numpy小记

1.arange和range的区别

arange是np中的函数，返回的是一个数组

np.arange(5)

array([0, 1, 2, 3, 4])

range是Python自带的函数，返回的是一个迭代器

range(5)
range(0, 5)

2.

创建一个数组
选取数组元素
numpy数据类型，例如np.int16

获取数组中数据元素所占空间大小，使用a.dtype.itemsize属性

e
array([0, 1, 2, 3, 4, 5, 6])
e.dtype
dtype('int32')
e.dtype.itemsize

4

一位数组的切片和索引

reshape

a
array([1, 2, 3, 4, 5, 6])
b = a.reshape(2,3)
b
array([[1, 2, 3],
       [4, 5, 6]])
a
array([1, 2, 3, 4, 5, 6])

reshape之后原数组是没有变化的

多维数组的索引和切片

b
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
b[0,0,0]
0
b[:,0,0]
array([ 0, 12])
b[0,1]
array([4, 5, 6, 7])
b[0,1,:]
array([4, 5, 6, 7])

改变数组的维度

1.ravel()

b.ravel()
array([ 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.flatten()

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

revel和flatten都不会改变原数组

3.用元祖设置维度

b.shape=(6,4)

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

这样会改变原数组

4.矩阵转置

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

5.resize

resize和reshape功能一样，但resize会改变原数组

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

组合数组

水平组合：np.hstack((a,b))

垂直组合：np.vstack((a,b))

列组合：np.column_stack((a,b))，和水平组合效果一样

行组合：np.row_stack((a,b))，和垂直组合效果一样

a = np.arange(9).reshape(3,3)
a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
b = 2*a
b
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
np.hstack((a,b))
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])
np.vstack((a,b))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
np.column_stack((a,b))
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])
np.row_stack((a,b))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

数组的属性

c.ndim:数组的维度

c.dize:数组的元素个数

c.itemsize:数组中元素所占内存的字节数

c.nbytes:整个数组所占的存储空间，就是size和itemsize属性值的乘积

T的属性效果和transpose函数一样

c
array([[[1, 2],
        [3, 4],
        [5, 6]]])
c.ndim
3
c.size
6
c.itemsize
4

c.nbytes
24

对于一维数组，其T属性就是原数组

b
array([1, 2, 3, 4, 5])
b.T
array([1, 2, 3, 4, 5])

遍历数组：

flat属性

b
array([[0, 1],
       [2, 3]])
f = b.flat
for item in f :
    print(item)#0 1 2 3

数组转换为列表，b.tolist()

改变数组元素类型，b.astype()

b
array([[0, 1],
       [2, 3]])
b.tolist()
[[0, 1], [2, 3]]
b
array([[0, 1],
       [2, 3]])
b.astype(float)
array([[ 0.,  1.],
       [ 2.,  3.]])
b.astype('float')
array([[ 0.,  1.],
       [ 2.,  3.]])

csv（Comma-Separated Value,逗号分隔值）

excel就可以另存为csv文件

import numpy as np
c,v = np.loadtxt('data.csv',delimiter=',',usecols=(6,7),unpack=True)#unpack=True表示返回多个结果
print(c,v)
#计算成交量加权平均价格
vwap = np.average(c,weights=v)
print(vwap)
#计算成交量价格算术平均值,使用mean和average函数都可以
_mean = np.mean(c)
print(_mean)
_mean2 = np.average(c)
print(_mean2)

h,l = np.loadtxt('data.csv',delimiter=',',usecols=(4,5),unpack=True)
#计算最大值
print(np.max(h))
#计算最小值
print(np.min(l))

#使用ptp函数计算数组的取值范围，返回数组元素的最大值和最小值之间的差距,也就是max(array)-min(array)
print(np.ptp(h))
print(np.max(h)-np.min(h))
print(np.ptp(l))
print(np.max(l)-np.min(l))

#简单统计分析
c = np.loadtxt('data.csv',delimiter=',',usecols=(6),unpack=True)
#计算数组中位数,奇数就是中间那个数，偶数就是中间两个数的平均值
median = np.median(c)
print(median)

#对数组进行排序，只对一维数组有效
sorted_c = np.msort(c)

#计算方差
variance = np.var(c)
print(variance)

variance_from_definition = np.mean((c-c.mean())**2)
print(variance_from_definition)