numpy学习

最新推荐文章于 2023-03-30 15:05:38 发布

h-p_c-h

最新推荐文章于 2023-03-30 15:05:38 发布

阅读量223

点赞数

文章标签： numpy python

本文链接：https://blog.csdn.net/hpccph15/article/details/118916307

版权

numpy学习

import numpy as np

ndarray

numpy中定义了一种数据结构ndarray，可以看成数组结构。
ndarray的创建:

# code
arr1 = np.array([1, 2, 3])
arr2 = np.array(range(3))
arr3 = np.arange(3)
arr4 = np.arange(1, 10, 2)
print(type(arr1), type(arr2), type(arr3))
print(arr1)
print(arr2)
print(arr3)
print(arr4)

# result:
<class 'numpy.ndarray'> <class 'numpy.ndarray'> <class 'numpy.ndarray'>
[1 2 3]
[0 1 2]
[0 1 2]
[1 3 5 7 9]

注意该数组与python中list的不同:

# code:
lst = [1, 2, 3]
print(lst)

# list数据结构是有逗号的，而ndarray没有。
[1, 2, 3]

dtype属性

dtype属性可以查看数组中的类型，也可指定数组中元素的数据类型。

# code:
print(arr4.dtype)
arr5 = np.array([1, 2], dtype=float)
print(arr5)
print(arr5.dtype)
arr6 = np.array(range(1, 4), dtype='float32')
print(arr6)
print(arr6.dtype)
arr7 = np.array([1, 2, 0], dtype = 'bool')
print(arr7)
print(arr7.dtype)
# 注意：np.arange(4, dtype = bool)这种写法会报错：no fill-function for data-type

# result:
int32
[1. 2.]
float64
[1. 2. 3.]
float32
[ True  True False]
bool

astype()方法

使用astype()方法对数组的数据类型进行转换。

# code:
arr8 = np.arange(3)
arr9 = np.array([-1, 0, 1])
arr10 = arr8.astype(bool)
print(arr8.dtype)
arr11 = arr9.astype(bool)
print(arr10)
print(arr11)

# result:
int32  # 可见astype方法是不改变自身元素类型的，arr8的元素类型还是int32
[False  True  True]
[ True False  True]

生成小数

# code:
import random
arr12 = np.array([random.random() for i in range(6)])
arr13 = np.round(arr12, 3)  # 保留三位小数。
print(arr12)
print(arr13)

# result:
[0.90244109 0.33368112 0.63566057 0.40290698 0.35754185 0.7382272 ]
[0.902 0.334 0.636 0.403 0.358 0.738]

shape属性和reshape()方法

# code:
# 1行2列的一维数组
arr1 = np.array([1, 2])
print(arr1)
print(arr1.shape)
# 2行3列的二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)
print(arr2.shape)
print(type(arr2.shape))
# arr2.shape是一个元组，我们可以在reshape方法中传入一个元组来改变数组的结构
arr3 = arr2.reshape((3, 2))
print(arr3)
# 转为一维数组
arr4 = arr3.reshape((6,))
 # 这不是一维数组
arr5 = arr3.reshape((1, 6))  
print(arr4)
print(arr5)

# result:
[1 2]

(2,)

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

(2, 3)  

<class 'tuple'>

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

[1 2 3 4 5 6]

[[1 2 3 4 5 6]]

多维转一维

使用flatten方法作用于多维数组并返回一维数组

# code:
arr6 = arr3.flatten()
arr7 = arr5.flatten()
print(arr6)
print(arr7)

# result:
[1 2 3 4 5 6]
[1 2 3 4 5 6]

ndarray的运算

ndarray与数做运算（广播特性）

# code:
arr1 = np.array([[1, 2], [3, 4]])
arr1 += 2
print(arr1)

# result:
[[3 4]
 [5 6]]

ndarray与ndarray之间的运算

# code:
# 同型数组
arr2 = arr1 * arr1  # 数组不是矩阵
print(arr2)
# 仅仅行或列相同的数组
arr3 = np.arange(4)
arr4 = np.arange(8).reshape((2, 4))
arr5 = arr3 + arr4
print(arr3)
print(arr4)
print(arr5)

# result:
[[ 9 16]
 [25 36]]

[0 1 2 3]

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

[[ 0  2  4  6]
 [ 4  6  8 10]]

ndarray中`轴axis`的概念

二维数组，形状为(a, b)，第一个行数a对应0轴，即0轴有a行，第二个列数b对应1轴，即1轴有b列。
对于二维，计算时若axis = 0 ，要把每一行看成一个运算单位（我的理解）。
三维数组，形状为(a, b, c),0轴有a片，1轴有b行，2轴有c列。
对于三维，计算时若axis = 0,要把每一片看成一个计算单位。

#code:
ar = np.arange(6).reshape(2, 3)
print(ar)
print(ar.sum(axis = 0))  # 以行为计算单位,得到一个一维数组
print(ar.sum(axis = 1))  # 以列为计算单位,得到一个一维数组

# result；
[[0 1 2]
 [3 4 5]]

[3 5 7]

[3 12]

# code:
ar = np.arange(24).reshape(2, 3, 4)
print(ar)
print(ar.sum(axis = 0))  # 以片为计算单位，得到二维数组
print(ar.sun(axis = 1))  # 以行为计算单位，得到二维数组
print(ar.sun(axis = 2))  # 以列为计算单位，得到二维数组

# result：
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

[[12 14 16 18]
 [20 22 24 26]
 [28 30 32 34]]

[[12 15 18 21]
 [48 51 54 57]]

[[ 6 22 38]
 [54 70 86]]

numpy读取文件

file_path = 'D:\\allTest\\ev.csv'
result = np.loadtxt(file_path, delimiter=',', dtype='int')
print(result)

数组的转置

# code:
arr = np.arange(15).reshape((3, 5))
# 方法1
print(arr.transpose())
# 方法2
print(arr.T)
# 方法3
print(arr.swapaxes(1, 0))

# result:
[[ 0  5 10]
 [ 1  6 11]
 [ 2  7 12]
 [ 3  8 13]
 [ 4  9 14]]

[[ 0  5 10]
 [ 1  6 11]
 [ 2  7 12]
 [ 3  8 13]
 [ 4  9 14]]

[[ 0  5 10]
 [ 1  6 11]
 [ 2  7 12]
 [ 3  8 13]
 [ 4  9 14]]

numpy中数组的索引和切片

arr = np.arange(15).reshape((3, 5))
# 取数组的某一行(取出的数据仍是ndarray)
print(arr[0])
# 取指定的多行
print(arr[[0, 2]])
# 取连续的多行
print(arr[1:])

# result:
[0 1 2 3 4]

[[ 0  1  2  3  4]
 [10 11 12 13 14]]

[[ 5  6  7  8  9]
 [10 11 12 13 14]]

# 取列
print(arr[:,0])
# 取多列
print(arr)
print(arr[:,1:3])
print(arr[:,1::2])
# 取指定多列
print(arr[:,[0, 2, 3]])

[ 0  5 10]

[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]

[[ 1  2]
 [ 6  7]
 [11 12]]

[[ 1  3]
 [ 6  8]
 [11 13]]

[[ 0  2  3]
 [ 5  7  8]
 [10 12 13]]

# 取某行某列
print(arr[1,2])
print(type(arr[1,2]))  # 注意类型
# 取多行多列(注意在[,]中逗号的左右两边有一边是以":"形式写的，则结果是行列交叉的效果，行列的个数可以不相同)
print(arr[0:2,0::2])
print(arr[0:2,[2, 4]])
# arr[[0, 1],[0, 1, 2]]这种写法会出现错误，因为左右两边的行列个数不相同。
print(arr[[0, 2],[1, 3]])  # 左右两边个数相同，得到两个点(0,1)和(2,3)。可用此法得到不连续的点.

# result:
7
<class 'numpy.int32'>

[[0 2 4]
 [5 7 9]]

[[2 4]
 [7 9]]

[ 1 13]

数组值的修改与bool索引

# 把数组的第一行改为0
arr[1] = 0
print(arr)
# 布尔索引
print(arr > 0)
# 把数组中大于10的数改为0
arr[arr > 10] = 0  # 索引可以是bool型
print(arr)

[[ 0  1  2  3  4]
 [ 0  0  0  0  0]
 [10 11 12 13 14]]

[[False  True  True  True  True]
 [False False False False False]
 [ True  True  True  True  True]]

[[ 0  1  2  3  4]
 [ 0  0  0  0  0]
 [10  0  0  0  0]]

numpy中的三元运算符

# 把arr中等于0的数字改为1，否则改为0
arr2 = np.where(arr == 0, 1, 0)
print(arr2)

[[1 0 0 0 0]
 [1 1 1 1 1]
 [0 1 1 1 1]]

clip操作

arr = np.arange(12).reshape((3, 4))
# 将arr中大于6的数改为6，将小于4的数改为4
arr2 = arr.clip(4, 6)
print(arr2)

[[4 4 4 4]
 [4 5 6 6]
 [6 6 6 6]]

数组的拼接

arr1 = np.arange(6).reshape((2, 3))
arr2 = np.arange(7, 13).reshape((2, 3))
print(arr1)
print(arr2)
# 按行的顺序，一行行的往下拼接
print(np.vstack((arr1, arr2)))
# 按列的顺序，一列列的从左往右拼接
print(np.hstack((arr1, arr2)))

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

[[ 7  8  9]
 [10 11 12]]

[[ 0  1  2]
 [ 3  4  5]
 [ 7  8  9]
 [10 11 12]]

[[ 0  1  2  7  8  9]
 [ 3  4  5 10 11 12]]

数组的行列交换

# 交换第一行和第二行
arr1[[0, 1],:] = arr1[[1, 0],:]
print(arr1)
# 交换第一列和第二列
arr1[:,[0, 1]] = arr1[:,[1, 0]]
print(arr1)

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

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

特别的数组

全1或全0的数组

arr1 = np.zeros((3, 4))
arr2 = np.ones((2, 3))
print(arr1)
print(arr2)

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

[[1. 1. 1.]
 [1. 1. 1.]]

创建对角线为1的正方形数组

arr = np.eye(3)
print(arr)

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

获取最大值最小值

arr = np.array([[2, 3, 7],[1, 9, 0],[3, 4, 5],[6, 0, 2]])
print(arr)  
print(arr.max())
print(np.max(arr, axis = 1))
print(arr.min(axis = 0))

[[2 3 7]
 [1 9 0]
 [3 4 5]
 [6 0 2]]

9

[7 9 5 6]

[1 0 0]

获取最大值，最小值的位置

print(arr.argmax())  # 不指定轴的话，返回的位置是在扁平数组中的位置。
print(np.argmin(arr, axis = 0))
print(arr.argmax(axis = 1))

4
[1 3 1]
[2 1 2 0]

随机数数组

from numpy import random as rd
# 0~1范围内的随机数的数组
arr = rd.rand(3, 4)
print(arr)

# 平均数为0，标准差为1的正态分布的随机数的数组
print(rd.randn(2, 3))

# 给定范围和形状的均匀分布的数组
print(rd.uniform(2, 3, (1, 3)))

# 给定范围和形状的随机整数
print(rd.randint(2, 10, (3, 4)))

# 设置随机种子，相同的随机种子得到的随机数是一样的
for i in range(3):
    rd.seed(5)
    print(rd.randint(2, 6, (3, 4)))

[[0.62878791 0.57983781 0.5999292  0.26581912]
 [0.28468588 0.25358821 0.32756395 0.1441643 ]
 [0.16561286 0.96393053 0.96022672 0.18841466]]

[[ 0.99643983  0.71242127  0.05914424]
 [-0.36331088  0.00328884 -0.10593044]]

[[2.63979518 2.9856244  2.2590976 ]]

[[7 3 3 7]
 [9 2 8 8]
 [4 9 3 8]]

[[5 4 5 3]
 [4 4 2 3]
 [2 2 5 4]]
[[5 4 5 3]
 [4 4 2 3]
 [2 2 5 4]]
[[5 4 5 3]
 [4 4 2 3]
 [2 2 5 4]]

copy和view

# 直接赋值，赋予的是地址，两个变量会相互影响
arr1 = np.arange(4).reshape((2, 2))
arr2 = arr1
print(arr1)
print(arr2)
arr2[0] = 1
print(arr1)
print(arr2)
print('-' * 20)

# 视图操作也会相互影响
arr3 = arr2[:]
print(arr3)
arr3[0] = 0
print(arr1)
print(arr2)
print(arr3)
print('-'* 20)

# 使用copy则会另开辟空间来存储被赋予的数据，两个变量之间的地址不一样了，不相互影响。
arr4 = arr3.copy()
print(arr4)
arr4[0] = -1
print(arr4)
print(arr3)

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

numpy中的nan

nan就是not a number 的意思
nan == nan 返回False
nan与任何数运算为nan

# 统计数组中nan的个数
arr = np.array([[1, 2, 3],[4, np.nan, np.nan]])
print(np.count_nonzero(arr != arr))  # 2
print(np.count_nonzero(np.isnan(arr)))  # 2

numpy中常用的统计函数

求和array.sum(axis = ?)
最大值，最小值array.max(axis = ?) array.min(axis = ?)
均值array.mean(axis = ?)
中值np.median(array, axis = ?)
极值(最大值最小值之差)np.ptp(array, axis = ?)
标准差： $\sqrt{\frac{1}{n}\sum_{i=1}^{n}\left ( x_{i}-\mu \right )^{2}}$ :array.std(axis = ?)

练习

将二维数组中值为nan的位置替换为该列的均值

# code:
# 将数组中的nan换为该列的均值
import numpy as np
def trans_nan(array):
    # 判断是二维数组
    if array.ndim == 2:
        # 以列为单位进行遍历
        for i in range(array.shape[1]):
            # 获取每一列的切片
            array_temp = array[:,i]
            # 计算该列nan的个数
            num_nan = np.count_nonzero(np.isnan(array_temp))
            # 如果全是nan则该列置为0
            if num_nan == array.shape[0]:
                # 记得要写切片形式
                array_temp[:] = 0
            else:
                # 获取不含nan的切片
                array_temp_nonan = array_temp[array_temp == array_temp]
                # 计算平均值
                value_average = array_temp_nonan.mean()
                # 将均值赋给原来位置的nan
                array_temp[np.isnan(array_temp)] = value_average  # 原array相应位置的nan改变了
array = np.array([[1, np.nan, 3], [2, 5, np.nan], [1, 1, 0]])  
print(array)
trans_nan(array)
print(array)

# reslut:
[[ 1. nan  3.]
 [ 2.  5. nan]
 [ 1.  1.  0.]]
[[1.  3.  3. ]
 [2.  5.  1.5]
 [1.  1.  0. ]]

h-p_c-h

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
numpy学习

numpy学习文章目录numpy学习ndarraydtype属性astype()方法生成小数shape属性和reshape()方法多维转一维ndarray的运算ndarray中`轴axis`的概念numpy读取文件数组的转置numpy中数组的索引和切片数组值的修改与bool索引numpy中的三元运算符clip操作数组的拼接数组的行列交换特别的数组全1或全0的数组创建对角线为1的正方形数组获取最大值最小值获取最大值，最小值的位置随机数数组copy和viewlist和numpy.ndarray切片赋值之不同n
复制链接

扫一扫