01_Numpy基本使用

1.Numpy读取txt/csv文件

读取数据

import numpy as np
# numpy打开本地txt文件
world_alcohol = np.genfromtxt("D:\\数据分析\\01_Numpy\\numpy\\world_alcohol.txt", delimiter=",", dtype=str, skip_header=1)
print(world_alcohol)
# 第一个参数为文件存放路径
# delimiter  分隔符
# dtype 以哪种数据类型打开
# skip_header=1  跳过头信息，不打印第一行

结果输出：

[['1986' 'Western Pacific' 'Viet Nam' 'Wine' '0']
 ['1986' 'Americas' 'Uruguay' 'Other' '0.5']
 ['1985' 'Africa' "Cte d'Ivoire" 'Wine' '1.62']
 ...
 ['1987' 'Africa' 'Malawi' 'Other' '0.75']
 ['1989' 'Americas' 'Bahamas' 'Wine' '1.5']
 ['1985' 'Africa' 'Malawi' 'Spirits' '0.31']]

# numpy打开数据后，以矩阵的形式展示，索引值从0开始
vector = world_alcohol[2, 4] # 取第二行第四列的值
print(vector)

结果输出：

1.62

帮助文档

#  打印帮助文档
print(help(np.genfromtxt))

使用help命令查看帮助文档

结果输出：

Help on function genfromtxt in module numpy.lib.npyio:

genfromtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None, skip_header=0, skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None, names=None, excludelist=None, deletechars=None, replace_space='_', autostrip=False, case_sensitive=True, defaultfmt='f%i', unpack=None, usemask=False, loose=True, invalid_raise=True, max_rows=None, encoding='bytes')
    Load data from a text file, with missing values handled as specified.

    Each line past the first `skip_header` lines is split at the `delimiter`
    character, and characters following the `comments` character are discarded.

    Parameters
    ----------
...

2.Numpy的矩阵操作

构造矩阵

# 导入
import numpy as np

vector = np.array([5, 10, 15, 20])  # 构造一个numpy的向量

matrix = np.array([[5, 10, 15], [20, 25, 30]])  # 构造一个numpy的矩阵
print(vector)
print(matrix)

结果输出：

[ 5 10 15 20]
[[ 5 10 15]
 [20 25 30]]

vector = np.array([5, 10, 15, 20])
print("矩阵维度：", vector.shape)  # shape属性打印矩阵（向量）的维度
print("矩阵数据类型：", vector.dtype)  # 打印矩阵中的数据类型

结果输出：

矩阵维度： (4,)
矩阵数据类型： int32

类型转换

# numpy 要求array中是数据为同一类型，且自动实现类型转换

vector = np.array([5.0, 10, 15])
print(vector)
print(vector.dtype)

结果输出：

[ 5. 10. 15.]
float64

切片操作

vector = np.array([5, 10, 15, 20])
# 切片操作,取前三个元素
print(vector[0:3])

结果输出：

[ 5 10 15]

matrix = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
# 矩阵取元素
# 取矩阵第二列，所有值
vector = matrix[:, 1]  # 冒号表示所有样本，1表述列数（前面表示行，后面表示列）
print(vector)
print("---------")
print(matrix[:, 0:2]) # 取前两列所有元素
print("---------")
print(matrix[:2, :2]) # 取前两列的前两行元素

结果输出：

[2 5 8]
---------
[[1 2]
 [4 5]
 [7 8]]
---------
[[1 2]
 [4 5]]

逻辑运算

vector = np.array([5, 10, 15, 20])
equal = (vector == 10)  # 判断array中的元素是否为10， 对array的每一个元素进行判断
print(equal)

print(vector[equal])  # 从向量中取返回True的值

and_ = (vector == 10) & (vector == 5)  # 逻辑运算 与 其他同理
print(and_)

结果输出：

[False  True False False]
[10]
[False False False False]

matrix = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
matrix == 5  # 矩阵操作同理，判断array中所有元素是否为5

结果输出：

array([[False, False, False],
       [False,  True, False],
       [False, False, False]])

# array数据类型转换换
vector = np.array(['', '', ''])
print(vector.dtype)  # 打印数据类型 str类型显示未U1
vector = vector.astype(float)  # 使用astype（）实现类型转换，转换为float类型
print(vector.dtype)

结果输出：

<U1
float64

一般函数

vector = np.array([5, 10, 15, 20])
# 求最小值
print(vector.min())
# 求最大值
print(vector.max())

结果输出：

5
20

matrix = np.array([
    [1,2,3],
    [4,5,6],
    [7,8,9]
])
# 按行求和
matrix.sum(axis=1)  # axis=0表示按列求和

结果输出：

array([ 6, 15, 24])

3.Numpy矩阵属性

常用属性

import numpy as np

print(np.arange(15))  # 生成一个列表（索引）
print('--'*10)
a = np.arange(15).reshape(3, 5)  # reshape函数修改矩阵为3行5列
print(a)

结果输出：

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
--------------------
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]

print(a.shape)  # shape属性打印矩阵的行列数
print(a.ndim)  # ndim查看当前矩阵的维度
print(a.dtype)  # 查看矩阵数据类型
print(a.size)  # 查看矩阵中的元素

结果输出：

(3, 5)
2
int32
15

4.Numpy矩阵的初始化

zeros与ones

np.zeros((3, 4))  # 初始化一个3行4列的0矩阵，参数以元组的形式传入，默认为float类型

结果输出：

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

np.ones((2, 3, 4),dtype=np.int32) # 初始化一个三维1矩阵, 指定数据类型为int，元组长度决定了矩阵维度

结果输出：

array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

np.arange(5, 10, 0.3)  # 创建一个等差数列，公差为0.3

结果输出：

array([5. , 5.3, 5.6, 5.9, 6.2, 6.5, 6.8, 7.1, 7.4, 7.7, 8. , 8.3, 8.6,
       8.9, 9.2, 9.5, 9.8])

随机矩阵

np.random.random((2, 3))  # 随机矩阵，创建一个2行3列的随机矩阵，默认为0到1之间

结果输出：

array([[0.10536991, 0.49359947, 0.56369024],
       [0.39357893, 0.78362851, 0.75576749]])

from numpy import pi  # 数学中的π
np.linspace(0, 2*pi, 100)  # 从0到2π中平均生成100个数

结果输出：

array([0.        , 0.06346652, 0.12693304, 0.19039955, 0.25386607,
       0.31733259, 0.38079911, 0.44426563, 0.50773215, 0.57119866,
       0.63466518, 0.6981317 , 0.76159822, 0.82506474, 0.88853126,
       0.95199777, 1.01546429, 1.07893081, 1.14239733, 1.20586385,
       1.26933037, 1.33279688, 1.3962634 , 1.45972992, 1.52319644,
       1.58666296, 1.65012947, 1.71359599, 1.77706251, 1.84052903,
       1.90399555, 1.96746207, 2.03092858, 2.0943951 , 2.15786162,
       2.22132814, 2.28479466, 2.34826118, 2.41172769, 2.47519421,
       2.53866073, 2.60212725, 2.66559377, 2.72906028, 2.7925268 ,
       2.85599332, 2.91945984, 2.98292636, 3.04639288, 3.10985939,
       3.17332591, 3.23679243, 3.30025895, 3.36372547, 3.42719199,
...

基础运算

a = np.array([20, 30, 40])
b = np.array([2, 3, 4])
print("a:",a)
print("b:",b)
c = a - b
print("c:",c)  # numpy是对应位置相减
c = c - 1
print("c-1:",c)
print("b^2:", b ** 2)  # 平方
print("a<30:",a < 30)  # 判断每个元素是否小于30

结果输出：

a: [20 30 40]
b: [2 3 4]
c: [18 27 36]
c-1: [17 26 35]
b^2: [ 4  9 16]
a<30: [ True False False]

a = np.array([
    [1, 1],
    [0, 1]
])
b = np.array([
    [2, 0],
    [3, 4]
])
print( a * b) # 点积相乘，对应位置相乘
print("------")
print(a.dot(b))  # 矩阵相乘
print("------")
print(np.dot(a, b))  # 同样的矩阵相乘

结果输出：

[[2 0]
 [0 4]]
------
[[5 4]
 [3 4]]
------
[[5 4]
 [3 4]]

5.Numpy中的常用函数

平方与幂

B = np.arange(3)
print(np.exp(B))  # e的幂运算
print(np.sqrt(B))  # 开平方

结果输出：

[1.         2.71828183 7.3890561 ]
[0.         1.         1.41421356]

取整函数

a = np.floor(10 * np.random.random((3, 4)))  # floor 向下取整
print(a)

结果输出：

[[8. 0. 7. 6.]
 [3. 1. 3. 1.]
 [3. 0. 1. 4.]]

拆分矩阵

aa = a.ravel()  # ravel 拆分矩阵，将矩阵拆分为向量
print(aa)

结果输出：

[8. 0. 7. 6. 3. 1. 3. 1. 3. 0. 1. 4.]

reshape函数

aa.shape = (6, 2)  # 改变矩阵样式, 效果和reshape((6, 2))相同
aa

结果输出：

array([[8., 0.],
       [7., 6.],
       [3., 1.],
       [3., 1.],
       [3., 0.],
       [1., 4.]])

矩阵转置

aa.T  # 转置

结果输出：

array([[8., 7., 3., 3., 3., 1.],
       [0., 6., 1., 1., 0., 4.]])

矩阵拼接

a = np.floor(10 * np.random.random((2, 3)))
b = np.floor(10 * np.random.random((2, 3)))

print(a)
print(b)
print('============')
print(np.vstack((a, b)))  # 按行拼接
print('============')
print(np.hstack((a, b)))  # 按列拼接

结果输出：

[[5. 6. 7.]
 [0. 1. 7.]]
[[6. 2. 3.]
 [5. 4. 7.]]
============
[[5. 6. 7.]
 [0. 1. 7.]
 [6. 2. 3.]
 [5. 4. 7.]]
============
[[5. 6. 7. 6. 2. 3.]
 [0. 1. 7. 5. 4. 7.]]

a = np.floor(10 * np.random.random((2, 12)))
print(a)
print("===="*5)
print(np.hsplit(a, 3))  # 将a(2行12列)平均切分为3份，按行切分
print("===="*5)
print(np.hsplit(a, (3, 4)))  # 在角标为3的地方切分开一次，角标为4的地方再切分开一次，参数为元组
print("===="*5)
a = a.T
print(np.vsplit(a, 3))  # 同理操作，按列切分

结果输出：

[[6. 0. 3. 8. 4. 2. 6. 7. 2. 9. 7. 9.]
 [2. 3. 5. 5. 3. 2. 5. 6. 8. 2. 6. 4.]]
====================
[array([[6., 0., 3., 8.],
       [2., 3., 5., 5.]]), array([[4., 2., 6., 7.],
       [3., 2., 5., 6.]]), array([[2., 9., 7., 9.],
       [8., 2., 6., 4.]])]
====================
[array([[6., 0., 3.],
       [2., 3., 5.]]), array([[8.],
       [5.]]), array([[4., 2., 6., 7., 2., 9., 7., 9.],
       [3., 2., 5., 6., 8., 2., 6., 4.]])]
====================
[array([[6., 2.],
       [0., 3.],
       [3., 5.],
       [8., 5.]]), array([[4., 3.],
       [2., 2.],
       [6., 5.],
       [7., 6.]]), array([[2., 8.],
       [9., 2.],
       [7., 6.],
       [9., 4.]])]

import numpy as np

data = np.sin(np.arange(20)).reshape(5, 4)  # 生成一组数据
print(data)
ind = data.argmax(axis=0)  # 按列查找，返回每列最大值的索引
print(ind)
data_max = data[ind, range(data.shape[1])]  # 取出每一列的最大值
print(data_max)

结果输出：

[[ 0.          0.84147098  0.90929743  0.14112001]
 [-0.7568025  -0.95892427 -0.2794155   0.6569866 ]
 [ 0.98935825  0.41211849 -0.54402111 -0.99999021]
 [-0.53657292  0.42016704  0.99060736  0.65028784]
 [-0.28790332 -0.96139749 -0.75098725  0.14987721]]
[2 0 3 1]
[0.98935825 0.84147098 0.99060736 0.6569866 ]

a = np.arange(0, 20, 3)
print(a)
b = np.tile(a, (4, 2))  # 平铺，行变为原来的多少倍（4），列变为原来的多少倍（2）
print(b)

结果输出：

[ 0  3  6  9 12 15 18]
[[ 0  3  6  9 12 15 18  0  3  6  9 12 15 18]
 [ 0  3  6  9 12 15 18  0  3  6  9 12 15 18]
 [ 0  3  6  9 12 15 18  0  3  6  9 12 15 18]
 [ 0  3  6  9 12 15 18  0  3  6  9 12 15 18]]

矩阵排序

a = np.array([
    [4, 3, 5],
    [1, 2, 1]
])
print(a)
print("---"*5)
b = np.sort(a, axis=0)  # 按行从小到大排序
print(b)
print("---"*5)
print(np.sort(a, axis=1)) # 按列从小到大排序
print("---"*5)
index = np.argsort(a)  # 获取从小到大排序的索引值
print(index)

结果输出：

[[4 3 5]
 [1 2 1]]
---------------
[[1 2 1]
 [4 3 5]]
---------------
[[3 4 5]
 [1 1 2]]
---------------
[[1 0 2]
 [0 2 1]]