Python数据分析——Numpy1 数组创建

numpy 提供了一个名为 ndarray 的多维数组对象，该数组元素具有固定大小 ，即 numpy 只能存放同一种数据类型的对象，因此能够确定存储数组所需空间的大小，能够运用向量化运算来处理整个数组，具有较高的运算效率。

NumPy提供了两种基本的对象:
ndarray (N-dimensional array object)和ufunc(universal function object)
ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。

---

1.基于List创建ndarray

np.array(lst1, dtype='int32' ) # dtype=int

import numpy as np # 导入numpy库，取别名为np
lst1 = [1,2,3,4,5,6] # 定义一个列表
a1=np.array(lst1) # 创建一维数组
print('a1=',a1) # 打印一维数组
lst2 = [[1,2,3],[4,5,6]] # 定义一个嵌套列表
a2 = np.array(lst2) # 创建二维数组
print('a2=\n',a2) # 打印二维数组

2.基于元组创建

import numpy as np # 导入numpy库，取别名为np
a=(1,2,3)
print(np.array(a))

[1 2 3]

3.基于迭代器创建

print(np.array(range(5)))

[0 1 2 3 4]

---

若想将数组元素转换数据类型，可以使用astype()函数。
. astype方法会创建一个新的数组，并不会改变原有数组的数据类型。

·将浮点数转换为整数时元素的小数部分被截断，而不是四舍五入。
·数值型的字符串可以通过astype方法将其转换为数值类型，但如果字符串中有非数值型字符进行转换就会报错。

 

---

通过函数创建特殊数组

1.ones(shape, dtype=float, order='C') 创建全一数组

a = np.ones(4)
print('a=\n', a)

a=
 [1. 1. 1. 1.]

2.创建全0数组 zeros(shape，dtype=float，order = 'C')

a = np.zeros((3,5))
print('a=\n', a)

a=
 [[0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]]

3.创建对角为1的矩阵 eye(N,M=None, k=0, dtype=float)

4.创建单位矩阵 identity(n, dtype=float)

 

5.创建对角为指定值的矩阵或获得二维数组的对角线 diag(v,k=0)

---

从数值范围创建数组 arange、linspace和logspace函数

（1）arange函数【左闭右开】

函数arange根据start与stop指定的范围以及step设定的步长，生成一个 一维数 组 ，函数格式如下所示：

numpy.arange(start=0, stop, step=1, dtype=None)

如果没有提供 dtype ，则会 使用 start 和 stop 中较高级别类型 。

a1 = np.arange(10)
print('a1=', a1)
a2 = np.arange(0.,10, 2) #0.和10中较高级别的类型是float
print('a2=', a2)
a3 = np.arange(0, 10, 2, dtype='float') 
print('a3=', a3)

a1= [0 1 2 3 4 5 6 7 8 9]
a2= [0. 2. 4. 6. 8.]
a3= [0. 2. 4. 6. 8.]

（2）linspace

linspace 函数用于创建一个 一维数组 ，数组是一个 等差数列 构成的，其格式如下：

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

a1= np.linspace(1,10,5)
print('a1=', a1)
a2 = np.linspace(1,10, 5, retstep=True) # 返回值包含公差
print('a2=', a2)

a1= [ 1.    3.25  5.5   7.75 10.  ]
a2= (array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ]), 2.25)

（3）logspace函数

创建开始点为start，结束点为end的，以base为底的幂组成的，num个数的 等比数

列 ，其格式如下所示：

np.logspace(start, stop, num=50, endpoint=True, base=10.0 , dtype=None)

---

读取文件创建数组

在NumPy 中，loadtxt()和savetxt()函数可以对文件后缀名为.txt和.cSv的文件进行读写操作。
默认采用空白作为分隔符，将文件中的内容读取进来，并生成矩阵，要求每行的内容数目必须一致，也就是说不能有缺失值。

skiprows=n:指跳过前n行
 

a = np. loadtxt("/URL.txt", skiprows=1, dtype=int)
print ( a)

comment='#︰如果行的开头为#就会跳过该行
delimiter:数据之间的分隔符。如使用逗号"，"

a = np. loadtxt("/URL.txt", comments='#',delimiter=',')

---

数组基本属性

import numpy as np
a = np.array( [ [0,1,2,3], [4,5,6,7], [8,9,10,11] ] )
print("a=\n",a)
print("a.ndim=", a.ndim)
print("a.shape=", a.shape)
print("a.size=", a.size)
print("a.dtype=", a.dtype)
print("a.itemsize=", a.itemsize)
print("a.nbytes=", a.nbytes)

a=
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
a.ndim= 2
a.shape= (3, 4)
a.size= 12
a.dtype= int32
a.itemsize= 4
a.nbytes= 48

---

随机数

（1）rand函数

产生一个给定形状的数组，数组中的值服从 [0, 1)之间的均匀分布 ，其格式如下：

numpy.random.rand(d0, d1, ..., dn)

• 参数d0, d1, ..., dn表示每一维的长度（size），为int型，可选。

• 若没有参数则返回 一个符合均匀分布的float型随机数

（2）uniform函数

函数uniform返回一个在区间 [low, high)中均匀分布 的数组，其格式如下：

uniform(low=0.0, high=1.0, size=None)

• 参数low, high是float型，low的默认值为0.0，high的默认值为1.0；

• size指定array的形状， 是int型数值 （一维数组长度）或 int型元组 （多维数

组形状），不指定该参数则返回 一个 服从均匀分布的 随机数 。

 

（5）randint函数

函数randint生成一个在区间[low, high)中 离散均匀分布 的整数数组，格式如下：

numpy.random.randint(low, high=None, size=None, dtype='l')

• low, high：int型，指定抽样区间[low, high)， 如果没有写参数high的值，则

指定抽样区间为[0,low)。

• size：int型或int型的元组，指定形状。

• dypte：可选参数，指定 整数数据类型 ，比如int、int64(i8)等。

• 返回值：如果指定了size，则返回一个int型的ndarray对象，否则返回一个服

从该分布的int型随机数。

 

 

shuffle函数

对numpy的数组进行 原地 重新随机排序，如果是多维数组，沿最小维进行随机排序，返回值为None。

numpy. random. shuffle( x )

shuffle 与 permutation 都是对原来的数组进行重新洗牌（即随机打乱原来的元素顺序）。

区别在于 shuffle 直接在原来的数组上进行操作，改变原来数组的顺序，无返回值；

而 permutation 不直接在原来的数组上进行操作，而是返回一个新的打乱顺序的数组，并不改变原来的数组。

此外，shuffle不能传入int参数。

permutation函数

随机排列一个序列，或者数组。

numpy.random.permutation(x)

• 如果x是整数，则随机排列 np.arange(x)

• 如果x是一维数组或序列，对其 复制 之后再打乱其元素。

• 如果x是多维数组，则 沿最小维索引 随机排列数组。