Numpy的使用

Numpy的使用

1.numpy读取文件。
#delimiter为分隔符

world_alcohol = np.genfromtxt('world_alcohol.txt',delimiter = ',')
print(type(world_alcohol))

输出结果：<class ‘numpy.ndarray’>
2.numpy.array能够将把一个list或多个list作为输入。
#输入为一个list则转化为一维数组

vector = np.array([5,10,15,20])

#输入为多个list则转化为二维矩阵

matrix = np.array([[5,10,15],[20,25,30],[35,40,45]])
print(vector)
print(matrix)

输出结果：[ 5 10 15 20]    [[ 5 10 15][20 25 30][35 40 45]]
3.shape属性。

vector = np.array([1,2,3,4])
print(vector.shape)
matrix = np.array([[5,10,15],[20,25,30]])
print(matrix.shape)

输出结果：(4,)   (2, 3)
4.dtype属性
#numpy数组的值都是同一个类型，当读取numpy的数据或者转换list到numpy.array时，#numpy都会自动识别类型，使用dtype进行检查。

numbers = np.array([1,2,3,4])
print(numbers.dtype)

输出结果：int32
5.当numpy不能转换一个数值类型（例如float或者integer）时，它会使用nan值进行填充，nan表示一个丢失的值，1.98600000e+03 is actually 1.986 * 10 ^ 3。

print(world_alcohol)

输出结果：[[1.986e+03 nan nan nan 0.000e+00]]
6.numpy读取文件高阶。
#为了让读出的数据是string格式，加上参数dtype=“U75”
#skip_header：跳过数据集中的第一行

world_alcohol = np.genfromtxt("world_alcohol.txt",delimiter=",",dtype="U75", skip_header=1)
print(world_alcohol)

输出结果：[[‘1986’ ‘Western Pacific’ ‘Viet Nam’ ‘Wine’ ‘0’]]
7.numpy支持索引进行读取数据。

urguay_other_1986 = world_alcohol[1,4]
third_country = world_alcohol[2,2]
print(urguay_other_1986)
print(third_country)

输出结果：0.5   Cte d’Ivoire
8.切片操作。

vector = np.array([5,10,15,20])
print(vector[0:3])

输出结果：[ 5 10 15]

matrix = np.array([[5, 10, 15],[20, 25, 30],[35, 40, 45]])
print(matrix[:,1])

输出结果：[10 25 40]

print(matrix[:,0:2])

输出结果：[[ 5 10] [20 25] [35 40]]

print(matrix[1:3,0:2])

输出结果：[[20 25] [35 40]]
9.值的比较如果相等则返回True，否则返回False，从而返回布尔向量或者布尔矩阵。

vector = np.array([5,10,15,20])
print(vector == 10)

输出结果：[False True False False]

matrix = np.array([ [5, 10, 15], [20, 25, 30], [35, 40, 45]])
print(matrix == 25)

输出结果：[[False False False] [False True False] [False False False]]
10.通过比对产生布尔向量或者矩阵，根据布尔向量或者矩阵进行取数据。

equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])

输出结果：[False True False False] [10]

second_column_25 = (matrix[:,1] == 25)
print(second_column_25)
print(matrix[second_column_25, :])

输出结果：[False True False] [[20 25 30]]

equal_to_ten_and_five = (vector == 10) & (vector == 5)
print(equal_to_ten_and_five)

输出结果：[False False False False]

equal_to_ten_and_five = (vector == 10) | (vector == 5)
print(equal_to_ten_and_five)

输出结果：[ True True False False]

equal_to_ten_or_five = (vector == 10) | (vector == 5)
vector[equal_to_ten_or_five] = 50
print(vector)

输出结果：[50 50 15 20]

second_column_25 = matrix[:,1] == 25
print(second_column_25)

输出结果：[False True False]

matrix[second_column_25, 1] = 10
print(matrix)

输出结果：[[ 5 10 15] [20 10 30] [35 40 45]]
11.astype方法改变值的类型。

vector = np.array(["1", "2", "3"])
print(vector.dtype)
print(vector)
vector = vector.astype(float)
print(vector.dtype)
print(vector)

输出结果：<U1 [‘1’ ‘2’ ‘3’] float64 [1. 2. 3.]
12.sum方法求和。

vector = np.array([5, 10, 15, 20])
print(vector.sum())

输出结果：50
#axis=1:行

print(matrix.sum(axis=1))

输出结果：[ 30 60 120]
#axis=0:；列

print(matrix.sum(axis=0))

输出结果：[60 60 90]
13.isnan、切片、astype、sum和mean的综合使用。

#replace nan value with 0
world_alcohol = np.genfromtxt("world_alcohol.txt", delimiter=",")
#print world_alcohol
is_value_empty = np.isnan(world_alcohol[:,4])
#print is_value_empty
world_alcohol[is_value_empty, 4] = '0'
alcohol_consumption = world_alcohol[:,4]
alcohol_consumption = alcohol_consumption.astype(float)
total_alcohol = alcohol_consumption.sum()
average_alcohol = alcohol_consumption.mean()
print(total_alcohol)
print(average_alcohol)

输出结果：[ 30 60 120]   [60 60 90]   1137.78   1.140060120240481
14.arrange和reshape方法的使用。
#arrange(15):[0,15)的整数

a = np.arange(15).reshape(3, 5)
print(a)

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

print(np.arange( 10, 30, 5 ))

输出结果：[10 15 20 25]

print(np.arange( 0, 2, 0.3 ))

输出结果：[0. 0.3 0.6 0.9 1.2 1.5 1.8]
15.shape、ndim、dtype.name、size属性的使用。

print(a.shape)

输出结果：(3, 5)

#the number of axes (dimensions) of the array
print(a.ndim)

输出结果：2

print(a.dtype.name)

输出结果：int32

#the total number of elements of the array
print(a.size)

输出结果：15
16.zeros和ones方法的使用。

print(np.zeros ((3,4)) )

输出结果：[[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]]

print(np.ones ((3,4)) )

17.random方法的使用。

print(np.random.random((2,3)))

输出结果：[[0.98226175 0.81002624 0.95239989] [0.53141983 0.81667488 0.96626387]]
18.linespace方法的使用。

print(np.linspace( 0, 2*np.pi, 100 ))

输出描述：100个[0, 2*np.pi)从小到大。

print(np.sin(np.linspace( 0, 2*np.pi, 100 )))

输出描述：进行sin三角函数的运算。
19.运算符的使用。

#the product operator * operates elementwise in NumPy arrays
a = np.array( [20,30,40,50] )
b = np.arange( 4 )
print(a)
print(b)
#b
c = a-b
print(c)
#平方
print(b ** 2)
print(a < 35)

输出结果：[20 30 40 50]   [0 1 2 3]   [20 29 38 47]   [0 1 4 9]   [ True True False False]

#The matrix product can be performed using the dot function or method
A = np.array( [[1,1],[0,1]] )
B = np.array( [[2,0],[3,4]] )
print(A)
print(B)
print(A*B)
print(A.dot(B))
print(np.dot(A, B))

输出结果：[[1 1] [0 1]]   [[2 0] [3 4]]   [[2 0] [0 4]]   [[5 4] [3 4]]   [[5 4] [3 4]]
20.exp和sqrt方法的使用。

B = np.arange(3)
print(B)
print(np.exp(B))
print(np.sqrt(B))

输出结果：[0 1 2]   [1. 2.71828183 7.3890561 ]   [0. 1. 1.41421356]
21.floor向下取整方法的使用。

#Return the floor of the input 向下取整
a = np.floor(10*np.random.random((3,4)))
print(a)

输出结果：[[5. 7. 8. 6.] [1. 4. 4. 7.] [9. 6. 4. 1.]]
22.变形数组

#转成数组
print(a.ravel())
a.shape = (6, 2)
print(a)
#转置
print(a.T)
a.resize((2,6))
print(a)
#If a dimension is given as -1 in a reshaping operation, the other dimensions are automatically calculated:
print(a.reshape((3,-1)))

输出结果：[5. 7. 8. 6. 1. 4. 4. 7. 9. 6. 4. 1.]   [[5. 7.] [8. 6.] [1. 4.] [4. 7.] [9. 6.] [4. 1.]]   [[5. 8. 1. 4. 9. 4.] [7. 6. 4. 7. 6. 1.]]   [[5. 7. 8. 6. 1. 4.] [4. 7. 9. 6. 4. 1.]]   [[5. 7. 8. 6.] [1. 4. 4. 7.] [9. 6. 4. 1.]]
23.hstack行扩充和vstack列扩充的方法使用。

a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
print('---')
print(b)
print('---')
#行扩充
print(np.hstack((a,b)))
#列扩充
print(np.vstack((a,b)))

输出结果：[[7. 6.] [0. 6.]]   —   [[7. 1.] [5. 5.]]   —   [[7. 6. 7. 1.] [0. 6. 5. 5.]]   [[7. 6.] [0. 6.] [7. 1.] [5. 5.]]
24.切分成组。

a = np.floor(10*np.random.random((2,12)))
print(a)
#分组之后组的个数为2
print(np.hsplit(a,2))
#在2、3各自切开
print(np.hsplit(a,(3,4)))   # Split a after the third and the fourth column
a = np.floor(10*np.random.random((12,2)))
print(a)
print(np.vsplit(a,3))

输出结果：

25.用等号赋值实际上表示同一个数（同址）。

#Simple assignments make no copy of array objects or of their data.
a = np.arange(12)
b = a
# a and b are two names for the same ndarray object
print(b is a)
b.shape = 3,4
print(a.shape)
print(id(a))
print(id(b))

输出结果：True   (3, 4)   2464616692672   2464616692672
26.用view赋值共享相同的值，但是一旦一个数组的值发生改变，另一个也会改变。数组不同地址但是数组的值共享相同地址。

#The view method creates a new array object that looks at the same data.
c = a.view()
print(c is a)
c.shape = 2,6
print(a.shape)
c[0,4] = 1234
print(a)

输出结果：False   (3, 4)   [[ 0 1 2 3] [1234 5 6 7] [ 8 9 10 11]]
27.用copy赋值（不同地址，不共享值）

#The copy method makes a complete copy of the array and its data.
d = a.copy()
print(d is a)
d[0,0] = 9999
print(d)
print(a)

输出结果：False   [[9999 1 2 3] [1234 5 6 7] [ 8 9 10 11]]   [[ 0 1 2 3] [1234 5 6 7] [ 8 9 10 11]]
28.argmax和max的使用。

data = np.sin(np.arange(20)).reshape(5,4)
print(data)
ind = data.argmax(axis=0)
print(ind)
data_max = data[ind, range(data.shape[1])]
print(data_max)
print(all(data_max == data.max(axis=0)))

输出结果：

29.title使用。

a = np.arange(0, 40, 10)
b = np.tile(a, (3, 5))
print(b)

输出结果：

30.sort和argsort的使用。

a = np.array([[4, 3, 5], [1, 2, 1]])
print(a)
# axis=1 :行
b = np.sort(a, axis=1)
print(b)
a.sort(axis=1)
print(a)
a = np.array([4, 3, 1, 2])
j = np.argsort(a)
print(j)
print(a[j])

输出结果：[[4 3 5] [1 2 1]]   [[3 4 5] [1 1 2]]   [[3 4 5] [1 1 2]]   [2 3 1 0]   [1 2 3 4]