Numpy常见方法（1）-创建numpy对象和numpy基本属性、numpy的切片及常见错误和numpy常见通用函数

说明：本blog基于python3版本, numpy 1.19.5

---

前言

我们在Numpy常见方法（0）中详细介绍了numpy在做大量数据运算处理的优势及底层原理，本文主要是介绍如何把numpy应用到实际工作中，包括三个方面：创建numpy对象和numpy基本属性、numpy的切片和numpy常见通用方法。
在这之前我首先介绍一个贯穿numpy应用的概念：ndarray；ndarray是python的一个大型，快速的数据集容器，所有ndarray类型的数据都存放在该容器中；该容器中的所有ndarray对象都有两个基本属性：shape 和 dtype。

一、创建numpy对象和numpy基本属性

numpy对象的创建主要是通过 numpy.array() 方法，该方法的作用对象是序列型数据，包括列表list，元组tuple，数组range, 和其他序列型数据。我们应用numpy.array() 方法时只需记住公式： numpy.array(序列型数据)

首先，我们用代码演示一下如何生成numpy对象

import numpy as np
a_list = [1,2,3]
b_tuple = (1,2,3)
c_range = range(3)

a = np.array(a_list)
b = np.array(b_tuple)
c = np.array(c_range)

print(a)
print(b)
print(c)

结果如下，

[1 2 3]
[1 2 3]
[0 1 2]

OK，我们接下来介绍一下每个ndarray类型的数据都具有的两个基本属性，shape和dtype
shape 返回的是ndarray类型数据的“形状”， 学过线性代数的同学都知道，一个高维数据都是有“形状的”， 比如 N * M， 代表一个数据由N行M列组成，是一个二维数据；那么我们演示一下如何使用shape方法获得数据的维度；
假设我们现在创建一个3维数据

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

结果如下，

(2, 3, 4)

也就是说我们目前设置的a是一个 2 * 3 * 4的三维ndarray；有同学可能困惑如何计算a的维度，其实很简单，记住一个原则：从外往里扒括号
本题中最外层是两个并列元素，[[1,2,3,3],[1,2,3,3],[1,2,3,3]] 和 [[6,7,8,8],[6,7,8,8],[6,7,8,8]]；第二层是三个并列元素， [1,2,3,3],[1,2,3,3],[1,2,3,3] 或者 [6,7,8,8],[6,7,8,8],[6,7,8,8]；最内层是4个并列元素，[1,2,3,3] 或 [1,2,3,3]或[1,2,3,3] 或 [6,7,8,8]或 [6,7,8,8]或 [6,7,8,8]；如果想有一个整体概念，可以把每个维度分别对应长宽高，那么这里的变量a 就是一个十足的长方体！是不是对高维矩阵有了更深的认识？！

另外一个基础属性是dtype， 这个属性可以帮助我们更改或确定ndarray类型数据内部元素的基本属性，比如，如果我们在创建ndarray数据时想让ndarray中的元素为 双精度浮点数，那么我们在np.array()方法中加入dtype属性名，并设置为 dtype = numpy.float64;
【注：有的元素不能成功转化为我们想要的数据类型，比如我们把string类型的数据转化为双精度浮点数类型（numpy.float）的数据时，就会报ValueError！！！】
我们用代码演示一下dtype属性以及如何更改ndarray类型中元素的数据类型
（常用astype方法）

import numpy as np
###我们首先把a中的元素数据类型设置为双精度浮点数
a = np.array([1,2,3], dtype = np.float64)
b = a.dtype
print("a 中元素数据类型为 " + str(b))
###然后我们把a中的元素数据类型更改为整数
a = a.astype(np.int32)
b = a.dtype
print("更改数据类型后， a 中元素数据类型为 " + str(b))

结果如下，

a 中元素数据类型为 float64
更改数据类型后， a 中元素数据类型为 int32

nice！
【注：我们更改为元素数据类型一定要重新赋值给原ndarray！！！否则，元素数据类型更改失败】

二、numpy的切片及常见错误

有的时候，我们需要对一个ndarray进行切片，以获得一个满足某种条件的更小的ndarray类型的数据。这里主要介绍布尔值索引法和直接切片两种方法。
首先介绍直接切片法，公式 ndarray[对第一个维度操作，对第二个维度操作，对第三个维度操作 。。。]

比如我有一个二维数组，我只取前2行（第一个维度）和后4列（第二个维度），
【说明：ndarray类型数据如果是二维的，那么默认行为第一个维度，列为第二个维度，约定俗称，没有为什么】
【技巧：ndarray直接切片与list类型数据切片很相似！！！通过下边实例体会一下】

代码如下

import numpy as np
a = np.array([[1,2,3,4,5],[1,2,3,4,4], [1,4,5,6,7],[1,4,5,6,0]])
print(a)
###我只取前2行（第一个维度）和后4列（第二个维度）
b = a[:2,1:]
print(b)

结果如下

[[1 2 3 4 5]
 [1 2 3 4 4]
 [1 4 5 6 7]
 [1 4 5 6 0]]
[[2 3 4 5]
 [2 3 4 4]]

OK, meet our respectation!
由此可见， 直接切片法是通过元素位置进行切片

接下来， 我们介绍第二种布尔值索引切片法；公式：新ndarray = ndarray[条件]

我们设定新的ndarray， a， 然后挑选出所有小于0的元素形成新的ndarray

import numpy as np
a = np.array([[1,2,-3],[-19,99,7],[90,-8,0]])
print(a)
b = a[a<0]
print(b)

结果如下

[[  1   2  -3]
 [-19  99   7]
 [ 90  -8   0]]
 [ -3 -19  -8]

我们同样可以使用ndarray的布尔值切片法对满足某些条件的元素进行更改等操作；公式： ndarray[条件] = 目标值

比如，我们设定新的ndarray， a， 然后更改所有小于0的元素为-100

import numpy as np
a = np.array([[1,2,-3],[-19,99,7],[90,-8,0]])
print(a)
a[a<0] = -100
print(a)

结果如下

[[  1   2  -3]
 [-19  99   7]
 [ 90  -8   0]]
[[   1    2 -100]
 [-100   99    7]
 [  90 -100    0]]

你get了吗~

这里我给大家介绍一下使用numpy直接切片方法时的常见错误
比如，我设置一个二维ndarray，使用直接切片法获得一个新的ndarray，我们称为b
代码如下

import numpy as np
a = np.array([[0,2,3], [4,5,6]])
print(a)
b = a[:,:2]
print(b)

[[0 2 3]
 [4 5 6]]
[[0 2]
 [4 5]]

然后，我们改变b的第（0，0）位的元素为1，

b[0,0] = 1
print(b)

结果如下，

[[1 2]
 [4 5]]

我们发现，b的（0，0）位的确由0更改为1
但当我们打印一下a时，我们会惊异的发现，

print(a)

结果如下，

[[1 2 3]
 [4 5 6]]

a的原来为0的元素居然也变为了1！这是为什么？因为numpy的直接切片方法是对原有ndarray做了“视图”，而不是copy， 所以如果后续更改“视图”的元素，原ndarray也会随之改变！

那我们回过头再看一下布尔值切片法，就不会出现上述问题！！！
代码如下，

import numpy as np
a = np.array([[1,2,-3],[-19,99,7],[90,-8,0]])
b = a[a<0] 
print(b)
print(a)
b[0] = -99
print(b)
print(a)

结果如下，

[ -3 -19  -8]
[[  1   2  -3]
 [-19  99   7]
 [ 90  -8   0]]
[-99 -19  -8]
[[  1   2  -3]
 [-19  99   7]
 [ 90  -8   0]]

a矩阵先后一致！

这说明numpy的布尔值切片法得到了原ndarray数据的copy，而不是“视图”，后续对copy中的元素做改变，不会影响原ndarray元素的值！！！

三、numpy常见通用函数

numpy通用函数，又称为 ufunc, 是一种对ndarray类型数据进行逐元素操作的函数。通用函数根据作用对象的个数分为一元通用函数，二元通用函数和多元通用函数

一元通用函数包括：abs（绝对值），sqrt（平方根），square(平方)，exp（求自然指数），log（以自然数e为底的对数值），sign（元素的符号），ceil（向上取整），floor（向下取整），cos（余弦），sin（正弦），tan（正切），cosh（双曲余弦），sinh（双曲正弦），tanh（双曲正切），arcsin/arccos/arctan/arcsinh/arccosh/arctanh（反三角）

首先我们演示一元通用函数：
代码：

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

结果如下

[1 2 3]
[1 4 9]

二元通用函数，作用对象是两个ndarray，比如 add(对应位置元素相加)，subtract（在第二个数据中，将第一个数据包含的元素去掉），multiply（对应位置元素相乘），power（将第二个数组作为第一个数组的幂次方），maximum（对应位置元素取最大值），fmax（在忽略Nan的情况下，对应位置元素取最大值），minimum（对应位置元素取最小值），fmax（在忽略Nan的情况下，对应位置元素取最小值）

我们演示一下二元通用函数的使用
假设两个ndarray分别为 a = np.array([1,2,202]) b = np.array([100,102,101])
代码如下

 a = np.array([1,2,202,80])
 b = np.array([100,102,101,10])
 c = np.maximum(a,b)
 print(c)

结果如下

[100 102 202  80]

漂亮！

---

总结

写在最后，希望本blog对你的numpy应用有所帮助，欢迎点赞收藏~