【Python数据科学】之Numpy

1. Numpy介绍和运行速度的比较

Numpy是Python的一个库，提供了Python高性能的数组与矩阵运算处理的能力。本身是将Python的运算，放到了C语言上运算。

import numpy as np

def squares(values):
    result = []
    for v in values:
        result.append(v * v)
    return result

#use Python
to_square = range(10000)
%timeit squares(to_square)
#Answer: 2.57 ms ± 537 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)



#use Numpy
array_to_square = np.arange(0 , 10000)
%timeit array_to_square ** 2
#Answer: 16.7 µs ± 1.02 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)

1毫秒是1000微秒，很明显的看出，在利用Numpy下的数据运行速度很快。

 

2.ndarray介绍

ndarray是Numpy中用来表示数组用的。

注意最后的的地方，np.size(x2 , 0)代表输出行 ， 而np.size(x2 , 1)代表输出列.

import Numpy as np

x = np.array([1 , 2 , 3 , 4 , 5])
print(type(x))#元素类型
print(x.ndim) #维度
print(x.shape) #形状：(5列) ， 先说列再说行，往后顶
print(x.size) #元素个数
print(x.itemsize) #存储字节个数
print(x.data)#查看元素的存储位置

y = np.array([[1 , 2 , 3 , 4 , 5] , [6 , 7 , 8 , 9 , 10] , [11 , 12 , 13 , 14 , 15]]) #形状：(3行 , 5列)
print(y.ndim)
print(y.shape)
print(y.size)
print(y.itemsize)
print(y.data)


x2 = np.arange(0 , 12).reshape(4 , 3)
print(x2)
print(np.size(x2 , 0))#输出行
print(np.size(x2 , 1))#输出列

 

3.Boolean Selection 布尔选择器

布尔选择器是用来对数据进行切片处理的，包括了Slice，Reshape等操作。其实就是对于数组的一个基本的操作。

print(x)
mask = x < 3
print(mask)
print(x[mask])
print(np.sum)
'''
[1 2 3 4 5]
[ True  True False False False]
[1 2]
<function sum at 0x000001D6C15DAB70>
'''

a1 = np.arange(9).reshape(3 , 3)
a2 = np.arange(9 , 0 , -1).reshape(3 , 3)
print(a1)
print(a2)
print(a1 < a2)

'''
[[0 1 2]
 [3 4 5]
 [6 7 8]]
[[9 8 7]
 [6 5 4]
 [3 2 1]]
[[ True  True  True]
 [ True  True False]
 [False False False]]
'''


y = np.arange(9).reshape(3 , 3)
reshaped = y.reshape(np.size(y))
reveled = y.ravel()
f = y.flatten()
print(y)
print(reshaped)#[0 1 2 3 4 5 6 7 8]
print(reveled)#[0 1 2 3 4 5 6 7 8]
print(f)#[0 1 2 3 4 5 6 7 8]

 

4.合并

ndarray数组支持向量化的运算。

1.注意hstack传入的数据是元组。

#Combination
a = np.arange(9).reshape(3 , 3)
b = (a + 1) * 10
b
'''
array([[10, 20, 30],
       [40, 50, 60],
       [70, 80, 90]])
'''

np.hstack((a , b))#水平合并
np.concatenate((a , b) , axis = 1)#水平合并
'''
array([[ 0,  1,  2, 10, 20, 30],
       [ 3,  4,  5, 40, 50, 60],
       [ 6,  7,  8, 70, 80, 90]])
'''

np.vstack((a , b))#竖直合并
np.concatenate((a , b) , axis = 0)#竖直合并
'''
Out[27]:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [10, 20, 30],
       [40, 50, 60],
       [70, 80, 90]])
'''