 2)有 ...

  6. (转)Python数据分析之numpy学习

    原文:https://www.cnblogs.com/nxld/p/6058572.html https://morvanzhou.github.io/tutorials/data-manipulat ...

  7. 开发技术--Numpy模块

    开发|Numpy模块 Numpy模块是数据分析基础包,所以还是很重要的,耐心去体会Numpy这个工具可以做什么,我将从源码与 地产呢个实现方式说起,祝大家阅读愉快! Numpy模块提供了两个重要对象: ...

  8. numpy模块常用函数解析

    https://blog.csdn.net/lm_is_dc/article/details/81098805 numpy模块以下命令都是在浏览器中输入. cmd命令窗口输入:jupyter note ...

  9. numpy模块、matplotlib模块、pandas模块

    目录 1. numpy模块 2. matplotlib模块 3. pandas模块 1. numpy模块 numpy模块的作用 用来做数据分析,对numpy数组(既有行又有列)--矩阵进行科学计算 实 ...

随机推荐

  1. unix时间转换为datetime\datetime转换为unixtime

    /// <summary> /// unix时间转换为datetime /// </summary> /// <param name="timeStamp&qu ...

  2. 浅谈Java虚拟机内存中的对象创建,内存布局,访问定位

    参考于 深入理解Java虚拟机 这里介绍HotSpot虚拟机(自带的虚拟机) 1.对象的创建 对于程序员来说,创建对象的方法: User user1 = new User(); User user2 ...

  3. 面试题之(js实现当年剩余时间倒计时程序)

    js实现当年剩余时间倒计时程序,请看代码: <script> function counter() { var date = new Date(); var year = date.get ...

  4. openlayers3 实现点选的几种方式

    WebGIS开发中,点击查询是最常用的一种查询方式,在ArcGIS api 中,这种查询叫IdentifyTask,主要作用是前台提交参数,交ArcServer查询分析返回.本文从开源框架的角度,从前 ...

  5. as无法关联git

    转载请标明出处:https://www.cnblogs.com/tangZH/p/10060573.html 从gitlab上面把项目拉下来之后,用as打开,发现as无法关联git,没有git相关的菜 ...

  6. (最简单)红米手机5A的USB调试模式在哪里开启的方法

    当我们使用安卓手机链接Pc的时候,或者使用的有些APP比如我们公司营销小组当使用的APP引号精灵,之前使用的老版本就需要开启usb调试模式下使用,现当新版本不需要了,如果手机没有开启usb调试模式,P ...

  7. win10 iis注册.net framework 此操作系统版本不支持此选项。

    利用dism工具 执行下面命令才成功 dism /online /enable-feature /featurename:IIS-ISAPIFilter dism /online /enable-fe ...

  8. leaflet动态路径

    在leaflet中使用动态路径需要结合插件使用,对比了好几个插件,最终找到leaflet.motion比较合适: leaflet地址:https://leafletjs.com/ leaflet.mo ...

  9. drf 教程

    1, 序列化 Serialization 创建一个新环境 在做其他事之前,我们会用virtualenv创建一个新的虚拟环境.这将确保我们的包配置与我们正在工作的其他项目完全隔离. virtualenv ...

  10. RX 和 TX

    我们在ifconfig 查看网卡配置时或者嵌入式开发的时候,经常会看到rx/tx缩写,其含义如下: RX==receive,接收,从开启到现在接收封包的情况,是下行流量. TX==Transmit,发 ...