利用python进行数据分析_第04章NumPy基础：数组和矢量计算——学习笔记

一、函数方法

1、数组创建

zeros、zeros_likes、ones、ones_likes、empty、empty _likes 、arange、random（rand、randn、randint、normal）、array

2、数组属性

shape、dtype、ndim、size、itemsize

3、数组变化

reshape(重塑，不改变原数组)、reval、flatten(扁平化)、concatenate(合并,注意轴向)、splite(拆分)、transpose(转置)、swapaxes(轴对换)

4、数组元素增删

append()、extend()、inserch（）、delete()、drop()

5、数组的选择

切片、索引（布尔索引：通过布尔数组进行索引、多维数组的索引、花式索引：通过整数列表、数组进行索引或者用np.ix_()）

6、数组的运算（元素级）

±*/

±/标量
±/数组

通用函数

一元函数： abs、aquare、min、max、modf，
二元函数：minimum、add
条件逻辑运算：where
统计运算：sum、mean、std、cumsum累加、cumpod累乘
布尔数组的运算：any测试是否存在ture、all测试是不是都是ture
排序：sort
集合运算：unique唯一值、intersect1d交集、union1d并集、in1d（x,y）:x是否在y中
线性代数：dot,from numpy.linalg import det

7、数组的存取

savetxt、loadtxt

二、注意

1、numpy为python带来了真正的多维数组功能，是数据分析包的基础包，提供了高性能数组与矩阵运算处理能力，NumPy之于数值计算特别重要的原因之一，是因为它可以高效处理大数组的数据。这是因为：
• NumPy是在一个连续的内存块中存储数据，独立于其他Python内置对象。NumPy的C语言编写的算法库可以操作内存，而不必进行类型检查或其它前期工作。比起Python的内置序列，NumPy数组使用的内存更少。
• NumPy可以在整个数组上执行复杂的计算，而不需要Python的for循环。
2、ndarray数组是一个通用的同构数据容器，即其中所有的元素都是相同的类型，在创建的时候会在内存里存储ndarray的shape、dtype。(可以通过astype创建一个新数组)
3、数组很重要，因为它使你不用编写循环即可对数据执行批量运算。NumPy用户称其为矢量化（vectorization）。大小相等的数组之间的任何算术运算都会将运算应用到元素级.
4、random：种子生成器seed、不改变原数组的随机排序permutation、改变原数组的随机排序shuffle
5、数组的索引和切片返回的是原数组的视图，不会产生新数据，视图的改变会影响原数组，可以用cope()将视图拷贝到新数组，数组的切片只有使用冒号才会选取整个轴，

三、难点

1、axis轴及三维数组的理解（图像处理、RNN序列数据、迭代数据）
2、布尔型索引：跟算术运算一样，数组的比较运算（如==）也是矢量化的。因此，对原数组和某个值的比较运算将会产生一个布尔型数组，&与、|或、~非、
3、条件逻辑运算 (a if c else b) for a,b,c in arr1,arr2,arr_bool
等同于np.where(arr_bool,arr1,arr2)，第二三个参数可以为标量，例如np.where(arr>0,1,-1)

四、实战（图像变化）

1、一张图片为一个三维数组(长度，宽度，RGB)，其中RGB（红绿蓝）彩色模式，每个颜色0~255
2、PIL库
from PIL import Image
im = np.array(Image.open(path))
b = [255,255,255] – im
new_im = Image.fromarray(b.astype(‘uint8’))
new_im.save(path)