python-数据分析-（2）numpy初识

一、 numpy 矩阵

numpy（Numerical python）是python语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库
numpy : 计算模块； 主要有两种数据类型：数组、 矩阵

特点： 运算快

【】 + 【】

import numpy as np

1、numpy创建矩阵

mat1 = np.mat("1 2 3; 2 3 4; 1 2 3")
print(mat1)
print(type(mat1))

[[1 2 3]
 [2 3 4]
 [1 2 3]]
<class 'numpy.matrix'>

mat2 = np.mat("1 2;2 3;2 2")
print(mat2)

[[1 2]
 [2 3]
 [2 2]]

mat3 = np.mat("1 2 2; 2 2 4; 1 1 2")
print(mat3)

[[1 2 2]
 [2 2 4]
 [1 1 2]]

2. 矩阵计算

print('矩阵加法运算：\n', mat1+mat3 )

矩阵加法运算：
 [[2 4 5]
 [4 5 8]
 [2 3 5]]

print('矩阵乘法：\n', mat1*mat2)

矩阵乘法：
 [[11 14]
 [16 21]
 [11 14]]

print('矩阵转置：\n', mat1.T)

矩阵转置：
 [[1 2 1]
 [2 3 2]
 [3 4 3]]

mat4 = np.mat("1 0 0; 0 4 0; 0 0 6")

print('逆矩阵：\n', mat4.I)

逆矩阵：
 [[1.         0.         0.        ]
 [0.         0.25       0.        ]
 [0.         0.         0.16666667]]

print('矩阵数乘：\n', 4 * mat4)

矩阵数乘：
 [[ 4  0  0]
 [ 0 16  0]
 [ 0  0 24]]

print('对应元素相乘的运算：\n', np.multiply(mat1, mat3))

对应元素相乘的运算：
 [[ 1  4  6]
 [ 4  6 16]
 [ 1  2  6]]

二、矩阵属性

print('矩阵的结构：\n', mat1.shape)

矩阵的结构：
 (3, 3)

print('矩阵的元素个数：\n', mat1.size)

矩阵的元素个数：
 9

print('矩阵元素类型：\n', mat1.dtype)

矩阵元素类型：
 int32

print('矩阵的维度：\n', mat1.ndim)

矩阵的维度：
 2

三、数组的创建

数组的所有运算都是对应元素的运算；

1. 数组的创建

#一维的数组
arr1 = np.array([1, 2, 3, 4])
print(arr1)
print(type(arr1))

[1 2 3 4]
<class 'numpy.ndarray'>

#二维的数组：
arr2 = np.array([[1, 2, 3],[0, 1, 2],[2, 3, 1]])
print(arr2)

[[1 2 3]
 [0 1 2]
 [2 3 1]]

#列向量类型的数组：
arr3 = np.array([[1], [2],[3],[4]])
print(arr3)

[[1]
 [2]
 [3]
 [4]]

2. 数组的属性

print('一维数组结构：\n', arr1.shape)
print('二维数组结构：\n', arr2.shape)

一维数组结构：
 (4,)
二维数组结构：
 (3, 3)

print('一维数组的元素个数：\n', arr1.size)
print('二维数组的元素个数：\n', arr2.size)

数组的元素个数：
 4
数组的元素个数：
 9

print('一维数组元素的类型：\n', arr1.dtype)
print('二维数组元素类型：\n', arr1.dtype)

元素的类型：
 int32
二维元素类型：
 int32

print('一维数组的维度：\n', arr1.ndim)
print('二维数组的维度：\n', arr2.ndim)

一维数组的维度：
 1
二维数组的维度：
 2

3.数组的索引

# (1)一维数组的索引：
arr1[::-1]

array([4, 3, 2, 1])

# (2)二维数组的切片
print(arr2)
# arr2[行切片, 列切片]
arr2[1, 2]
arr2[:2, 0:2]

[[1 2 3]
 [0 1 2]
 [2 3 1]]


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

# (3)不同行不同列的切片

arr2[(0,1,2),(0,1,2)]

array([1, 1, 1])

arr2[(1,0,1),(0,1,2)]

array([0, 2, 2])

arr2

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

#(5)bool取值# ： 不要行列同时传入bool值，只在行的位置或列的位置传入即可；
mask = np.array([1, 0, 1], dtype=np.bool )
print(mask)

[ True False  True]

arr2[mask, :2]

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

arr2[:2, mask]

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

arr2[mask, mask]

array([1, 1])

#练习
arr5 = np.array([1, 6, 3, 4, 5])
mask = np.array([0,1,0,1,1], dtype=np.bool)
arr5[mask]

array([6, 4, 5])