numpy的操作

最新推荐文章于 2023-02-18 16:18:33 发布
最新推荐文章于 2023-02-18 16:18:33 发布
阅读量197 收藏
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/daydream9217/article/details/87891735
版权

数组的操作

list ====== 特殊的数组 数组和列表的区别:
- 数组: 存储的时同一种数据类型;
- list:容器， 可以存储任意数据类型;

# 一维数组和数组的计算
a = [1, 2, 3, 4]
b = [2, 3, 4, 5]
add = lambda x: x[0] + x[1]
# [(1,2), (2,3), (3,4), (4,5)]
print([add(item) for item in zip(a, b)])

mul = lambda x: x[0] * x[1]
# [(1,2), (2,3), (3,4), (4,5)]
print([mul(item) for item in zip(a, b)])

# 二维数组和数组的计算

c = [[1, 2, 3, 4],
     [1, 2, 3, 4]]
d = [[2, 3, 4, 5],
     [2, 3, 4, 5]]
#
# print(c*d)
# print(c+d)

Numpy：

- 什么numpy？
- numpy基础概念
- numpy常用的方法
- numpy常用的统计方法

  • 什么numpy？
    快速， 方便的科学计算基础库(主要时数值的计算， 多维数组的运算);

  • numpy的数据类型
    在这里插入图片描述

  • 轴的理解(axis): 0轴， 1轴， 2轴

    • 一维数组: [1,2,3,45] ----0轴
    • 二维数组: [[1,2,3,45], [1,2,3,45]] ----0轴, 1轴，

在这里插入图片描述

在这里插入图片描述

import numpy as np

#1. numpy中如何创建数组(矩阵)?
#方法1：
a = np.array([1,2,3,4,5])
b = np.array([1,2,3,4,5])
c1 = np.array(range(1,6))
print(a+b)
在这里插入图片描述

#方法2：
c2 = np.arange(1,6)
print(c1)
print(c2)
在这里插入图片描述

#数组的类名: numpy.ndarray
print(type(c1))
在这里插入图片描述

#查看数据元素的类型
print(c1.dtype)
在这里插入图片描述
#2. 修改数组的数据类型
print(c1.astype(‘float’))
print(c1.astype(‘bool’))
print(c1.astype(’?’)) # ?是bool类型的代号;
在这里插入图片描述

#创建的时候指定数据类型
print(np.array([1,2,3,4], dtype=np.float))
在这里插入图片描述

#3. 修改浮点数的小数位数
c3 = np.array([1.234556, 3.45464456, 5.645657567])
print(np.round(c3, 2))

在这里插入图片描述

numpy读取数据

CSV(逗号分隔符文件),广义的csv文件可以不是逗号分隔；
显示: 以Excel表格的方式打开;

import numpy as np

fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2')])
# fname： 文件的名称， 可以是文件名， 也可以是ugz或者bz2的压缩文件;
# dtype： 数据类型， 可选， 默认是float;
# delimiter： 分隔符字符串， 默认情况是任何的空格，
# skiprows: 跳过前xx行， 一般情况跳过第一行;
#  usecols: 读取指定的列， 可以是元组；
# unpack： 如果为True， 对返回的数组对象转置；
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9, usecols=(1, 3), unpack=True)
print(data)

numpy数据的转置

import numpy as np

# 将一维数组转换为3行4列的二维数组
data = np.arange(12).reshape((3, 4))
print(data)


# 1).
print(data.transpose())

# 2). 0轴 ， 1 轴
print(data.swapaxes(1, 0))

# 3).
print(data.T)

数据的索引和切片

import numpy as np

# 将一维数组转换为3行4列的二维数组
data = np.arange(12).reshape((3, 4))
print(data)

# 取第一行的数据
print(data[0])

#  取第一列的数据
print(data.T[0])
print(data[:, 1])

# 获取多行
print(data[:2])

# 获取多行列
print(data.T[:2])
print(data[:, :2])


# 获取指定行的前几列;
print(data)
print(data[[0,2], :2])
print(data[:2, [0,2]])

numpy中数值的修改

import numpy as np

# 将一维数组转换为3行4列的二维数组
data = np.arange(12).reshape((3, 4))
print(data)

# # 取第一行的数据
# data[0] = 0
# print(data)
#
# # 获取多行列
# data.T[:2] = 0
# print(data)


# # 布尔索引: 复杂的条件: data中所有大于8的数字都替换为0；
# # 返回一个三行四列的数组， 存储的是Bool值
# print(data>8)
# data[data>8] = 0
# print(data)


# 复杂的条件: data中所有大于8的数字都替换为0， 否则替换为1； a>b?a:b
# print(data)
# data[data<=8] = 1
# data[data>8] = 0
# print(data)
print(np.where(data <= 8, 1, 0))

# 裁剪: 如果data<=8, 替换称8， 如果data>=10, 替换为10;
print(data)
print(data.clip(8, 10))

# ************************************************
# 数组的拼接
t1 = np.arange(12).reshape(2, 6)
t2 = np.arange(12).reshape(2, 6)
t3 = np.arange(12).reshape(2, 6)

# 竖直拼接(vertically)
print(np.vstack((t1, t2, t3)))
# 水平拼接(horizontally)
print(np.hstack((t1, t2, t3)))

# *************************************************
# 数组的行列交换
t4 = np.arange(12).reshape(2, 6)
# 行交换（第一行和第二行进行交换）
print("原数据:\n", t4)
t4[[0, 1], :] = t4[[1, 0], :]
print("替换后的数据:\n", t4)

# 列交换（第3列和第5列进行交换）
print("原数据:\n", t4)
t4[:, [2, 4]] = t4[:, [4, 2]]
print("替换后的数据:\n", t4)

numpy常用的方法

import numpy as np

# 将一维数组转换为3行4列的二维数组
data = np.arange(12).reshape((3, 4))
data[0, 0] = 80
print(data)

# 1. 获取最大值和最小值的位置;
# 获取当前数组里面最大值的索引;
max_item1 = np.argmax(data)
print(max_item1)     #索引值

# 获取每一列的最大值对应的索引;
print(np.argmax(data, axis=0))
# 获取每一行的最大值对应的索引;
print(np.argmax(data, axis=1))

# 2. 创建一个全为0的数组;
print(np.zeros((3, 3), dtype=np.int))

# 3. 创建一个全为1的数组;
print(np.ones((3, 4)))

# 4. 创建一个对角线全为1的正方形数组（方阵）
print(np.eye(3))

numpy的深拷贝和浅拷贝

列表的深拷贝和浅拷贝

  • 浅拷贝: a= b[::] a = copy.copy(b)

  • 深拷贝: a = copy.deepcopy(b)

  • numpy中的拷贝

    • data1 = data: 完全不复制， 两个变量相互影响， 指向同一块内存空间；
    • data2 = data[::], 会创建新的对象data2，
      但是data的数据完全由data2保管， 两个的数据变化是一致的;
    • data3 = data.copy(), 深拷贝， 两个变量不湖影响;
import numpy as np
data = np.arange(8).reshape(2,4)
data
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
data1 = data
id(data)
140444611238448
id(data1)
140444611238448
data2 = data[::]
id(data)
140444611238448
id(data2)
140444621241360
id(data[0])
140444621241200
id(data2[0])
140444620515568
data
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
data2
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
np.where(data2<4,4,10)
array([[ 4,  4,  4,  4],
       [10, 10, 10, 10]])
data2
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
data2[0] = 0
data2
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data3 = data.copy()
data
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data3
array([[0, 0, 0, 0],
       [4, 5, 6, 7]])
data3[0] = 10
data3
array([[10, 10, 10, 10],
       [ 4,  5,  6,  7]])
data
array([[0, 0, 0, 0],

numpy中的nan和inf

nan(not a number): 表示不是一个数字, 代表的是数据缺失
inf(infinity): inf代表正无穷， -inf代表负无穷

nan的特殊属性:

- 两个nan的值是不相等的, 是float类型:
>>> np.nan == np.nan
False

>>> np.nan != np.nan
True

- 如何判断有多少个缺失值:

    data = np.arange(12, dtype=np.float).reshape(3, 4)
    data
    array([[ 0.,  1.,  2.,  3.],
           [ 4.,  5.,  6.,  7.],
           [ 8.,  9., 10., 11.]])
    data[:2, 2] = np.nan
    data
    array([[ 0.,  1., nan,  3.],
           [ 4.,  5., nan,  7.],
           [ 8.,  9., 10., 11.]])
    np.count_nonzero(data!=data)
    2
    data!=data
    array([[False, False,  True, False],
           [False, False,  True, False],
           [False, False, False, False]])

    # 判断data里面的缺失值
    np.isnan(data)
    array([[False, False,  True, False],
           [False, False,  True, False],
           [False, False, False, False]])

    np.count_nonzero(np.isnan(data))
    2



data[np.isnan(data)]=0

numpy中的常用数据统计

  • 求和

  • 均值

  • 中值

  • 最大值

  • 最小值

  • 极差

  • 标准差： 代表的是数据的波动稳定情况， 数字越大， 越不稳定;

      import numpy as np
  data = np.arange(12, dtype=np.float).reshape(3, 4)
  print(data.sum())
  #每一列数据的和；
  print(data.sum(axis=0))
  #每一行数据的和；
  print(data.sum(axis=1))
      
  
  
  # - 均值
  
  print(data.mean())
  print(data.mean(axis=0))
  print(data.mean(axis=1))
  
  
  
  # - 中值
  print(data)
  print(np.median(data))
  print(np.median(data, axis=0))
  print(np.median(data, axis=1))
  
  
  # - 最大值
  print(data.max())
  print(data.max(axis=0))
  print(data.max(axis=1))
  
  # - 最小值
  # - 极差
  print(np.ptp(data))
  print(np.ptp(data, axis=0))
  print(np.ptp(data, axis=1))
  
  
  # - 标准差： 代表的是数据的波动稳定情况， 数字越大， 越不稳定;
  print(data.std())
  print(data.std(axis=0))
  print(data.std(axis=1))

numpy_学生身高体重统计分析案例

需求1:
获取所有男生的身高, 求平均值;获取所有女生的身高, 求平均值;并绘制柱状图显示

import numpy as np
from pyecharts import  Bar
fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1, 3))
# print(data)
# print(data['gender'])
# print(data['height'])
# print(data['height'][data['gender'] == b'M'].mean())
# print(data['height'][data['gender'] == b'F'].mean())
#


# 判断是否性别为那男的表达式
isMale = data['gender'] == b'M'
male_avg_height = data['height'][isMale].mean()
female_avg_height = data['height'][~isMale].mean()
print(male_avg_height, female_avg_height)

bar = Bar(title="不同性别身高的平均值")
bar.add("", ["男", '女'], [male_avg_height, female_avg_height])
bar.render()

需求2:
获取所有男生的体重, 求平均值;获取所有女生的体重, 求平均值;并绘制柱状图显示

def parser_weight(weight):
    # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
try:
    return  float(weight)
except ValueError as e:
    return  -99

fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'), ('height', 'f2'), ('weight', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1, 3, 4), converters={4:parser_weight})

# 判断是否性别为男的平均身高
isMale = data['gender'] == b'M'
male_avg_height = data['height'][isMale].mean()
female_avg_height = data['height'][~isMale].mean()
print(male_avg_height, female_avg_height)



# 判断是否性别为男的平均体重
is_weight_vaild =  data['weight'] > 0
male_avg_weight = data['weight'][isMale & is_weight_vaild].mean()
female_avg_weight = data['weight'][~isMale & is_weight_vaild].mean()
print(male_avg_weight, female_avg_weight)


bar = Bar(title="不同性别身高的平均值")
bar.add("身高", ["男", '女'], [male_avg_height, female_avg_height])
bar.add("体重", ["男", '女'], [male_avg_weight, female_avg_weight])
bar.render()



"""


import numpy as np
from pyecharts import  Bar

#
# def parser_bps(bps):
#     # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
#     try:
#
#         bps = bps.decode('utf-8').split('/')
#         print(bps, type(bps))
#         first_bps = float(bps[0])
#         second_bps = float(bps[1])
#         return first_bps, second_bps
#     except ValueError as e:
#         return -99


def parser_bpd(bpd):
    # 对于体重数据的处理, 如果不能转换为浮点数据类型, 则返回缺失值;
    try:
        return float(bpd)
    except ValueError as e:
        return -99

fname = "doc/eg6-a-student-data.txt"
dtype = np.dtype([('gender', '|S1'),  ('bpd', 'f2')])
data = np.loadtxt(fname=fname, dtype=dtype, skiprows=9,
                  usecols=(1,  6), converters={ 6:parser_bpd})

print(data)
Coop Er Na
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python 逗号分隔_python中如何将数据行拆分成逗号分隔的列
weixin_39599454的博客
11-29 1046
1.numpy解决方案（因为numpy标记）对numpy数组使用^{}：import numpy as nparr = np.genfromtxt('file.txt',dtype='str',delimiter=',')print (arr)[['red' 'red' 'blue']['blue' 'red' 'blue']['blue' 'blue' 'red']]print (arr[0])...
numpy数据分隔符有两种
weixin_41338006的博客
04-25 5895
数据格式如上图，有两种分隔符，“\t" "\x01",使用loadtext传入delimiter属性值时只能传一个，而且“\x01"并不能作为分隔符，考虑第一步，先将”\t"处理掉，再将第二列拆分，代码如下：n=np.loadtxt("F://test.txt",dtype='str',delimiter='\t')这里刚好练习下数组切分：要对第二列切分，这一列该如何取到手？用到了map函数，（终...
Numpy数组操作
12-21
目录Numpy数组的操作概述Numpy数组的创建numpy.array方法numpy.zeros方法numpy.ones方法numpy.full方法numpy.arange方法numpy.linspace方法numpy.random.random方法numpy.random.randint方法numpy.random.normal方法numpy.eye方法numpy.empty方法Numpy数组的属性数组的维度nidm数组形状shape数组的大小size数组的数据类型dtype数组元素的字节大小itemsize数组的字节大小nbytesNumpy数组的索引一维数组多维数组Numpy数组的切片一
【python】numpy库ndarray多维数组的索引和切片详解与实例
热门推荐
brucewong0516的博客
01-28 1万+
numpy库多维数组的类型和列表的类型非常类似，同样有索引和切片功能： 索引：获取数组中特定位置元素的过程 切片：获取数组元素子集的过程 1、一维数组的索引和切片：与Python的列表类似 In [34]: a = np.arange(10) In [35]: a[0] Out[35]: 0 In [36]: a[1:4:2] #起始编号: 终止编号(不含): 步长，3元素冒号
numpy数组(4)-二维数组
06-27 1213
python创建二维list的方法是在list里存放list: l = [[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]] numpy可以直接创建一个二维的数组: import numpy as np l = np.array([ [1,2,3,4], [5,6,7,8], [9,...
NumPy 分隔数组
千里之行始于足下
10-21 688
– Start import numpy as np # 定义数组 a = np.arange(24).reshape(4, 6) print(f'a={a}') # 分隔数组 b = np.hsplit(a, 2) print(f'b={b}') c = np.vsplit(a, 2) print(f'c={c}') d = np.array_split(a, 2, axis=1) pr...
NumPy(七)： 统计函数&排序、条件函数
zcb_data的博客
11-26 601
NumPy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 函数说明如下： numpy.amin() 用于计算数组中的元素沿指定轴的最小值。 numpy.amax() 用于计算数组中的元素沿指定轴的最大值。 >>> a = np.array([[3,7,5],[8,4,3],[2,4,9]]) >>> print (a) [[3 7 5] [8 4 3] [2 4 9]] >>> print(np.amin
Python-Utils
qq_41761764的博客
06-17 4120
pythonUtils import hashlib def encryption(password): “”“登录加密”"" # 1.创建一个hash对象 h = hashlib.sha256() h.update(bytes(password)) # 3.获取加密结果 pawd_result = h.hexdigest() return pawd_result python的各种加密在这个模...
python中numpy库内multiply()、dot()和 * 三种乘法运算的区别小记
小羊
06-06 4338
首先，导入函数包： import numpy as np 1.np.multiply(): 数组：对应元素位置相乘 矩阵：对应元素位置相乘 示例： A = array([[1,2],[3,4]]) B = array([[1,3],[2,4]])
numpy基本操作
m0_51221347的博客
03-11 239
一、Numpy中文网： https://www.numpy.org.cn 二、Numpy基础之ndarray 1、ndarray，即N维数组对象，是Numpy最重要的一个特点，它是一个快速灵活的大数据集合容器，可以对整块数据执行一些数学运算，其语法与标量元素之间的运算一样。 2、其构造器如下： numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0) 3、定义ndarray 使用array（）函数定义，以python列表作
Numpy基础操作和功能实战
09-23
Numpy基础操作和功能实战
matlab集成c代码-Numpy:实施基本的numpy操作
05-22
NumPy是Python编程语言的库，它添加了对大型多维数组和矩阵的支持，以及用于在这些数组上进行操作的大量高级数学函数的集合。 NumPy的祖先Numeric最初由Jim Hugunin创建，并得到了其他一些开发人员的贡献。 2005年，...
新手入门学习python Numpy基础操作
09-17
主要介绍了新手入门学习python Numpy基础操作,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
浅谈numpy库的常用基本操作方法
09-20
下面小编就为大家分享一篇浅谈numpy库的常用基本操作方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python学习笔记（一）：numpy学习
weixin_43179103的博客
04-27 993
import numpy as np from io import StringIO “”" NumPy提供了几个函数来根据表格数据创建数组。我们将重点放在genfromtxt函数上。 genfromtxt的唯一强制参数是数据的来源。它可以是一个字符串，一串字符串或一个生成器。如果提供了单个字符串，则假定它是本地或远程文件的名称，或者带有read方法的开放文件类对象，例如文件或StringIO.S...
Python 之numpy中二维数组与三维数组的切片
weixin_38698410的博客
05-22 1万+
常见切片类型： x[n,:]、x[:,n]、x[m:n,:]、x[:,m:n] x[n,::]、x[:,n:]、x[::,n]、x[:,:,n]、x[m:n,::]、x[:,m:n:]、x[::,m:n]、x[:,:,m:n] 1、首先区分数组类型：在中括号中将m:n看做整体的前提之下，二维数组（中括号中有一个冒号），三维数组（中括号中有两个冒号） 2、需要注意到情况如：通常情况每个维...
numpy切片
weixin_46198882的博客
02-18 1117
numpy初级索引
2021-09-03
Gqyxzt的博客
09-03 337
numpy中有哪些简单且实用的操作 1、数组拆分 垂直拆分：numpy.vsplit(数组，份数)->(数组片段) 水平拆分：numpy.hsplit(数组，份数)->(数组片段) numpy.dsplit(数组，份数)->(数组片段) 灵活选择引用 numpy基本加减和取行操作 矩阵删除、插入、尾部添加操作(delete,insert,append) numpy矩阵操作主要有delete()、insert()、append()等函数，分别执行删除、插入和添加的操作，注意app
python numpy操作
最新发布
09-01
Python的NumPy库提供了对数组和矩阵的常见操作支持，使得数值计算任务更加简洁。通过NumPy，我们可以进行向量化计算，即一次性对整个数组进行运算，而不需要使用循环来逐个处理数组元素。这样可以提高计算效率。 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值