Numpy：读取本地文件及数据处理

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

print(t1.swapaxes(1,0))

‘’'print result

[[ 1 2 3]

[ 24 45 29]

[ 50000 56000 400000]]

[[ 1 2 3]

[ 24 45 29]

[ 50000 56000 400000]]

[[ 1 2 3]

[ 24 45 29]

[ 50000 56000 400000]]

‘’’

取行数据

---

（1）取一行数据

print(t1[num])

t1是二维数组，取一个索引值即可

（2）取连续的多行数据

print(t1[num1:num2])

使用切片，取索引值为num1到(num2-1)之间的行

（3）取不连续的多行数据

print(t1[ [2,4,6] ])

t1[ indexList ] 取索引值为indexList列表中的行

取列数据

---

（1）取一列数据

print(t1[:,num])

使用冒号，num表示取列的索引值

（2）取连续的多列数据

print(t1[:,num1:num2])

取索引值为num1到(num2-1)之间的列

（3）取不连续的多列数据

print(t1[ :,[2,4,6] ])

取索引值为2,4,6的列

取固定区域数据

---

根据坐标取值

data_1 = t1[2,4] # t1[num1,num2] 取行为num1，列为num2的数据print(t1[[0,1,2],[2,0,1]]) # 取坐标为(0,2)(1,0)(2,1)三个点

区域取值

print(t1[0:2,0:2]) # 第0行到第1行，第0列到第1列的交叉处的数据

import numpy as np

条件判断修改

---

print(a1<40)

对数组使用条件判断，即对数组中的所有数据进行条件判断，若符合条件则赋值为True，不符合赋值为False

print(a1[a1<40])

a1[ a1<40 ] = 20 # 讲a1数组中符合a1<40的数据赋值为20

print(a1)

where三元运算符

---

np.where(判断语句，data1,data2)

若数局符合判断条件，赋值为data1，否则赋值为data2

print(np.where(a2<30,0,30))

裁剪

---

array.clip(data1,data2) 将array中小于data1的数据赋值为data1，大于data2的数值赋值为data2

print(b1.clip(10,200))

获取最大值最小值的位置

---

获取最大值最小值的位置

res1 = np.argmax(c1,axis=0)

返回一个列表，里面是每一列的最大值位置

res2 = np.argmin(c1,axis=1)

返回一个列表，里面是每一行的最小值位置

print(res1)

print(res2)

创建全为0的数组

---

np.zeros( (a,b) ) a行b列的数组

zeroArray = np.zeros( (3,4) )

zeroArray = zeroArray.astype(int)

print(zeroArray)

创建全为1的数组

---

np.ones( (a,b) ) a行b列的数组

oneArray = np.ones( (3,4) ).astype(int)

print(oneArray)

创建对角线为1的方阵

---

创建一个对角线为1的正方形数组

np.eye(num) 边长为num，对角线为1，其他全为0的方阵

print(np.eye(5).astype(int))

水平拼接

---

np.hstack( (array1,array2) )

print(np.hstack((a1,a2)))

竖直拼接

---

np.vstack( (array1,array2) )

print(np.vstack((a1,a2)))

行交换

---

b1[[1,2],:] = b1[[2,1],:]

交换索引值为1和2的行数据

print(b1)

列交换

---

b2[:,[0,1]] = b2[:,[1,0]]

交换索引值为0和1的列数据

print(b2)

numpy中的nan和inf

---

• nan（not a number）：表示不是一个数字。当我们读取本地文件的数据为float类型时，如果有缺失，就会出现nan，活着做了一个不合适的计算的时候（如无穷大减去无穷大）

• inf（infinity）：表示正无穷，-inf表示负无穷。当一个数字除以0时，python中会报错，出现inf活着-inf

（一）将一个数据赋值为nan或者inf

data_1 = np.nan

data_2 = np.inf

data_1和data_2的数据类型都是float

（二）两个nan是不相等的

np.nan == np.nan

False

（三）检查数组中nan的个数

print(np.isnan(array_1))

将array_1判断是否为nan，并进行bool类型的赋值

print(np.count_nonzero(np.isnan(array_1)))

np.count_nonzero()返回数组中判断为True的数据个数

（四）出现nan时，为了防止影响均值，会将nan替换成均值，活着直接删除缺失值的一行

numpy常用统计函数

---

• 求和：array.sum(axis=None)

• 均值：array.mean(axis=None)

• 中值：np.median(array,axis=None)

• 最大值/最小值：array.max(axis=None) / array.min(axis=None)

• 极差：np.ptp(array,axis=None)

• 标准差（平均值分散程度）：array.std(axis=None)

案例：将数组中的nan替换为行或列的均值

===============================================================================

import numpy as np

def fillNaNwithMeanValue(array_1):

‘’’

将array中的nan替换为每一列的均值

:param array_1: 未处理数组

:return: array_1 处理后数组

‘’’

for i in range(array_1.shape[1]): #a1.shape[1]为a1的列数

colItem = array_1[:,i] # colItem为当前这一列

nanNum = np.count_nonzero(colItem!=colItem)

if nanNum != 0:

colNoNaN = colItem[colItem==colItem] # 去除nan的一列

print(colNoNaN)

colItem[colItem!=colItem] = colNoNaN.mean()

print(colItem.mean())

return array_1

a1 = np.array([

[1,2,3,0],

[5,0,7,8],

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！