1、numpy.genfromtxt读取txt文件

import  numpy
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)
#上面一句话是:实例化一个numpy.genfromtxt的对象,第一参数传要读取的文件名,第二个是分割符,最后一个读取后的数据类型。这是用numpy.genfromtxt读取txt文件内容的方法。
 print(type(world_alcohol))
print(world_alcohol)
#print(help(numpy.genfromtxt))

输出为:

<class 'numpy.ndarray'>
[['Year' 'WHO region' 'Country' 'Beverage Types' 'Display Value']
['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
['1986' 'Americas' 'Uruguay' 'Other' '0.5']
...,
['1987' 'Africa' 'Malawi' 'Other' '0.75']
['1989' 'Americas' 'Bahamas' 'Wine' '1.5']
['1985' 'Africa' 'Malawi' 'Spirits' '0.31']]

2、numpy.array建立矩阵

vector = numpy.array([5, 10, 15, 20])  #使用numpy.array方法把一个list转化为一个向量或者叫一行矩阵。

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])  #使用numpy.array方法把多个list转化为一个矩阵。

print(vector)

print(matrix)

所以写一维矩阵写一个中括号,写二维矩阵写二个中括号,写三维矩阵写三个中括号。

输出:

  [ 5 10 15 20]
  [[ 5 10 15]
  [20 25 30]
  [35 40 45]]

3、shape方法打印矩阵形状

vector = numpy.array([5, 10, 15, 20])

print(vector.shape)  #vector.shape就是打印该矩阵的形状,即几维,几行几列。

matrix = numpy.array([[5, 10, 15], [20, 25, 30], [35, 40, 45]])

print(matrix.shape)  #matrix.shape就是打印该矩阵的形状,即几维,几行几列。

一般XXX.shape用作调试程序用。

输出:

  (4,)
  (3, 3)

4、dtpye方法打印矩阵元素类型

当构建numpy矩阵时,要求里面的所有元素的数据类型为相同的数据类型。

numbers = numpy.array([1, 2, 3, 4])

print(numbers)
print(numbers.dtype)

输出:

  [1 2 3 4]
  int32

当上述代码修改成下面时:

numbers = numpy.array([1, 2, 3, 4.0])

print(numbers)
print(numbers.dtype)

输出:

  [ 1. 2. 3. 4.]
  float64

5、numpy索引

import  numpy
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",", dtype="U75", skip_header=1)
print(world_alcohol)
uruguay_other_1986 = world_alcohol[1,4]  #我们需要取的数据是第2行第5个,同list第一个数据索引值为0
third_country = world_alcohol[2,2]    #这行我们需要取的数据是第3行第3个。
print(uruguay_other_1986)
print(third_country)

输出:

  0.5

  Cte d'Ivoire

6、numpy切片

1)向量的切片

vector = numpy.array([5, 10, 15, 20])  #建立一个向量
print(vector[0:3])  #向量与list的切片方式一致,顾头不顾尾。

输出:

[ 5 10 15]

2)矩阵的单列或单行切片

matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])  #建立矩阵
print(matrix[:,1])  # :表示这一行或一列的所有元素。以“,”为间隔,隔开行和列的位置。如果在第一个位置为行,第二个位置为列。

输出:

  [10 25 40]

3)矩阵的多列或多行切片

matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
print(matrix[:,0:2])  #以","为间隔,隔开行和列的位置。":"表示所有元素。

输出:

  [[ 5 10]
  [20 25]
  [35 40]]

matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
print(matrix[1:3,0:2])

7、对numpy.array整体的操作

对numpy.array整体的操作=对numpy.array每一个元素做相同的操作。

vector = numpy.array([5, 10, 15, 20])
print(vector == 10)

output:

[False  True False False]

这一条定律对矩阵一样适用:

  matrix = numpy.array([
  [5, 10, 15],
  [20, 25, 30],
  [35, 40, 45]
  ])
  print(matrix == 25)

output:

  [[False False False]
  [False True False]
  [False False False]]

8、bool值也可以当索引

把某个矩阵的对应布尔值矩阵作为索引传递给原矩阵,则会返回出bool值为真的元素

vector = numpy.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])

output:

  [False True False False]
  [10]

上述规律对矩阵一样适用:

matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
second_column_25 = (matrix[:,1] == 25)
print(second_column_25)
print(matrix[second_column_25, :])

output:

[False  True False]
[[20 25 30]]

9、bool值表的与、或

1)bool值表的与

vector = numpy.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
print(equal_to_ten_and_five)

output:  

  [False False False False]

2)bool值表的或

  和上面代码类似,此处略

10、矩阵data类型转换

vector = numpy.array(["1", "2", "3"])  #元素为字符串类型
print(vector.dtype)  #打印元素类型
print (vector)
vector = vector.astype(float)  #用astype()方法进行强制类型转换。
print (vector.dtype)
print (vector)

11、求矩阵极值等方法

vector = numpy.array([5, 10, 15, 20])
vector.min()  #求矩阵中最小的元素
#print(help(numpy.array))  #想了解更多的方法或函数,打印相关帮助即可。

12、矩阵求和

matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
matrix.sum(axis=1)  #按行求和

output:array([ 30,  75, 120])

matrix.sum(axis=0)  #按列求和

output:array([60, 75, 90])

指数计算和根号计算

B = numpy.arange(3)
print (numpy.exp(B))  #exp是以e为底数,B的每个元素分别作为指数进行计算,计算结果以矩阵的方式显示
print (numpy.sqrt(B))  #sqrt是对B的每个元素分别开根号,计算结果以矩阵的方式显示

13、关于矩阵的操作

a = np.floor(10*np.random.random((3,4)))  #np.random.random((3,4))是-1到1之间的随机,*10让数据扩大10倍便于分辨,floor方法是向下取整又叫舍尾法近似。

print(a.ravel())  #a.ravel() 方法是把一个二维矩阵拉伸成一个1维向量,顺序是先第1行从左到右,然后第2行从左到右,以此类推

a.shape = (6, 2)  #把矩阵a的形状设置为6行2列
print(a.T)  #把a矩阵转置,即把原来的第一列变为新矩阵的第一行,第二列变为新矩阵的第二行,即原来的行变为列,原来的列变为行,依次类推。

a.reshape(3,-1)  #reshape(3,-1)方法是修改矩阵的形状,3是3行,-1这个数表示让计算机根据其他维度的数据,自动算出-1这个地方应该填写多少,并完成修改。

矩阵的拼接:

  a = np.floor(10*np.random.random((2,2)))
  b = np.floor(10*np.random.random((2,2)))

  print(np.hstack((a,b)))  # hstack方法是矩阵横向拼接方法

  print(np.vstack((a,b)))  # vstack方法是矩阵纵向拼接方法

矩阵的切分:  

  a = np.floor(10*np.random.random((2,12)))
  print (np.hsplit(a,3))  # hsplit函数是横向切割,传入两个参数,第一个参数是要被切割的矩阵,第二个是切成几份。
  print (np.hsplit(a,(3,4)))  # hsplit还有一种用法,指定在某几个位置切。该例子中,第二个位置参数是一个元组形式,表示在位置3,4分别切一刀
  

  a = np.floor(10*np.random.random((12,2)))
  np.vsplit(a,3)  # vsplit函数是纵向切割,传入两个参数,第一个参数是要被切割的矩阵,第二个是切成几份。

14、关于复制的操作

1)赋值符号:指向一样,数据共享

a = np.arange(12)  #建立一个12个元素的向量,命名为a
b = a  
print(b is a)    #打印判断b是不是a的结果
b.shape = 3,4  #把一维向量b的形状转化成3行4列的而二维矩阵
print a.shape  #打印a的形状
print id(a)    #打印a的id,id是某个变量在内存中生成时,被赋予的具有唯一性的内存标识
print id(b)    #打印b的id

output:

  True

  (3, 4)

  82691200

  82691200

由上述例子得出,a和b只是同一个矩阵的不同名称,他们俩指向的是同一个矩阵,所以不论对a还是b操作,都会引起被指向矩阵的变化。

2)浅复制:指向不同,数据共享

c = a.view()  # 矩阵的view方法是浅复制,即c和a指向不同,但又同时共享着数据
print(c is a)  #打印c是不是a的结果
c.shape = 2,6  
print a.shape
c[0,4] = 1234  #把矩阵c第1行第5列元素赋值为1234
print (a)

output:

  False

  array([[ 0, 1, 2, 3],

  [1234, 5, 6, 7],

  [ 8, 9, 10, 11]])

由此得出,矩阵的view方法是浅复制,即c和a指向不同,但又同时共享着数据。

3)深复制:指向不同,数据不同

  d = a.copy()   # 矩阵的copy方法是深复制,即d和a指向不同,数据不同
  print(d is a)
  d[0,0] = 9999
  print d
  print a

output:

  False

  [[9999 1 2 3]

  [1234 5 6 7]

  [ 8 9 10 11]]

  [[ 0 1 2 3]

  [1234 5 6 7]

  [ 8 9 10 11]]

15、矩阵的排序和索引

1)最值:

data = np.sin(np.arange(20)).reshape(5,4)  #随机创建一个矩阵
ind = data.argmax(axis=0)  #矩阵的argmax方法是求每列或每行的最大值,axis=0这个参数指按列统计,axis=1是按行统计。
print ind
#data_max = data[ind, xrange(data.shape[1])]  #把每列最大的元素取出来。
print data_max  

2)扩展

a = np.arange(0, 40, 10)  #随机建立一个矩阵
b = np.tile(a, (3, 5))     # tile方法是矩阵拓展方法,第一参数是把a作为整体当做一个元素进行扩展,第二个参数是扩展成3行5列的矩阵。
print b  

3)排序

a = np.array([[4, 3, 5], [1, 2, 1]])
#b = np.sort(a, axis=1)  #按照行对矩阵a排序,默认是从小到大排序,把新矩阵赋值给b

#a.sort(axis=1)    # 这种调用方法和np.sort(a,axis=1)效果一样

a = np.array([4, 3, 1, 2])
j = np.argsort(a)    # argsort方法是先对矩阵a排序,然后对应求出每个元素在原来矩阵a中的索引
print j        
print a[j]       #把这个索引传入原矩阵就可以得到排序后的新矩阵。

output:

  [2 3 1 0]

  [1 2 3 4]

16、对numpy库的总结

整体来看numpy库已经包含了对矩阵的基本处理方式,有替代matlab的倾向。想比matlab,numpy库的优势还是很明显的。不过单纯学完numpy库,我还是没办法把它和程序化交易结合起来。不过学完这个库,以后就不用安装巨大的matlab 2012R 这个软件了。

Python数据分析-Day1-Numpy模块的更多相关文章

  1. 【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 ...

  2. 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 ...

  3. 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 ...

  4. (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 ...

  5. Python之路-numpy模块

    这里是首先需要安装好Anaconda Anaconda的安装参考Python之路-初识python及环境搭建并测试 配置好环境之后开始使用Jupyter Notebook 1.打开cmd,输入 jup ...

  6. Python数据分析之Numpy操作大全

    从头到尾都是手码的,文中的所有示例也都是在Pycharm中运行过的,自己整理笔记的最大好处在于可以按照自己的思路来构建矿建,等到将来在需要的时候能够以最快的速度看懂并应用=_= 注:为方便表述,本章设 ...

  7. Python数据分析(二): Numpy技巧 (1/4)

    In [1]: import numpy numpy.__version__ Out[1]: '1.13.1' In [2]: import numpy as np  

  8. Python数据分析(二): Numpy技巧 (2/4)

    numpy.pandas.matplotlib(+seaborn)是python数据分析/机器学习的基本工具. numpy的内容特别丰富,我这里只能介绍一下比较常见的方法和属性.   昨天晚上发了第一 ...

  9. Python数据分析(二): Numpy技巧 (3/4)

    numpy.pandas.matplotlib(+seaborn)是python数据分析/机器学习的基本工具. numpy的内容特别丰富,我这里只能介绍一下比较常见的方法和属性.   昨天晚上发了第一 ...

  10. Python数据分析(二): Numpy技巧 (4/4)

    numpy.pandas.matplotlib(+seaborn)是python数据分析/机器学习的基本工具. numpy的内容特别丰富,我这里只能介绍一下比较常见的方法和属性.   第一部分: ht ...

随机推荐

  1. .net下安装 ZooKeeper.Net

    PM> Install-Package ZooKeeper.Net正在尝试解析依赖项“log4net (≥ 1.2.10)”.正在安装“log4net 1.2.10”.已成功安装“log4net ...

  2. Linux 基础知识选择/填空

    选择题 1. 返回调用进程的进程标识号的系统函数是________. A. getpid B. getpgrp C. getppid D. setpid ##A 2. 关于文件系统的安装和卸载,下面描 ...

  3. 计算多数的乘积(Python实现)

    1 # -*- coding: utf-8 -*- # sum_of_products.py # @author 0yst3r # @description 两数之积及多数之积 # @created ...

  4. An error occurred (500 Error)

    Centos7 部署知乎出现上图问题 解决方法: [root@web02 ~]# vim /etc/php.ini #修改配置文件 session.auto_start = 0 #这条设置成0 [ro ...

  5. oracle数据库的一个表中,怎么设置字段的默认值

    如果表已经存在,用如下方法设置默认值. alter table 表名 modify 字段名 default 默认值; 如test表中设置address字段为'浙江省',可用如下语句: alter ta ...

  6. ODAC(V9.5.15) 学习笔记(四)TCustomDADataSet(3)

    4. 主从表关系 名称 类型 说明 MasterSource 从表对应于主表的DataSource组件 DetailFields 从表中对应于主表字段的外键字段 MasterFields 主表中关联从 ...

  7. bzoj2152: 聪聪可可 点分治

    链接 https://www.lydsy.com/JudgeOnline/problem.php?id=2152 luogu爆搜都能过,总时间超过100ms就是写错了 思路 直接mod上面跑点分治就行 ...

  8. Google advertiser api开发概述——最佳做法&建议

    最佳做法 本指南介绍了一些最佳做法,您可以运用它们来优化 AdWords API 应用的效率和性能. 日常维护 为确保您的应用不间断运行,可采取以下做法: 确保 AdWords API 中心中的开发者 ...

  9. Docker run 出现问题如何调试?

    docker run -ti 3f5dd697cc83 /bin/bash #进入image的目录 ls -l #列出所有目录 dotnet run WestWin.Ads.Crawler.WebAp ...

  10. Python有趣现象(不定时更新)

    1.list中extend方法有趣现象 1.1 List+=Str 与 List.extend(Str) list1 = [11,2,45] str1 = 'Michael' list1.extend ...