Numpy
- numpy属性
- Numpy 的创建 array
- Numpy 基础运算1
- Numpy 基础运算2
- Numpy 索引
- Numpy array 合并
- Numpy array 分割
- Numpy copy & deep copy
Pandas
Pandas 基本介绍
一.numpy属性
- ndim:维度
- shape:行数和列数
- size:元素个数
使用numpy首先要导入模块
import numpy as np #为了方便使用numpy 采用np简写
列表转化为矩阵:
array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵
print(array)
"""
array([[1, 2, 3],
[2, 3, 4]])
"""
numpy 的几种属性
print('number of dim:',array.ndim) # 维度
# number of dim: 2
print('shape :',array.shape) # 行数和列数
# shape : (2, 3)
print('size:',array.size) # 元素个数
# size: 6
二.创建 array
关键字
array:创建数组
dtype:指定数据类型
zeros:创建数据全为0
ones:创建数据全为1
empty:创建数据接近0
arrange:按指定范围创建数据
linspace:创建线段
1.创建数组
a = np.array([2,23,4]) # list 1d
print(a)
# [2 23 4]
2.指定数据 dtype
a = np.array([2,23,4],dtype=np.int)
print(a.dtype)
# int 32
a = np.array([2,23,4],dtype=np.int32)
print(a.dtype)
# int32
a = np.array([2,23,4],dtype=np.float)
print(a.dtype)
# float64
a = np.array([2,23,4],dtype=np.float32)
print(a.dtype)
# float32
3.创建特定数据
a = np.array([[2,23,4],[2,32,4]]) # 2d 矩阵 2行3列
print(a)
"""
[[ 2 23 4]
[ 2 32 4]]
创建全零数组
a = np.zeros((3,4)) # 数据全为0,3行4列
"""
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
"""
创建全一数组, 同时也能指定这些特定数据的 dtype:
a = np.ones((3,4),dtype = np.int) # 数据为1,3行4列
"""
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
"""
创建全空数组, 其实每个值都是接近于零的数:
a = np.empty((3,4)) # 数据为empty,3行4列
"""
array([[ 0.00000000e+000, 4.94065646e-324, 9.88131292e-324,
1.48219694e-323],
[ 1.97626258e-323, 2.47032823e-323, 2.96439388e-323,
3.45845952e-323],
[ 3.95252517e-323, 4.44659081e-323, 4.94065646e-323,
5.43472210e-323]])
"""
用 arange 创建连续数组:
a = np.arange(10,20,2) # 10-19 的数据,2步长
"""
array([10, 12, 14, 16, 18])
"""
使用 reshape 改变数据的形状
a = np.arange(12).reshape((3,4)) # 3行4列,0到11
"""
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
"""
用 linspace 创建线段型数据:
a = np.linspace(1,10,5)#从1到10生成五段的数列
print(a)
....
[ 1. 3.25 5.5 7.75 10. ]
同样也能进行 reshape 工作:
a = np.linspace(1,10,6).reshape((2,3))
....
[[ 1. 2.8 4.6]
[ 6.4 8.2 10. ]]
三.Numpy 基础运算1
从一个脚本开始了解相应的计算以及表示形式 :
import numpy as np
a=np.array([10,20,30,40]) # array([10, 20, 30, 40])
b=np.arange(4) # array([0, 1, 2, 3])
上述代码中的 a 和 b 是两个属性为 array 也就是矩阵的变量,而且二者都是1行4列的矩阵,其中b矩阵中的元素分别是从0到3。
numpy 的几种基本运算:
1.两个矩阵之间的减法
c=a-b # array([10, 19, 28, 37])
2.相加
c=a+b # array([10, 21, 32, 43])
3.相乘
c=a*b # array([ 0, 20, 60, 120])
**4.求出矩阵中各个元素的乘方需要依赖双星符号 ,以二次方举例
c=b**2 # array([0, 1, 4, 9])
5.数学函数工具,比如三角函数等
当我们需要对矩阵中每一项元素进行函数运算时,可以很简便的调用它们(以sin函数为例):
c=10*np.sin(a)
# array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ])
6.在脚本中对print函数进行一些修改可以进行逻辑判断
print(b<3)
# array([ True, True, True, False], dtype=bool)
此时由于进行逻辑判断,返回的是一个bool类型的矩阵,即对满足要求的返回True,不满足的返回False。上述程序执行后得到的结果是[True True True False]。需要注意的是,如果想要执行是否相等的判断,依然需要输入 == 而不是 = 来完成相应的逻辑判断。
7.多行多维度的矩阵进行操作
上述运算均是建立在一维矩阵,即只有一行的矩阵上面的计算,如果我们想要对多行多维度的矩阵进行操作,需要对开始的脚本进行一些修改:
a=np.array([[1,1],[0,1]])
b=np.arange(4).reshape((2,2))
print(a)
# array([[1, 1],
# [0, 1]])
print(b)
# array([[0, 1],
# [2, 3]])
此时构造出来的矩阵a和b便是2行2列的,其中 reshape 操作是对矩阵的形状进行重构,其重构的形状便是括号中给出的数字。
稍显不同的是,Numpy中的矩阵乘法分为两种,其一是前文中的对应元素相乘,其二是标准的矩阵乘法运算,即对应行乘对应列得到相应元素:
#标准矩阵乘法
c_dot = np.dot(a,b)
# array([[2, 4],
# [2, 3]])
除此之外还有另外的一种关于dot的表示方法:
c_dot_2 = a.dot(b)
# array([[2, 4],
# [2, 3]])
8. sum(), min(), max()
重新定义一个脚本
import numpy as np
a=np.random.random((2,4))#random随机生成一个2行4列的矩阵
print(a)
# array([[ 0.94692159, 0.20821798, 0.35339414, 0.2805278 ],
# [ 0.04836775, 0.04023552, 0.44091941, 0.21665268]])
因为是随机生成数字, 所以你的结果可能会不一样.
在第二行中对a的操作是令a中生成一个2行4列的矩阵,且每一元素均是来自从0到1的随机数。
在这个随机生成的矩阵中,我们可以对元素进行求和以及寻找极值的操作,具体如下:
np.sum(a) # 4.4043622002745959
np.min(a) # 0.23651223533671784
np.max(a) # 0.90438450240606416
9.对行或者列进行查找运算
就需要在上述代码中为 axis 进行赋值。
当axis的值为0的时候,将会以列作为查找单元,
当axis的值为1的时候,将会以行作为查找单元
print("a =",a)
# a = [[ 0.23651224 0.41900661 0.84869417 0.46456022]
# [ 0.60771087 0.9043845 0.36603285 0.55746074]]
print("sum =",np.sum(a,axis=1))
# sum = [ 1.96877324 2.43558896]
print("min =",np.min(a,axis=0))
# min = [ 0.23651224 0.41900661 0.36603285 0.46456022]
print("max =",np.max(a,axis=1))
# max = [ 0.84869417 0.9043845 ]
四.Numpy 基础运算2
对应元素的索引也是非常重要的。依然,让我们先从一个脚本开始
1.argmin() 和 argmax()
import numpy as np
A = np.arange(2,14).reshape((3,4))
# array([[ 2, 3, 4, 5]
# [ 6, 7, 8, 9]
# [10,11,12,13]])
print(np.argmin(A)) # 0最小值(2)的位置的索引
print(np.argmax(A)) # 11
argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引。相应的,在矩阵的12个元素中,最小值即2,对应索引0,最大值为13,对应索引为11。
2.均值
print(np.mean(A)) # 7.5
print(np.average(A)) # 7.5
仿照着前一节中dot() 的使用法则,mean()函数还有另外一种写法:
print(A.mean()) # 7.5
3.中位数
print(np.median(A)) # 7.5
4.累加累差
print(np.cumsum(A))
# [2 5 9 14 20 27 35 44 54 65 77 90]
在cumsum()函数中:生成的每一项矩阵元素均是从原矩阵首项累加到对应项的元素之和。比如元素9,在cumsum()生成的矩阵中序号为3,即原矩阵中2,3,4三个元素的和。
print(np.diff(A))
# [[1 1 1] 2,3的差 3,4的差 4,5的差
# [1 1 1]
# [1 1 1]]
该函数计算的便是每一行中后一项与前一项之差。故一个3行4列矩阵通过函数计算得到的矩阵便是3行3列的矩阵。
5.nonzero()函数
print(np.nonzero(A))
# (array([0,0,0,0,1,1,1,1,2,2,2,2]),array([0,1,2,3,0,1,2,3,0,1,2,3]))
#输出值的行数 输出值的列数
这个函数将所有非零元素的行与列坐标分割开,重构成两个分别关于行和列的矩阵。
6.排序
对所有元素进行仿照列表一样的排序操作,但这里的排序函数仍然仅针对每一行进行从小到大排序操作:
import numpy as np
A = np.arange(14,2, -1).reshape((3,4))
# array([[14, 13, 12, 11],
# [10, 9, 8, 7],
# [ 6, 5, 4, 3]])
print(np.sort(A)) #逐行排序
# array([[11,12,13,14]
# [ 7, 8, 9,10]
# [ 3, 4, 5, 6]])
7.矩阵的转置有两种表示方法:
print(np.transpose(A))
print(A.T)
# array([[14,10, 6]
# [13, 9, 5]
# [12, 8, 4]
# [11, 7, 3]])
# array([[14,10, 6]
# [13, 9, 5]
# [12, 8, 4]
# [11, 7, 3]])
8.clip()函数
print(A)
# array([[14,13,12,11]
# [10, 9, 8, 7]
# [ 6, 5, 4, 3]])
print(np.clip(A,5,9)) #所有小于5的数等于5 所有大于9的数等于9 之间的数保留原型
# array([[ 9, 9, 9, 9]
# [ 9, 9, 8, 7]
# [ 6, 5, 5, 5]])
9.注意
所有的numpy指令都可以指定按行还是按列计算
A = np.arange(2,14).reshape((3,4))
print(A)
print(np.mean(A,axis=1))#按行计算平均数
....
[[ 2 3 4 5]
[ 6 7 8 9]
[10 11 12 13]]
[ 3.5 7.5 11.5]