1.1 Numpy简单学习和运用

创作该栏目是主要是为了提升自身数据预处理能力，同时也希望能和大家共同学习。

该书主要是搬运《Pandas数据预处理详解》

第一章numpy基础

1.1Numpy基础运算

首先需要导入NumPy模块模块才能使用Numpy

import numpy as np

接下来创建成为ndarrayd NumPy数组，然后对其进行加法和乘法运算

a = np.array([1, 2, 3])

a * 3
#array([3, 6, 9])
a + 2
#array([3, 4, 5])

从上面的代码可以看到，通过对数值进行加法或者乘法运算，就能实现对数组中所有的元素进行计算，这点与列表不同。

[1, 2, 3] * 3
#[1, 2, 3, 1, 2, 3, 1, 2, 3]

 矩阵内积：

b = np.array([2, 2, 0])

#内积
np.dot(a, b)
#6

创建各种数组

np.arange(10)
#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(0, 10, 2) # (起点，终点，间隔)
#array([0, 2, 4, 6, 8])

np.linspace(0, 10, 15) # 0~10划分为15等分
#array([ 0.        ,  0.71428571,  1.42857143,  2.14285714,  2.85714286,
#        3.57142857,  4.28571429,  5.        ,  5.71428571,  6.42857143,
#       7.14285714,  7.85714286,  8.57142857,  9.28571429, 10.        ])

创建二维数组

c = np.array([[1, 2, 3], [4, 5, 6]]) # 创建二维数组
c
#array([[1, 2, 3],
#       [4, 5, 6]])

c.shape
#(2, 3)

d = np.array([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
[[13,14,15],[16,17,18],[19,20,21],[22,23,24]]])
d
#array([[[ 1,  2,  3],
#        [ 4,  5,  6],
#        [ 7,  8,  9],
#        [10, 11, 12]],
#
#       [[13, 14, 15],
#        [16, 17, 18],
#        [19, 20, 21],
#        [22, 23, 24]]])

d.shape
#(2, 4, 3)

 求和

这里需要引入axis的概念，例如使用求和函数np.sum

np.sum(c)

#21

如果要每列求和，则需要指定坐标轴

c
#array([[1, 2, 3],
#      [4, 5, 6]])

np.sum(c, axis=1)  #指定行求和
#array([ 6, 15])

np.sum(c, axis=0)  #指定列求和
#array([5, 7, 9])

此外，还可以对数组形状进行修改。使用reshape函数

c.reshape(3, 2)

#array([[1, 2],
#       [3, 4],
#       [5, 6]])

c.reshape(6, 1)

#array([[1],
#       [2],
#       [3],
#       [4],
#       [5],
#       [6]])

矩阵转置

可以使用.T或者transpose函数

c.T
#array([[1, 4],
#       [2, 5],
#       [3, 6]])

np.transpose(c)
#array([[1, 4],
#       [2, 5],
#       [3, 6]])

接下来，尝试创建随机数。

np.random类提供了各种各样创建随机数的函数。

例如randn返回的是服从标准正态分布的随机值；而rand则返回0-1的随机数

np.random.randn() #randn  服从标准正态分布的随机值
#0.40022223491176945

np.random.rand()  #rand()0-1
#0.5187446868923544

在参数中指定形状，就可以创建出使用随机数填充的任意形状的数组

np.random.randn(2, 3)
#array([[ 0.13632633, -0.85484185,  0.34784709],
#      [ 0.75415272,  1.37677889,  1.76833095]])

 索引和切片

如果需要将数组中特定的值单独提取出来，就需要使用到索引和切片

首先进行索引的学习

a
#array([1, 2, 3])
a[0]
#1
a[2]
#3
a
#array([1, 2, 3])
#赋值
a[1] = 3
a
#array([1, 3, 3])
a[2]
#3

接下来看下二维的情况

#二维
c
#array([[1, 2, 3],
#      [4, 5, 6]])
c[0, 0]
#1
c[0, 2]
#3
c[1, 2]
#6

 接下来是切片

d = np.array([0, 5, 2, 7, 1, 9])

d[1:5]
#array([5, 2, 7, 1])

d[0:5:2]
#array([0, 2, 1])

d[::-1]
#array([9, 1, 7, 2, 5, 0])

广播

广播是Numpy中具有代表性的功能之一，一旦掌握了其用法，会极大简化程序的开发工作。

具体直接看代码会容易理解一些

广播机制
a
#array([1, 3, 3])

c
#array([[1, 2, 3],
#       [4, 5, 6]])

a + c
#array([[2, 5, 6],
#      [5, 8, 9]])

a * c
#array([[ 1,  6,  9],
#       [ 4, 15, 18]])

1.1就简单说到这里，后面我们继续学习！