numpy基础知识

一、numpy简介

  numpy是一个在Python中做科学计算的基础库。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算。

  优点：快捷，方便

二、Ndarray对象

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。ndarray中的每个元素在内存中使用相同大小的块， ndarray中的每个元素是数据类型对象的对象（称为 dtype）

三、numpy创建数组

1、首先需要导入numpy

import numpy as np

2、接着创建数组

import numpy as np
a = np.array([1,2,3,4])
b = np.arange(1,5)

#arange用法：arange([start,] stop[, step,],dtype=None)

a,b输出结果：
[1,2,3,4]

3、数组类名

import numpy as np
a = np.array([1,2,3,4])
print(type(a))

#输出：
numpy.ndarray

4、数据的类型（可以自己设，也astype修改）

import numpy as np
a = np.array([1,2,3,4])
print(a.dtype)

#输出：
int32

import numpy as np
a = np.array([1,2,3,4]).astype("int64")
print(a.dtype)

a = np.array([1,2,3,4],dtype="int64")

#输出：
int64

5、设置维度（ndmin）

import numpy as np
a = np.array([1,2,3,4]，ndmin=1).astype("int64")

补充：更多numpy中常见的数据类型

四、数组的形状

简单来说就是数组由几行几列构成，例如（a，b）表示a行b列的一个数组，.shape可以查看形状，输出形式为元组

import numpy as np
a = np.array([[1,2,3,4],
             [5,6,7,8]])
print(a.shape)

#输出：
(2,4)

.reshape可以修改形状，特别地，若想展开为一维数组，可用.flatten()，不需要传入行数或者列数

import numpy as np
a = np.array([[1,2,3,4],
             [5,6,7,8]]).reshape((4,2))
print(a)
print(a.shape)
print(a.flatten())

#输出：
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
(4, 2)
[1 2 3 4 5 6 7 8]

应用：在数组特别大或者想要单独取行或列进行运算时，可以通过shape指定进行行或列的选中，例如后续将nan替换为平均值或中值时，需要指定计算某行或某列的平均值或中值，此时，.shape[0]表示选中行，.shape[1]表示选中列。

*注意：axis表示轴，对于二维数组，axis=0表示行，axis=1表示列，

                                 对于三维数组，有0，1，2轴，axis=0表示块，axis=1表示行，axis=2表示列

五、数组和数组/数的计算（广播机制）                       

 广播机制：如果两个数组的后缘维度（即从末尾开始算起的维度）的轴长度相符或其中一方 的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。

在计算上，简单来说，就是当数组与数相加，或者数组与另一个行或列能够对应数组相加时，所有数字都会进行运算。具体理解见下例

1、数组与数的计算

import numpy as np
a = np.array([[1,2,3,4],
             [5,6,7,8]])
b = a+3
print(b)

c = a*3
print(c)

#输出：
b ： [[ 4  5  6  7]
 [ 8  9 10 11]]

c ： [[ 3  6  9 12]
 [15 18 21 24]]

数字会与数组里的每一个数进行运算

2、数组与数组的计算

import numpy as np
a = np.array([[1,2,3,4],
             [5,6,7,8]])
b = np.array([[1],
              [2]])
ans1 = a+b
print(ans1)

ans2 = a*b
print(ans2)

#输出：
[[ 2  3  4  5]
 [ 7  8  9 10]]
[[ 1  2  3  4]
 [10 12 14 16]]

数组的对应位置会进行运算，但若位置不对应就会报错

import numpy as np
a = np.array([[1,2,3,4],
             [5,6,7,8]])
b = np.array([[1],
              [2],
              [3]])
ans1 = a+b
print(ans1)

#输出：
Traceback (most recent call last):
  File "---------------", line 184, in <module>
    ans1 = a+b
           ~^~
ValueError: operands could not be broadcast together with shapes (2,4) (3,1) 

六、numpy读取数据

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

参数	解释
frame	文件、字符串或产生器，可以是.gz或bz2压缩文件
dtype	数据类型，可选，CSV的字符串以什么数据类型读入数组中，默认np.float
delimiter	分隔字符串，默认是任何空格，使用时可以改为逗号
skiprows	跳过前n行，一般跳过第一行表头
usecols	读取指定的列，索引，元组类型
unpack	如果True，读入属性将分别写入不同数组变量，False读入数据只写入一个数组变量，默认False

*注意：unpack默认为False（0），也就是数据怎样，导入就是怎样

            若为True（1）原数据的行变成列，列变成行，也就是转置

  转置

  在对角线防线交换数据，目的是为了更好处理数据

    1）.transpose()

import numpy as np
a = np.array([[1,2,3,3,2,1],
             [5,6,7,7,6,5],
             [8,9,0,0,9,8]])

print(a)
print(a.transpose())

#输出：
[[1 2 3 3 2 1]
 [5 6 7 7 6 5]
 [8 9 0 0 9 8]]
[[1 5 8]
 [2 6 9]
 [3 7 0]
 [3 7 0]
 [2 6 9]
 [1 5 8]]

    2）.swapaxes(1,0)(二维数组时）

import numpy as np
a = np.array([[1,2,3,3,2,1],
             [5,6,7,7,6,5],
             [8,9,0,0,9,8]])

print(a)
print(a.swapaxes(1,0))

#输出：
[[1 2 3 3 2 1]
 [5 6 7 7 6 5]
 [8 9 0 0 9 8]]
[[1 5 8]
 [2 6 9]
 [3 7 0]
 [3 7 0]
 [2 6 9]
 [1 5 8]]

    3）.T

import numpy as np
a = np.array([[1,2,3,3,2,1],
             [5,6,7,7,6,5],
             [8,9,0,0,9,8]])

print(a)
print(a.T)

#输出：
[[1 2 3 3 2 1]
 [5 6 7 7 6 5]
 [8 9 0 0 9 8]]
[[1 5 8]
 [2 6 9]
 [3 7 0]
 [3 7 0]
 [2 6 9]
 [1 5 8]]

以上方法均可实现转置，效果相同

七、numpy的索引和切片

  1、取一行或一列

import numpy as np
a = np.arange(12).reshape((3,4))


a[1] #表示取第二行
a[:,2]表示取第三列

  2、取多行或多列

import numpy as np
a = np.arange(12).reshape((3,4))

a[1:3] #表示取第二行到第四行的所有值
a[:,2:4] #表示取第三到第五列的所有值

*注：若要修改某个值，直接向索引的目标赋值即可：a[:,2,4] = 0

  3、布尔索引

  常用于进行修改numpy中的某些符合条件的值

a[a<5] = 0 #表示将a中小于5的值全部修改为0

  4、numpy中的三元运算符

  用where完成

np.where(a<5,0,5) #表示将小于5的修改为0，大于5的修改为5

5、numpy中的clip

a.clip(5,10) #表示将小于5的替换为5，大于10的替换为10，其他不变

*注意：clip无法将nan与inf进行修改

八、numpy中的nan与inf

  nan：（not a number）表示不是数字，例如读取文件的确实或做了不合适运算

  inf：（infinity）表示无穷，例如某个数字除以0时会出现

  *注：nan与inf均为float类型

  nan

  1）两个nan是不相等的，也就是np.nan!=np.nan

  2）利用1）可以判断nan的个数,具体代码如下

  

np.count_nonzero(a!=a)

  3）通过判断是不是nan，并将其返回bool类型，实现nan的替换

  

a[np.isnan(a)] = 0 #将所有nan替换为0

  **注：一般不将nan替换为0而是均值或者中值

九、numpy中常用的统计函数

求和	a.sum(axis = None)
均值	a.mean(axis = None)
中值	np.median(a,axis = None)
最大值	a.max()
最小值	a.min()
极值	np,ptp(a,axis = None)
标准差	a.std(axis = None)

  补充说明：均值

  

import numpy as np
a = np.array([[1,2,3],
               [4,5,6],
               [7,8,9]])

print(a.mean())
print(a.mean(axis = 0))
print(a.mean(axis = 1))

#输出：
5.0
[4. 5. 6.]
[2. 5. 8.]

十、数组的拼接

  1、竖直拼接：np.vstack

import numpy as np
a = np.array([[ 0, 1, 2, 3, 4, 5],
       [ 6, 7, 8, 9, 10, 11]])
b = np.array([[12,13,14, 15,16,17],
       [18,19,20,21,22, 23]])

print(np.vstack((a,b)))

#输出：
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]

  2、水平拼接

import numpy as np
a = np.array([[ 0, 1, 2, 3, 4, 5],
       [ 6, 7, 8, 9, 10, 11]])
b = np.array([[12,13,14, 15,16,17],
       [18,19,20,21,22, 23]])

print(np.hstack((a,b)))

#输出：
[[ 0  1  2  3  4  5 12 13 14 15 16 17]
 [ 6  7  8  9 10 11 18 19 20 21 22 23]]

十一、更多

  1、创建一个全0的数组: np.zeros((4,6))

  2、创建一个全1的数组: np.ones((2,4))

  3、创建一个对角线为1的正方形数组(方阵)：np.eye(5)