''' 【课程1.2】 Numpy基础数据结构 NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成: ① 实际的数据 ② 描述这些数据的元数据 ''' # 多维数组ndarray import numpy as np from sympy.physics.control.control_plots import matplotlib ar = np.array([1,2,3,4,5,6,7]) print(ar) # 输出数组,注意数组的格式:中括号,元素之间没有逗号(和列表区分) print(ar.ndim) # 输出数组维度的个数(轴数),或者说“秩”,维度的数量也称rank print(ar.shape) # 数组的维度,对于n行m列的数组,shape为(n,m) print(ar.size) # 数组的元素总数,对于n行m列的数组,元素总数为n*m print(ar.dtype) # 数组中元素的类型,类似type()(注意了,type()是函数,.dtype是方法) print(ar.itemsize) # 数组中每个元素的字节大小,int32l类型字节为4,float64的字节为8 print(ar.data) # 包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。 ar # 交互方式下输出,会有array(数组) # 数组的基本属性 # ① 数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推 # ② 在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量: # 比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组 # 所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。 # 而轴的数量——秩,就是数组的维数。 # 创建数组:array()函数,括号内可以是列表、元祖、数组、生成器等 ar1 = np.array(range(10)) # 整型 ar2 = np.array([1,2,3.14,4,5]) # 浮点型 ar3 = np.array([[1,2,3],('a','b','c')]) # 二维数组:嵌套序列(列表,元祖均可) #ar4 = np.array([[1,2,3],('a','b','c','d')]) # 注意嵌套序列数量不一会怎么样 print(ar1,type(ar1),ar1.dtype) print(ar2,type(ar2),ar2.dtype) print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组,共6个元素 #print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组,共2个元素 # 创建数组:arange(),类似range(),在给定间隔内返回均匀间隔的值。 print(np.arange(10)) # 返回0-9,整型 print(np.arange(10.0)) # 返回0.0-9.0,浮点型 print(np.arange(5,12)) # 返回5-11 print(np.arange(5.0,12,2)) # 返回5.0-12.0,步长为2 print(np.arange(10000)) # 如果数组太大而无法打印,NumPy会自动跳过数组的中心部分,并只打印边角: # 创建数组:linspace():返回在间隔[开始,停止]上计算的num个均匀间隔的样本。 ar1 = np.linspace(2.0, 3.0, num=5) ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False) ar3 = np.linspace(2.0, 3.0, num=5, retstep=True) print(ar1,type(ar1)) print(ar2) print(ar3,type(ar3)) # numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) # start:起始值,stop:结束值 # num:生成样本数,默认为50 # endpoint:如果为真,则停止是最后一个样本。否则,不包括在内。默认值为True。 # retstep:如果为真,返回(样本,步骤),其中步长是样本之间的间距 → 输出为一个包含2个元素的元祖,第一个元素为array,第二个为步长实际值 # 创建数组:zeros()/zeros_like()/ones()/ones_like() ar1 = np.zeros(5) #ar2 = np.zeros((2,2), dtype = np.int) print(ar1,ar1.dtype) #print(ar2,ar2.dtype) print('------') # numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组,用零填充。 # shape:数组纬度,二维以上需要用(),且输入参数为整数 # dtype:数据类型,默认numpy.float64 # order:是否在存储器中以C或Fortran连续(按行或列方式)存储多维数据。 ar3 = np.array([list(range(5)),list(range(5,10))]) ar4 = np.zeros_like(ar3) print(ar3) print(ar4) print('------') # 返回具有与给定数组相同的形状和类型的零数组,这里ar4根据ar3的形状和dtype创建一个全0的数组 ar5 = np.ones(9) ar6 = np.ones((2,3,4)) ar7 = np.ones_like(ar3) print(ar5) print(ar6) print(ar7) # ones()/ones_like()和zeros()/zeros_like()一样,只是填充为1 # 创建数组:eye() print(np.eye(5)) # 创建一个正方的N*N的单位矩阵,对角线值为1,其余为0 ''' 【课程1.3】 Numpy通用函数 基本操作 ''' # 数组形状:.T/.reshape()/.resize() ar1 = np.arange(10) ar2 = np.ones((5,2)) print(ar1,'\n',ar1.T) print(ar2,'\n',ar2.T) print('------') # .T方法:转置,例如原shape为(3,4)/(2,3,4),转置结果为(4,3)/(4,3,2) → 所以一维数组转置后结果不变 ar3 = ar1.reshape(2,5) # 用法1:直接将已有数组改变形状 ar4 = np.zeros((4,6)).reshape(3,8) # 用法2:生成数组后直接改变形状 ar5 = np.reshape(np.arange(12),(3,4)) # 用法3:参数内添加数组,目标形状 print(ar1,'\n',ar3) print(ar4) print(ar5) print('------') # numpy.reshape(a, newshape, order='C'):为数组提供新形状,而不更改其数据,所以元素数量需要一致!! ar6 = np.resize(np.arange(5),(3,4)) print(ar6) # numpy.resize(a, new_shape):返回具有指定形状的新数组,如有必要可重复填充所需数量的元素。 # 注意了:.T/.reshape()/.resize()都是生成新的数组!!! # 数组的复制 ar1 = np.arange(10) ar2 = ar1 print(ar2 is ar1) ar1[2] = 9 print(ar1,ar2) # 回忆python的赋值逻辑:指向内存中生成的一个值 → 这里ar1和ar2指向同一个值,所以ar1改变,ar2一起改变 ar3 = ar1.copy() print(ar3 is ar1) ar1[0] = 9 print(ar1,ar3) # copy方法生成数组及其数据的完整拷贝 # 再次提醒:.T/.reshape()/.resize()都是生成新的数组!!! # 数组类型转换:.astype() ar1 = np.arange(10,dtype=float) print(ar1,ar1.dtype) print('-----') # 可以在参数位置设置数组类型 ar2 = ar1.astype(np.int32) print(ar2,ar2.dtype) print(ar1,ar1.dtype) # a.astype():转换数组类型 # 注意:养成好习惯,数组类型用np.int32,而不是直接int32 # 数组堆叠 a = np.arange(5) # a为一维数组,5个元素 b = np.arange(5,9) # b为一维数组,4个元素 ar1 = np.hstack((a,b)) # 注意:((a,b)),这里形状可以不一样 print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) a = np.array([[1],[2],[3]]) # a为二维数组,3行1列 b = np.array([['a'],['b'],['c']]) # b为二维数组,3行1列 ar2 = np.hstack((a,b)) # 注意:((a,b)),这里形状必须一样 print(a,a.shape) print(b,b.shape) print(ar2,ar2.shape) print('-----') # numpy.hstack(tup):水平(按列顺序)堆叠数组 a = np.arange(5) b = np.arange(5,10) ar1 = np.vstack((a,b)) print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) a = np.array([[1],[2],[3]]) b = np.array([['a'],['b'],['c'],['d']]) ar2 = np.vstack((a,b)) # 这里形状可以不一样 print(a,a.shape) print(b,b.shape) print(ar2,ar2.shape) print('-----') # numpy.vstack(tup):垂直(按列顺序)堆叠数组 a = np.arange(5) b = np.arange(5,10) ar1 = np.stack((a,b)) ar2 = np.stack((a,b),axis = 1) print(a,a.shape) print(b,b.shape) print(ar1,ar1.shape) print(ar2,ar2.shape) # numpy.stack(arrays, axis=0):沿着新轴连接数组的序列,形状必须一样! # 重点解释axis参数的意思,假设两个数组[1 2 3]和[4 5 6],shape均为(3,0) # axis=0:[[1 2 3] [4 5 6]],shape为(2,3) # axis=1:[[1 4] [2 5] [3 6]],shape为(3,2) # 数组拆分 ar = np.arange(16).reshape(4,4) ar1 = np.hsplit(ar,2) print(ar) print(ar1,type(ar1)) # numpy.hsplit(ary, indices_or_sections):将数组水平(逐列)拆分为多个子数组 → 按列拆分 # 输出结果为列表,列表中元素为数组 ar2 = np.vsplit(ar,4) print(ar2,type(ar2)) # numpy.vsplit(ary, indices_or_sections)::将数组垂直(行方向)拆分为多个子数组 → 按行拆 # 数组简单运算 ar = np.arange(6).reshape(2,3) print(ar + 10) # 加法 print(ar * 2) # 乘法 print(1 / (ar+1)) # 除法 print(ar ** 0.5) # 幂 # 与标量的运算 print(ar.mean()) # 求平均值 print(ar.max()) # 求最大值 print(ar.min()) # 求最小值 print(ar.std()) # 求标准差 print(ar.var()) # 求方差 print(ar.sum(), np.sum(ar,axis = 0)) # 求和,np.sum() → axis为0,按列求和;axis为1,按行求和 print(np.sort(np.array([1,4,3,2,5,6]))) # 排序 # 常用函数 ''' 【课程1.4】 Numpy索引及切片 核心:基本索引及切片 / 布尔型索引及切片 ''' # 基本索引及切片 ar = np.arange(20) print(ar) print(ar[4]) print(ar[3:6]) print('-----') # 一维数组索引及切片 ar = np.arange(16).reshape(4,4) print(ar, '数组轴数为%i' %ar.ndim) # 4*4的数组 print(ar[2], '数组轴数为%i' %ar[2].ndim) # 切片为下一维度的一个元素,所以是一维数组 print(ar[2][1]) # 二次索引,得到一维数组中的一个值 print(ar[1:3], '数组轴数为%i' %ar[1:3].ndim) # 切片为两个一维数组组成的二维数组 print(ar[2,2]) # 切片数组中的第三行第三列 → 10 print(ar[:2,1:]) # 切片数组中的1,2行、2,3,4列 → 二维数组 print('-----') # 二维数组索引及切片 ar = np.arange(8).reshape(2,2,2) print(ar, '数组轴数为%i' %ar.ndim) # 2*2*2的数组 print(ar[0], '数组轴数为%i' %ar[0].ndim) # 三维数组的下一个维度的第一个元素 → 一个二维数组 print(ar[0][0], '数组轴数为%i' %ar[0][0].ndim) # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组 print(ar[0][0][1], '数组轴数为%i' %ar[0][0][1].ndim) # **三维数组索引及切片 # 布尔型索引及切片 ar = np.arange(12).reshape(3,4) i = np.array([True,False,True]) j = np.array([True,True,False,False]) print(ar) print(i) print(j) print(ar[i,:]) # 在第一维度做判断,只保留True,这里第一维度就是行,ar[i,:] = ar[i](简单书写格式) print(ar[:,j]) # 在第二维度做判断,这里如果ar[:,i]会有警告,因为i是3个元素,而ar在列上有4个 # 布尔型索引:以布尔型的矩阵去做筛选 m = ar > 5 print(m) # 这里m是一个判断矩阵 print(ar[m]) # 用m判断矩阵去筛选ar数组中>5的元素 → 重点!后面的pandas判断方式原理就来自此处 # 数组索引及切片的值更改、复制 ar = np.arange(10) print(ar) ar[5] = 100 ar[7:9] = 200 print(ar) # 一个标量赋值给一个索引/切片时,会自动改变/传播原始数组 ar = np.arange(10) b = ar.copy() b[7:9] = 200 print(ar) print(b) # 复制 ''' 【课程1.5】 Numpy随机数 numpy.random包含多种概率分布的随机样本,是数据分析辅助的重点工具之一 ''' # 随机数生成 samples = np.random.normal(size=(4,4)) print(samples) # 生成一个标准正太分布的4*4样本值 # numpy.random.rand(d0, d1, ..., dn):生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布 import matplotlib import matplotlib.pyplot as plt # 导入matplotlib模块,用于图表辅助分析 matplotlib inline # 魔法函数,每次运行自动生成图表 a = np.random.rand() print(a,type(a)) # 生成一个随机浮点数 b = np.random.rand(4) print(b,type(b)) # 生成形状为4的一维数组 c = np.random.rand(2,3) print(c,type(c)) # 生成形状为2*3的二维数组,注意这里不是((2,3)) samples1 = np.random.rand(1000) samples2 = np.random.rand(1000) plt.scatter(samples1,samples2) # 生成1000个均匀分布的样本值 # numpy.random.randn(d0, d1, ..., dn):生成一个浮点数或N维浮点数组 —— 正态分布 samples1 = np.random.randn(1000) samples2 = np.random.randn(1000) plt.scatter(samples1,samples2) # randn和rand的参数用法一样 # 生成1000个正太的样本值
numpy 学习
最新推荐文章于 2024-07-19 16:36:18 发布