python学习笔记-numpy-ndarray

5. 数组（Ndarray）

科学计算中，一个维度的所有数据的类型往往相同。
数组中的数据类型相同，有助于节省运算和储存空间。

5.1创建Ndarray

x = np.array(list/tuple) #默认的数据基本都是浮点型
x = np.array(list/tuple, dtype = np.float32) #指定数据类型

import numpy as np
array001=np.array([1,2,3,4,5,6,7,8,9,10,11,12]) #列表转换为一维数组
a2=np.arange(5) #终点为4的数组
a3=np.ones((2,2)) #产生全一数组，2行2列，(2,2)为其shape
a3*=np.ones((2,3,4),dtype=np.int32) #产生一个三维数组（两个3行4列的二维数组），数据类型为int32
a4=np.empty((2,2)) #产生全0数组
a5=np.random.rand(4,2) #4行2列,数据为[0，1)内的随机数
a6=np.linspace(10,30,5) #10到30，等间距取5个元素
a6*=np.linspace(10,30,5,endpoint=False) #10到30，等间距取6个元素，把30去掉
a7=np.eye(5) #5行5列，对角元素全为1
a8=np.ones_like(a) #根据a的形状生成一个全1数组
a9=np.full_like(a,9) #根据a的形状生成一个元素都为9的数组
a10=np.concatenate((a6,a6*)) #将a6和a6*合并成一个新数组
print('序列型数据转换成数组\n',array001,
     '\n显示该数据结构类型',type(array001),
     '\narrange()函数创建的数组',a2,
     '\nones()函数创建的全1数组',a3,
     '\nempty()函数创建的全0数组',a4,
     '\narandom()函数创建的随机数组',a5,
     '\nlinspace()函数创建的数组',a6)

5.2 Ndarray查询操作

索引

a = np.array([9,8,7,6,5])
a[2] #指标为2（第三个）的元素

b = np.arange(24).reshape((2,3,4))
b[1,2,3] #第二个二维数组的第三行的第四个元素
b[-1, -2, -3] #倒数第一个二维数组的倒数第二行的倒数第三个元素

切片

a[1:4:2] #起始编号：终止编号（不含）：步长

b[:, 1, -3] #:会选取整个维度，会得到一个一维数组
b[:, 1:3, :] #取每个二维数组的第二行组成一个二维数组
b[:, :, ::2] #取每个二维数组的列进行步长为2的选取

array002=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
print('\n一维数组索引\n',array001[4:],#从第五个元素到最后
     '\n二维数组索引\n',array002[1:3,2:4]) #标号1到2即为第二行到第三行（左闭右开），标号2到3即为第三列到第四列（左闭右开）

array004=array001.reshape(3,-1) #变成三行，列不管。不改变数组元素，返回一个shape为（3，-1）的数组，原数组不变
array04=array001.shape(3,1) #与.reshape功能一致，但修改原数组
print('\n改变结构后的数：\n',array004,
     '\n数组各个维度：',array004.shape,
     '\n数组数据类型：',array004.dtype,
     '\n数组数据个数：',array004.size,
     '\n数组数据类型字节数：',array004.itemsize,
     '\n数组维度：',array004.ndim)

5.3 Ndarray添加操作

array003=np.append(array002,[[1],[2],[3]],axis=1) #按第二维度（列）方向添加
print('增加一列后的数组为\n',array003)

5.4 Ndarray删除操作

array003=array002.T
print('删除单行后的数组：\n',np.delete(array003,1,axis=0)) #删除第二行，0表示行
array003=array002.T
print('批量删除后的数组：\n',np.delete(array003,(1,3),0)) #删除第二行和第四行，0表示行
array003=array002.T
print('删除单列后的数组：\n',np.delete(array003,1,1)) #删除第二列

5.5 Ndarray修改操作

array002[1:2]=0 #（标号为1）第二行取0
print('数组批量赋值\n',array002)
array003=array002.T
array003[1][1]=100 #第二行第二列变为100
print('修改数值后的数组\n',array003)

5.6 Ndarray堆叠操作

arr1=np.array([1,2,3])
arr2=np.array([4,5,6])
print('纵向堆叠后：\n',np.vstack((arr1,arr2)),
     '\n横向堆叠后：\n',np.hstack((arr1,arr2)))

arrFromDataFrame=dfFromNdarray.values
print('DataFrame转为Ndarry的结果是：\n',arrFromDataFrame)

5.7 Ndarray维度变换

.reshape(3,-1) #不改变数组元素，返回一个shape为（3，-1）的数组，元素组不变
.shape(3,1) #与.reshape功能一致，但修改原数组
.swapaxes(ax1,ax2) #将数组n个维度中的两个维度进行调换
.flatten() #对数组进行降维，返回折叠后的一维数组，原数组不变

a = np.ones((2,3,4))
a.reshape((3,8)) #产生新数组，不改变a
a.resize((3,8)) #改变a
a.flatten() #产生一维数组，不改变a

5.8 Ndarray类型变换

a = np.ones((2,3,4),dtype = np.int)
b = a.astype(np.float) #将a的数据拷贝，产生一个数据类型不同的新数组

a = np.full((2,3,4),25,dtype = np.int32)
a.tolist #将数组变为列表

5.9 Ndarray运算

a = np.arrange(24).reshape((2,3,4))
a.mean() #a中所有元素的算术平均值
a = a/a.mean() #a中所有元素都除以a.mean()得到一个新数组

np.abs(x)或np.fbs(x) #计算数组各元素的绝对值
np.sqrt(x) #平方根
np.square(x) #平方
np.log(x), np.log10(x)和np.log2(x) #自然对数，10底对数和2底对数
np.ceil(x), np.floor(d) #ceiling值：大于这个元素的最小整数值，floor：小于这个元素的最大整数值

np.rint(x) #计算各元素的四舍五入值
np.modf(x) #将数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x), np.cosh(x)
np.exp(x)
np.sign(x) #1(+), 0, -1(-)

+, -, *, /, **  #两个数组元素进行对应运算
np.maximum(x,y) or np.fmax()
np.minimum(x,y) or np.fmin()
np.mod(x,y)
np.copysign(x,y) 
>, <, >=, <=, ==, !=  #算术比较，产生bool型数组

5.10 数据的csv存取

创建csv文件

np.savetext(frame, array, fmt='%.18e', delimiter=None)
#frame: 文件、字符串或产生器，可以是.gz或.bz2的压缩文件
#array: 存入文件的数组
#fmt：写入文件中每个元素的格式
#delimiter：分隔符

a = np.arange(100).reshape(5, 20)
np.savetext('a.csv', a, fmt='%.1f', delimiter=',')

读入csv文件

np.loadtext(frame, dtype=np.float, delilmiter=None, unpack=False)
#dtype: 数据类型，可选
#unpack：如果True，读入属性将分别写入不同变量

b = np.loadtext('a.csv', delimiter=',')

需要注意的是，csv只能有效存储一维和二维数组。

5.11 numpy中的随机数函数

rand(d0,d1,...,dn)  #根据d0-dn维度（shape）创建随机数数组，浮点数，[0,1),均匀分布
randn(d0,d1,...,dn)  #正态分布
randint(low,high,shape)  #根据shape创建随机整数数组，范围[low,high)
seed(s)  #随机数种子，s是给定的种子值

sn = np.random.randn(3,4,5)

b = np.random.randint(100,200,(3,4))

np.random.seed(10)
np.random.randint(100) #1
np.random.seed(10)
np.random.randint(100) #会发现产生的随机数数组和1是一样

shuffle(a)   #根据数组a的第一轴进行随机排列，改变数组a
permutation(a)  #根据数组a的第一轴产生一个新的乱序数组，不改变数组a
choice(a,size,replace,p)  #从一维数组中以概率p抽取元素，形成size形状新数组，replace表示是否可以重复使用元素，默认为True

import numpy as np
a = np.random.randint(100,200,(3,4))
np.random.shuffle(a) #a变
np.random.permutation(a) #a不变
np.random.choice(b,(3,2),p=b/np.sum(b)) #数越大，选取的几率越大

uniform(low,high,size) #产生具有均匀分布的数组，low起始值，high结束值，size形状
normal(loc,scale,size)  #产生具有正态分布的数组，loc均值，scale标准差
poisson(lam,size)  #产生具有泊松分布的数组，lam随机事件的发生率

import numpy as np
u = np.random.uniform(0,10,(3,4))
u = np.random.normal(0,10,(3,4))

5.12 numpy中的统计函数

sum(a,axis=None) #根据给定轴axis计算数组a相关元素之和
mean(a,axis=None)
average(a,axis=None,weights=None) #加权平均值
std(a,axis=None) #标准差
var(a,axis=None) #方差

axis=None：会对每个元素进行相关运算。
axis=0：表示第一轴。

import numpy as np
a = np.arange(15).reshape(3,5)
np.sum(a)
np.mean(a,axis=1)
np.average(a,axis=0,weights=[10,5,1])
np.std(a)
np.var(a)

min(a)和max(a) #计算a中元素的最小值和最大值
argmin(a)和argmax(a) #计算a中元素最小值（最大值）的降维（不管多少维，扁平成一维）后的下标
unravel_index(index,shape) #根据shape将下一维下标index转换成多维下标
ptp(a) #计算数组a中元素的最大值与最小值的差
median(a) #计算数组a中元素的中位数

b = np.arange(12,0,-1).reshape(3,5)
b
np.max(b)
np.argmax(b)
np.unravel_index(np.argmax(b),b.shape) #将一维化的b的下标重塑为原来shape的下标
np.ptp(b)
np.median(b)

5.13梯度函数

np.gradient(f)  #计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

梯度：连续值之间的变化率
例如，
存在两侧值：XY坐标轴连续三个X坐标对应的Y轴值：$$a,b,c,$$
其中，b的梯度为：$(c-a)/2$
不存在两侧值：
其中，c的梯度为：$(c-b)/1$

import numpy as np
a = np.randowm.randit(0,20,(5))
a
np.gradient(a)

import numpy as np
c = np.random.randint(0,50,(3,5))
np.gradient(c)  #由于有两个维度，所以有两个方向上的梯度