《数据科学技术与应用》（电工版）学习总结：1.1 NumPy库与多维数组ndarry

前言：笔者所用教材为电子工业的《数据科学技术与应用》，基本知识在课本中都有涉及，此处仅仅是记录个人学习历程中个人觉得有必要记录的知识点，主要用于今后考试复习。如有错误，欢迎提出

目录

1.1.1 一维ndarray对象
1.1.2 二维ndarray对象
1.1.3 创建多维数组的常用方法

1.1.1 一维ndarray对象

1.数组属性

常用的数组属性如下：

属性	注释
size	查看数组元素个数，就一维数组而言，size的用法类似于len函数
ndim	全称大概是ndarray dimension，查看数组维度
dtype	查看数组数据类型，到目前对我而言还有没实际用途

2.元素的访问与切片

一维数组的访问与切片同Python序列的访问与切片相同，都是中括号【】的使用，这里不加赘述

3.根据条件筛选数组元素

先给结论

>>>num = np.array([1,2,3,4])
>>>num[ (num == 1) | (num = 2)]
array(['1','2'], dtype='int32')

再给过程

<略> (狗头保命)

1.1.2 二维ndarray对象

1.数组属性

常用属性与一维数组基本相同，不同的是多了shape属性：

属性	注释
size	元素总数 = 行数 * 列数
shape	查看数组的行数与列数

shape这个词比较重要，跟后面创建多维数组的一个方法有点关系

2.元素的访问与切片

二维数组访问或切片操作的基本格式：arr[ row(list) , column(list) ]

• row行序号，column列序号，中间用‘，’隔开
• 行、列切片的表示方式与一维数组相同
•用“:”代替行或列，表示选中对应的所有行或列

切片的各种方式中有一种情况比较特别：

>>> scores= np.array([[70,85,77,90,82,84,89],
[60,64,80,75,80,92,90],
[90,93,88,87,86,90,91]，
[80,82,91,88,83,86,80],
[88,72,78,90,91,73,80]])
>>> scores[[1,3],[0,1]]   #抽取scores[1,0],scores[3,1]
array([60, 82])

当出现arr[ rowlist , columnlist ]时，ndarray的切片方式与后续出现的DataFrame的切片方式略有不同：

ndarray	DataFrame
抽取scores[1, 0],scores[3, 1]	抽取scores[1, [0, 1] ],scores[3, [0, 1] ]

3.根据条件筛选数组元素

(与一维数组的条件筛选相同)

1.1.3 创建多维数组的常用方法

1.arange()函数

注意是arange不是arrange

arange函数用于创建等差数组，跟range函数类似，不同之处有两个：
1.使用前，arange需要引入numpy。
2. arange返回一个数据而不是list。

np.arange(start, stop, step, dtype) start：起始值，可忽略不写，默认从0开始；
stop：结束值，生成的元素不包括结束值；
step：步长，可忽略不写，默认为1；
dtype：设置显示元素的数据类型，默认为None。

下面是arrange函数的一些基本的用法：

1. 一个参数时，参数值为终点，起点取默认值0，步长取默认值1

2. 两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1

3. 三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数

>>> a=np.arange(5)
[0 1 2 3 4]
>>> b1=np.arange(1,5)
[1 2 3 4]
>>> c=np.arange(1,10,2)
[1 3 5 7 9]

此外，arange()函数的3个参数还可以是浮点数

>>> np.arange(0.3,1.5,0,3)
array([ 0.3, 0.6, 0.9, 1.2])

2.reshape()函数

改变数组的形状，并且原始数据不发生变化。但是，reshape()函数中的参数需要满足乘积等于数组中数据总数。
如：当我们将8个数使用(2,3)重新排列时，python会报错

而，shape()函数则用于读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度,相当于行数。它的输入参数可以是一个整数表示维度，也可以是一个矩阵。shape函数返回的是一个元组tuple，表示数组（矩阵）的维度/ 形状，例子如下：

• w.shape[0]返回的是w的行数
• w.shape[1]返回的是w的列数
• df.shape()：查看行数和列数

1. 数组（矩阵）只有一个维度时，shape只有shape[0]，返回的是该一维数组（矩阵）中元素的个数，通俗点说就是返回列数，因为一维数组只有一行，一维情况中array创建的可以看做list（或一维数组），创建时用（）和[ ]都可以，多维就使用[ ]

>>> a=np.array([1,2])  #也可以写成 a=np.array((1,2)) 
>>> a
array([1, 2])
>>> a.shape
(2L,)
>>> a.shape[0]
2L
>>> a.shape[1]
IndexError: tuple index out of range   #最后报错是因为一维数组只有一个维度，可以用a.shape或a.shape[0]来访问
 
#这个使用的是两个（）包裹，得到的数组和前面的一样
>>> a=np.array((1,2))
>>> a
array([1, 2]) 

2. 数组有两个维度（即行和列）时，a.shape返回的元组表示该数组的行数与列数

arange函数和reshape函数还可以一起使用：

In [8]: np.arange(1,12,2).reshape(3,2)
Out[8]: array([[ 1,  3],
       [ 5,  7],
       [ 9, 11]])

3.zeros()和ones()函数

生成指定大小的全0和1的数组