【机器学习】【Numpy】015_ndarray数组基本操作、逻辑运算

一、数组的基本操作

1. 数组的索引、切片

多维数组的索引方式（直接用连续的多个下标值来访问）：

2. 形状修改

ndarray.reshape(shape, order)

· 返回一个具有相同数据域，但shape不一样的数组

· 行、列不进行互换

ndarray.resize(new_shape)

· 修改数组本身的形状（需要保持元素个数前后相同）

· 行、列不进行互换

ndarray.T

· 数组的转置（行、列互换）

3. 类型修改

ndarray.astype(type)

· 返回修改了类型之后的数组

4. 数组去重

np.unique(temp)

· 去掉重复的数字

二、ndarray运算

1. 逻辑运算

# 逻辑运算
score = np.random.randint(40, 100, (10,5))
test_score = score[6:, 0:5]
print(test_score > 60) # 直接大于小于判断
test_score[test_score > 60] = 1 # 满足要求赋值为1

2. 通用判断函数（判断某一个区域的所有值or存在值）

# 通用判断函数
# 判断前两名同学的所有科目成绩[0:2, :]是否全部及格
npall = np.all(score[0:2, :] > 60)
# 判断前两名同学的所有科目成绩[0:2, :]是否有大于90分的
npany = np.any(score[0:2, :] > 90)

3. 三元运算符（将某些满足条件的值、不满足条件的值记为特殊值）

# 三元运算符
# 判断前四名学生，前四门课程，成绩大于60的置为1，否则为0
np1 = np.where(score[:4, :4] > 60, 1, 0)
# 逻辑与和逻辑或
np2 = np.where(np.logical_and(score[:4, :4] > 60, score[:4, :4] < 90), 1, 0)
np3 = np.where(np.logical_or(score[:4, :4] < 60, score[:4, :4] > 90), 1, 0)

4. 统计指标

# 统计指标
# 求取某一个数据区域的最大值、最小值、平均值、波动情况等
temp = score[:4, 0:5]
# axis表示对行或者列进行统计
# 指定列 统计
print("前四名学生中，各科成绩的最大分：{}".format(np.max(temp, axis=0)))
print("前四名学生中，各科成绩的最小分：{}".format(np.min(temp, axis=0)))
print("前四名学生中，各科成绩波动情况：{}".format(np.std(temp, axis=0)))
print("前四名学生中，各科成绩的平均值：{}".format(np.mean(temp, axis=0)))

# 求取最大值和最小值对应的下标
# np.argmax(temp, axis=)
# np.argmin(temp, axis=)
print("前四名学生中，各科成绩的最大分对应学生下标：{}".format(np.argmax(temp, axis=0)))
print("前四名学生中，各科成绩的最小分对应学生下标：{}".format(np.argmin(temp, axis=0)))