【python与数据分析】NumPy数值计算基础1——numpy数组及其运算

目录

前言

一、创建数组

二、测试两个数组的对应元素是否足够接近

三、修改数组中的元素值

四、数组与标量的运算

五、数组与数组的运算

六、数组排序

七、数组重复

八、数组转置

九、数组所有元素累计和与累计积

十、数据的集合运算

十一、数组的点积/内积运算

十二、访问数组中的元素

十三、数组切片

十四、数组对函数运算的支持

十五、改变数组形状

十六、数组扁平化,变为一维数组

十七、数组切分

十八、取整运算

十九、广播(数组与标量的加法)

二十、计算唯一值以及出现次数

二十一、数组布尔运算

二十二、分段函数

二十三、删除数组中的元素


前言

  • 熟练掌握numpy数组相关运算
  • 熟练使用numpy创建矩阵
  • 理解矩阵转置和乘法
  • 熟练计算数据的相关系数、方差、协方差、标准差
  • 理解并能够计算特征值与特征向量
  • 理解可逆矩阵并能够计算矩阵的逆
  • 熟练求解线性方程组
  • 熟练计算向量和矩阵的范数
  • 理解并计算奇异值分解

一、创建数组

>>>import numpy as np
>>>np.array([1,2,3,4,5])    #把列表转换为一维数组
array([1, 2, 3, 4, 5])
>>>print(_)
[1 2 3 4 5]
>>>np.array((1,2,3,4,5))    #把元组转换为一维数组
array([1, 2, 3, 4, 5])
>>>np.array(range(5))    #把range对象转换成一维数组
array([0, 1, 2, 3, 4])
>>>arr=np.array([[1,2,3],[4,5,6]])    #二维数组,外[]不可少
>>>arr
array([[1, 2, 3],
       [4, 5, 6]])
>>>print(arr)
[[1 2 3]
 [4 5 6]]
>>>np.arange(8)    #类似于内置函数range()
array([0, 1, 2, 3, 4, 5, 6, 7])
>>>np.arange(1,10,2)
array([1, 3, 5, 7, 9])
>>>np.linspace(0,10,11)    #等差数组,包含11个数
array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])
>>>np.linspace(0,10,11,endpoint=False)    #不包含终点
array([0.        , 0.90909091, 1.81818182, 2.72727273, 3.63636364,
       4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818,
       9.09090909])
>>>np.logspace(0,100,10)    #相当于10**np.linspace(0,100,10)
array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,
       2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,
       7.74263683e+088, 1.00000000e+100])
>>>np.logspace(1,6,5,base=2)    #相当于2**np.linspace(1,,6,5)
array([ 2.        ,  4.75682846, 11.3137085 , 26.90868529, 64.        ])
>>>np.zeros(3)    #全0一维数组
array([0., 0., 0.])
>>>np.ones(3)    #全1一维数组
array([1., 1., 1.])
>>>np.zeros((3,3))    #全零二维数组,三行三列
array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])
>>>np.zeros((3,1))    #全零二维数组,三行一列
array([[0.],
       [0.],
       [0.]])
>>> np.zeros((1,3))    #全零二维数组,一行三列
array([[0., 0., 0.]])
>>> np.ones((3,3))    #全1二维数组,三行三列
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
>>> np.ones((1,3))    #全一二维数组,一行三列
array([[1., 1., 1.]])
>>> np.identity(3)    #单位矩阵,三行三列
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
>>> np.random.randint(0,50,5)    #随机数组,5个0-50之间的数字
array([49, 34, 36, 34, 27])
>>> np.random.randint(0,50,(3,5))    #三行五列,共15个随机数,都介于[0,50]
array([[36, 13, 39, 15, 40],
       [26, 32, 14, 27, 22],
       [ 2,  5, 15, 14, 14]])
>>> np.random.rand(10)    #10个介于[0,1)的随机数
array([0.1339926 , 0.91646838, 0.05426131, 0.19442916, 0.16623762,
       0.2365288 , 0.33290243, 0.250113  , 0.96977386, 0.59846432])
>>> np.random.standard_normal(5)    #从标准正态分布中随机采样五个数字
array([-0.97958578,  0.0814909 ,  0.89747636, -1.23791227, -0.73942231])
>>> x=np.random.standard_normal(size=(3,4,2))
>>> x
array([[[ 1.1494124 , -0.47706184],
        [-1.10716196,  0.28543639],
        [ 0.05352001, -0.45464289],
        [ 0.2345641 ,  0.954789  ]],

       [[-1.20323603,  2.6723773 ],
        [-0.49191396, -2.1001691 ],
        [ 0.18914176, -0.52134758],
        [-1.25792163,  0.03047616]],

       [[-0.98496622, -0.59795298],
        [ 0.81130705,  0.56014691],
        [ 0.27234357, -0.87448426],
        [-0.26274332, -0.91526728]]])
>>> np.diag([1,2,3,4])    #对角矩阵
array([[1, 0, 0, 0],
       [0, 2, 0, 0],
       [0, 0, 3, 0],
       [0, 0, 0, 4]])

二、测试两个数组的对应元素是否足够接近

>>> import numpy as np
>>> x=np.array([1,2,3,4.001,5])
>>> y=np.array([1,1.9999,3,4.01,5.1])
>>> print(np.allclose(x,y))
False
>>> print(np.allclose(x,y,rtol=0.2))    #设置相对误差参数
True
>>> print(np.allclose(x,y,atol=0.2))    #设置绝对误差参数
True
>>> print(np.isclose(x,y))
[ True False  True False False]
>>> print(np.isclose(x,y,atol=0.2))
[ True  True  True  True  True]

三、修改数组中的元素值

>>> x=np.arange(8)
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> np.append(x,8)    #返回新数组,在尾部追加一个元素
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> np.append(x,[9,10])    #返回新数组,在尾部追加多个元素
array([ 0,  1,  2,  3,  4,  5,  6,  7,  9, 10])
>>> x    #不影响原来的数组
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> x[3]=8    #使用下标的形式原地修改元素值    
>>> x    #原来的数组被修改了
array([0, 1, 2, 8, 4, 5, 6, 7])
>>> np.insert(x,1,8)    #返回新数组,插入元素
array([0, 8, 1, 2, 8, 4, 5, 6, 7])
>>> x.put(0,9)    #修改原数组指定位置上的元素
>>> x=np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> x[0,2]=4    #修改第0行到第2列的元素值
>>> x[1:,1:]=1    #切片,把行下标大于等于1,且列下标也大于等于1的元素值都设置为1
>>> x
array([[1, 2, 4],
       [4, 1, 1],
       [7, 1, 1]])
>>> x[1:,1:]=[1,2]    #同时修改多个元素值
>>> x
array([[1, 2, 4],
       [4, 1, 2],
       [7, 1, 2]])
>>> x[1:,1:]=[[1,2],[3,4]]
>>> x
array([[1, 2, 4],
       [4, 1, 2],
       [7, 3, 4]])

四、数组与标量的运算

>>> import numpy as np
>>> x=np.array((1,2,3,4,5))
>>> x
array([1, 2, 3, 4, 5])
>>> x*2
array([ 2,  4,  6,  8, 10])
>>> x/2
array([0.5, 1. , 1.5, 2. , 2.5])
>>> x//2
array([0, 1, 1, 2, 2], dtype=int32)
>>> x**3
array([  1,   8,  27,  64, 125], dtype=int32)
>>> x+2
array([3, 4, 5, 6, 7])
>>> x%3
array([1, 2, 0, 1, 2], dtype=int32)
>>> 2**x
array([ 2,  4,  8, 16, 32], dtype=int32)
>>> 2/x
array([2.        , 1.        , 0.66666667, 0.5       , 0.4       ])
>>> 63//x

五、数组与数组的运算

>>> np.array([1,2,3,4])+np.array([4,3,2,1])
array([5, 5, 5, 5])
>>> np.array([1,2,3,4])+np.array([4])
array([5, 6, 7, 8])
>>> a=np.array((1,2,3))                         
>>> a+a                         
array([2, 4, 6])
>>> a*a                          
array([1, 4, 9])
>>> a-a                         
array([0, 0, 0])
>>> a/a                       
array([1., 1., 1.])
>>> a**a                        
array([ 1,  4, 27])
>>> b=np.array([[1,2,3],[4,5,6],[7,8,9]])                         
>>> c=a*b                          
>>> c                          
array([[ 1,  4,  9],
       [ 4, 10, 18],
       [ 7, 16, 27]])
>>> a+b                         
array([[ 2,  4,  6],
       [ 5,  7,  9],
       [ 8, 10, 12]])

六、数组排序

>>>x=np.array([3,1,2])                        
>>>np.argsort(x)     #返回排序后元素的原下标                 
array([1, 2, 0], dtype=int64)
>>>x[_]       #使用数组做下标,获取对应位置的元素              
array([1, 2, 3])
>>>x=np.array([3,1,2,4])                         
>>> x.argmax(),x.argmin()         #最大值和最小值的下标                    
(3, 1)
>>> np.argsort(x)                        
array([1, 2, 0, 3], dtype=int64)
>>> x[_]                       
array([1, 2, 3, 4])
>>> x.sort()      #原地排序                   
>>> x                         
array([1, 2, 3, 4])
>>> x=np.random.randint(1,100,10)    #随机整数                          
>>> x                         
array([39, 94, 74, 83, 60, 20, 76, 71, 81, 20])
>>> np.argsort(x)       #排序后原下标                  
array([5, 9, 0, 4, 7, 2, 6, 8, 3, 1], dtype=int64)
>>> x[_]             #按序访问元素            
array([20, 20, 39, 60, 71, 74, 76, 81, 83, 94])
>>> x[sorted(np.argsort(x)[-5:])]               #按原来的顺序返回最大的五个数         
array([94, 74, 83, 76, 81])
>>> x=np.array([[0,3,4],[2,2,1]])                         
>>> np.argsort(x,axis=0)        #二维数组纵向排序,返回原下标                
array([[0, 1, 1],
       [1, 0, 0]], dtype=int64)
>>> np.argsort(x,axis=1)       #二维数组横向排序                  
array([[0, 1, 2],
       [2, 0, 1]], dtype=int64)
>>> x.sort(axis=1)      #原地排序,横向;注意,是每行单独排序                  
>>> x                         
array([[0, 3, 4],
       [1, 2, 2]])
>>> x.sort(axis=0)       #原地排序,纵向,每列单独排序                  
>>> x                         
array([[0, 2, 2],
       [1, 3, 4]])

七、数组重复

>>> import numpy as np
>>> x=np.array([1,2,3])
>>> x.repeat(3)    #每个元素都重复3次
array([1, 1, 1, 2, 2, 2, 3, 3, 3])
>>> x.repeat([1,2,3])    #三个元素分别重复1,2,3次
array([1, 2, 2, 3, 3, 3])
>>> x=np.random.randint(1,10,(2,3))
>>> x
array([[4, 4, 9],
       [1, 1, 7]])
>>> x.repeat(2)    #重复后变一维数组了
array([4, 4, 4, 4, 9, 9, 1, 1, 1, 1, 7, 7])
>>> x.repeat([2,3],axis=0)    #第一行重复2次,第二行重复3次
array([[4, 4, 9],
       [4, 4, 9],
       [1, 1, 7],
       [1, 1, 7],
       [1, 1, 7]])
>>> x=np.random.randint(1,10,(2,3))
>>> x
array([[3, 6, 4],
       [1, 8, 6]])
>>> np.tile(x,2)    #铺瓷砖(不跨块)
array([[3, 6, 4, 3, 6, 4],
       [1, 8, 6, 1, 8, 6]])
>>> np.tile(x,3)
array([[3, 6, 4, 3, 6, 4, 3, 6, 4],
       [1, 8, 6, 1, 8, 6, 1, 8, 6]])

八、数组转置

>>> b=np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> b
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
>>> b.T    #转置
array([[1, 4, 7],
       [2, 5, 8],
       [3, 6, 9]])
>>> a=np.array((1,2,3,4))
>>> a
array([1, 2, 3, 4])
>>> a.T    #一维数组转置后和原来是一样的
array([1, 2, 3, 4])

九、数组所有元素累计和与累计积

>>> x=np.array([3,1,2,4])
>>> x.cumsum()    #累计和
array([ 3,  4,  6, 10])
>>> x.cumprod()    #累计积
array([ 3,  3,  6, 24])
>>> x
array([3, 1, 2, 4])

十、数据的集合运算

>>> np.intersect1d([1,3,4,2],[3,1,2,1])     #交集,返回有序数组。“1”是数字                   
array([1, 2, 3])
>>> from functools import reduce                        
>>> reduce(np.intersect1d,([1,3,4,3],[3,1,2,1],[6,3,4,2]))                       
array([3])
>>> np.union1d([1,4,3,3],[3,1,2,1])      #并集,返回有序数组                   
array([1, 2, 3, 4])
>>> np.in1d([1,3,4,3],[3,1,2,1])          #前一个数组的每个元素是否在第二个数组中                
array([ True,  True, False,  True])
>>> np.setdiff1d([1,3,4,3],[3,1,2,1])       #差集                  
array([4])
>>> np.setxor1d([1,3,4,3],[3,1,2,1])       #对称差集                  
array([2, 4])

十一、数组的点积/内积运算

>>> import numpy as np
>>> x=np.array((1,2,3))
>>> y=np.array((4,5,6))
>>> print(np.dot(x,y))    #输出结果都是32
32
>>> print(x.dot(y))
32
>>> print(sum(x*y))
32
>>> a=np.array((5,6,7))
>>> c=np.array(([1,2,3],[4,5,6],[7,8,9]))    #二维数组
>>> c.dot(a)    #二维数组的每行与一维数组计算内积
array([ 38,  92, 146])
>>> c[0].dot(a)    #验证一下,两个一维向量计算内积
38
>>> c[1].dot(a)
92
>>> c[2].dot(a)
146
>>> a.dot(c)    #一维向量与二维向量的每列计算内积
array([ 78,  96, 114])
>>> cT=c.T    #转置
>>> a.dot(cT[0])    #验证一下
78
>>> a.dot(cT[1])
96
>>> a.dot(cT[2])
114

十二、访问数组中的元素

>>>b=np.array(([1,2,3],[4,5,7],[7,8,9]))
>>>b
array([[1, 2, 3],
       [4, 5, 7],
       [7, 8, 9]])
>>>b[0]    #第零行所有元素
array([1, 2, 3])
>>>b[0][0]    #第零行和第零列的元素
1
>>>b[0,0]    #第零行和第零列的元素
1
>>>b[[0,1]]    #第零行和第一列的所有元素,只指定行下标,不指定列下标,表示所有列
array([[1, 2, 3],
       [4, 5, 7]])
>>>b[[0,2,1],[2,1,0]]    #第零行第二列,第二行第一列,第一行第零列;第一个列表表示行下标,第二列表表示列下标
array([3, 8, 4])
>>>a=np.arange(10)
>>>a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>>a[[2,4,6]]    #可同时访问多个数组中的数据
array([2, 4, 6])
>>>x=np.random.randint(1,10,(2,3))
>>>x
array([[8, 2, 7],
       [6, 3, 8]])
>>> x.take([0,4])    #第一个和第五个元素,行优先
array([8, 3])
>>> x.take([0,3])
array([8, 6])
>>> x.take([0,1],axis=0)    #前两行
array([[8, 2, 7],
       [6, 3, 8]])
>>> x.take([0,1],axis=1)    #前两列
array([[8, 2],
       [6, 3]])
>>> x=np.random.randint(1,10,(2,2,3))
>>> x
array([[[3, 6, 8],
        [8, 6, 2]],

       [[4, 9, 8],
        [6, 7, 5]]])
>>> x.take(0,axis=0)
array([[3, 6, 8],
       [8, 6, 2]])
>>> x.take(0)
3
>>> x.take(11)
5
>>> x.take([0,1],axis=2)
array([[[3, 6],
        [8, 6]],

       [[4, 9],
        [6, 7]]])
>>> x.take([0,1],axis=1)
array([[[3, 6, 8],
        [8, 6, 2]],

       [[4, 9, 8],
        [6, 7, 5]]])
>>> x.take(1,axis=1)
array([[8, 6, 2],
       [6, 7, 5]])
>>> x[0]
array([[3, 6, 8],
       [8, 6, 2]])
>>> x[1]
array([[4, 9, 8],
       [6, 7, 5]])
>>> x[0][0]
array([3, 6, 8])
>>> x[0][0][2]
8

十三、数组切片

>>> a=np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a[::-1]    #反向切片
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
>>> a[::2]    #隔一个取一个元素
array([0, 2, 4, 6, 8])
>>> a[:5]    #前五个元素
array([0, 1, 2, 3, 4])
>>> c=np.arange(25)    #创建数组
>>> c.shape=5,5    #修改数组形状
>>> c
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24]])
>>> c[0,2:5]    #第零行中下标[2,5)之间的元素值
array([2, 3, 4])
>>> c[1]    #第一行所有元素,不指定列下标,表示所有列
array([5, 6, 7, 8, 9])
>>> c[2:5,2:5]    #行下标和列下标都介于[2,5)之间的元素值
array([[12, 13, 14],
       [17, 18, 19],
       [22, 23, 24]])
>>> c[[1,3],[2,4]]    #第一行第二列的元素和第三行第四列的元素
array([ 7, 19])
>>> c[[1,3],2:3]    #第一行和第三行的二三列
array([[ 7],
       [17]])
>>> c[:,[2,4]]    #第二列和第四列所有元素,对行下标进行切片,冒号表示所有行
array([[ 2,  4],
       [ 7,  9],
       [12, 14],
       [17, 19],
       [22, 24]])
>>> c[:,3]    #第三列所有元素
array([ 3,  8, 13, 18, 23])
>>> c[[1,3]]    #第一行和第三行所有元素
array([[ 5,  6,  7,  8,  9],
       [15, 16, 17, 18, 19]])
>>> c[[1,3]][:,[2,4]]    #第一、三行的2、4列元素
array([[ 7,  9],
       [17, 19]])

十四、数组对函数运算的支持

>>> x=np.arange(0,100,10,dtype=np.floating)
Warning (from warnings module):
  File "<pyshell#67>", line 1
DeprecationWarning: Converting `np.inexact` or `np.floating` to a dtype is deprecated. The current result is `float64` which is not strictly correct.
>>> print(x)
[ 0. 10. 20. 30. 40. 50. 60. 70. 80. 90.]
>>> print(np.sin(x))    #一维数组中所有元素求正弦值
[ 0.         -0.54402111  0.91294525 -0.98803162  0.74511316 -0.26237485
 -0.30481062  0.77389068 -0.99388865  0.89399666]
>>> x=np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> print(x)
[[1 2 3]
 [4 5 6]
 [7 8 9]]
>>> print(np.cos(x))    #二维数组中所有元素求余弦值
[[ 0.54030231 -0.41614684 -0.9899925 ]
 [-0.65364362  0.28366219  0.96017029]
 [ 0.75390225 -0.14550003 -0.91113026]]
>>> print(np.round(np.cos(x)))    #四舍五入
[[ 1. -0. -1.]
 [-1.  0.  1.]
 [ 1. -0. -1.]]
>>> print(np.ceil(x/2))    #向上取整
[[1. 1. 2.]
 [2. 3. 3.]
 [4. 4. 5.]]
>>> np.absolute(-3)    #绝对值或模
3
>>> np.isnan(np.NAN)                        
True
>>> np.log2(8)        #对数                 
3.0
>>> np.log10(100)                         
2.0
>>> np.log10([100,100,10000])                         
array([2., 2., 4.])
>>> np.multiply(3,8)                      
24
>>> np.multiply([1,2,3],[4,5,6])                         
array([ 4, 10, 18])
>>> np.multiply(3,[5,6])                         
array([15, 18])
>>> np.multiply(3,np.array([5,6]))                         
array([15, 18])
>>> np.sqrt([9,16,35])                         
array([3.        , 4.        , 5.91607978])
>>> np.sqrt(range(10))                        
array([0.        , 1.        , 1.41421356, 1.73205081, 2.        ,
       2.23606798, 2.44948974, 2.64575131, 2.82842712, 3.        ])

十五、改变数组形状

>>> x=np.arange(1,11,1)
>>> x
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])
>>> x.shape    #查看数组的形状
(10,)
>>> x.size    #数组中元素的数量
10
>>> x.shape=2,5    #改为2行5列
>>> x
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])
>>> x.shape
(2, 5)
>>> x.shape=5,-1    #-1表示自动计算
>>> x
array([[ 1,  2],
       [ 3,  4],
       [ 5,  6],
       [ 7,  8],
       [ 9, 10]])
>>> x=x.reshape(2,5)    #reshape()方法返回新数组
>>> x
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])
>>> x=np.array(range(5))
>>> x.reshape((1,10))    #reshape()不能修改数组元素个数,出错
Traceback (most recent call last):
  File "<pyshell#14>", line 1, in <module>
    x.reshape((1,10))
ValueError: cannot reshape array of size 5 into shape (1,10)
>>> x.resize((1,10))    #resize()可以改变数组元素个数
>>> x
array([[0, 1, 2, 3, 4, 0, 0, 0, 0, 0]])
>>> np.resize(x,(1,3))    #使用Numpy的resize()返回新数组
array([[0, 1, 2]])
>>> x    #不对原数组进行任何修改
array([[0, 1, 2, 3, 4, 0, 0, 0, 0, 0]])

十六、数组扁平化,变为一维数组

>>> arr=np.random.randint(1,10,(3,4))
>>> arr
array([[9, 3, 7, 4],
       [2, 2, 4, 6],
       [7, 8, 8, 8]])
>>> arr.ravel()    #默认行优先,C语言顺序
array([9, 3, 7, 4, 2, 2, 4, 6, 7, 8, 8, 8])
>>> arr.ravel('F')    #列优先,Fortran顺序
array([9, 2, 7, 3, 2, 8, 7, 4, 8, 4, 6, 8])
>>> arr.flatten()    #行优先
array([9, 3, 7, 4, 2, 2, 4, 6, 7, 8, 8, 8])
>>> arr.flatten('F')    #列优先
array([9, 2, 7, 3, 2, 8, 7, 4, 8, 4, 6, 8])
>>> arr=np.random.randint(1,10,(2,3,4))
>>> arr
array([[[4, 1, 5, 8],
        [1, 8, 3, 1],
        [2, 2, 5, 6]],

       [[3, 8, 5, 2],
        [5, 2, 5, 3],
        [4, 4, 1, 3]]])
>>> arr.flatten()
array([4, 1, 5, 8, 1, 8, 3, 1, 2, 2, 5, 6, 3, 8, 5, 2, 5, 2, 5, 3, 4, 4,
       1, 3])
>>> arr.flatten('F')
array([4, 3, 1, 5, 2, 4, 1, 8, 8, 2, 2, 4, 5, 5, 3, 5, 5, 1, 8, 2, 1, 3,
       6, 3])

十七、数组切分

>>> np.split(np.array(range(10)),2)
[array([0, 1, 2, 3, 4]), array([5, 6, 7, 8, 9])]
>>> np.split(np.array(range(12)),3)
[array([0, 1, 2, 3]), array([4, 5, 6, 7]), array([ 8,  9, 10, 11])]
>>> np.split(np.array(range(16)).reshape((4,4)),2)
[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])]

十八、取整运算

>>> x=np.random.rand(10)*50    #10个随机数
>>> x
array([16.69881646,  9.02845598, 39.62579936,  1.30399031, 42.20507989,
       28.33553525, 10.56996153, 30.96119602,  7.90198546,  4.56703219])
>>> np.int64(x)    #取整
array([16,  9, 39,  1, 42, 28, 10, 30,  7,  4], dtype=int64)
>>> x-np.int64(x)    #小数部分
array([0.69881646, 0.02845598, 0.62579936, 0.30399031, 0.20507989,
       0.33553525, 0.56996153, 0.96119602, 0.90198546, 0.56703219])

十九、广播(数组与标量的加法)

>>> a=np.arange(0,60,10).reshape(-1,1)    #列向量
>>> a
array([[ 0],
       [10],
       [20],
       [30],
       [40],
       [50]])
>>> b=np.arange(0,6)    #行向量
>>> b
array([0, 1, 2, 3, 4, 5])
>>> a[0]+b    #数组与标量的加法
array([0, 1, 2, 3, 4, 5])
>>> a[1]+b
array([10, 11, 12, 13, 14, 15])
>>> a+b    #广播
array([[ 0,  1,  2,  3,  4,  5],
       [10, 11, 12, 13, 14, 15],
       [20, 21, 22, 23, 24, 25],
       [30, 31, 32, 33, 34, 35],
       [40, 41, 42, 43, 44, 45],
       [50, 51, 52, 53, 54, 55]])
>>> a*b    #广播
array([[  0,   0,   0,   0,   0,   0],
       [  0,  10,  20,  30,  40,  50],
       [  0,  20,  40,  60,  80, 100],
       [  0,  30,  60,  90, 120, 150],
       [  0,  40,  80, 120, 160, 200],
       [  0,  50, 100, 150, 200, 250]])

二十、计算唯一值以及出现次数

>>> x=np.random.randint(0,10,7)
>>> x
array([0, 1, 5, 4, 1, 8, 2])
>>> np.bincount(x)    #元素出现次数,0出现1次……
array([1, 2, 1, 0, 1, 1, 0, 0, 1], dtype=int64)
>>> np.sum(_)    #所有元素出现次数之和等于数组长度
7
>>> len(x)
7
>>> np.unique(x)    #返回唯一元素值,把x变成集合类
array([0, 1, 2, 4, 5, 8])
>>> x=np.random.randint(0,10,2)
>>> x
array([8, 4])
>>> np.bincount(x)    #结果数组的长度取决于原始数组中最大元素值
array([0, 0, 0, 0, 1, 0, 0, 0, 1], dtype=int64)
>>> x=np.random.randint(0,10,10)
>>> x
array([3, 0, 3, 5, 4, 3, 8, 3, 0, 3])
>>> y=np.random.rand(10)    #随机小数,模拟权重
>>> y=np.round_(y,1)    #保留一位小数
>>> np.sum(x*y)/np.sum(np.bincount(x))    #加权总和/出现总次数或元素个数
1.69
>>> sum(x*y)/len(x)    #数组支持python内置函数
1.69

二十一、数组布尔运算

>>>import numpy as np
>>>x=np.random.rand(10)    #包含10个随机数的数组
>>>x
array([0.25343298, 0.41688277, 0.98967738, 0.33084737, 0.97938066,
       0.35567276, 0.79729858, 0.94640714, 0.19360246, 0.72732656])
>>>x>0.5    #比较数组中每个元素是否大于0.5
array([False, False,  True, False,  True, False,  True,  True, False,
        True])
>>>x[x>0.5]    #获取数组中大于0.5的元素,可用于检测和过滤异常值
array([0.98967738, 0.97938066, 0.79729858, 0.94640714, 0.72732656])
>>> x<0.5
array([ True,  True, False,  True, False,  True, False, False,  True,
       False])
>>> sum((x>0.4)&(x<0.6))    #值大于0.4且小于0.6的元素数量,True表示1,F表示0
1
>>> np.all(x<1)    #测试是否全部元素都小于1
True
>>> np.any(x>0.8)    #是否存在大于0.8的元素
True
>>> a=np.array([1,2,3])
>>> b=np.array([3,2,1])
>>> a>b    #两个数组中对应位置上的元素比较
array([False, False,  True])
>>> a[a>b]    #数组a中大于b数组对应位置上元素的值
array([3])
>>> a==b
array([False,  True, False])
>>> a[a==b]
array([2])
>>> x=np.arange(1,10)
>>> x
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> x[(x%2==0)&(x>5)]    #大于5的偶数,两个数组进行布尔与运算
array([6, 8])
>>> x[(x%2==0)|(x>5)]    #大于5的元素或者偶数元素,布尔或运算
array([2, 4, 6, 7, 8, 9])
>>> data=np.array([[1,2,3],[2,3,3],[3,4,5],[1,2,3],[4,5,6],[1,2,3]])
>>> data==[1,2,3]    #每行的每元素对应比较
array([[ True,  True,  True],
       [False, False,  True],
       [False, False, False],
       [ True,  True,  True],
       [False, False, False],
       [ True,  True,  True]])
>>> index=list(map(lambda row:all(row==[1,2,3]),data))
>>> print(index)
[True, False, False, True, False, True]
>>> data[index]    #获取所有[1,2,3]的行
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

二十二、分段函数

>>> x=np.random.randint(0,10,size=(1,10))
>>> x
array([[5, 5, 4, 1, 8, 2, 9, 3, 9, 3]])
>>> np.where(x<5,0,1)    #小于5的元素值对应0,其他对应1
array([[1, 1, 0, 0, 1, 0, 1, 0, 1, 0]])
>>> x.resize((2,5))    #改变数组形状
>>> x
array([[5, 5, 4, 1, 8],
       [2, 9, 3, 9, 3]])
>>> np.piecewise(x,[x<4,x>7],[lambda x:x*2,lambda x:x*3])    #小于4的元素*2,大于7的元素*3,其他元素为0
array([[ 0,  0,  0,  2, 24],
       [ 4, 27,  6, 27,  6]])
>>> np.piecewise(x,[x<3,(3<x)&(x<5),x>7],[-1,1,lambda x:x*4])    #<3的元素变为-1,大于3的元素变为1,大于7的元素*4
array([[ 0,  0,  1, -1, 32],
       [-1, 36,  0, 36,  0]])

二十三、删除数组中的元素

>>> data=np.random.randint(1,100,(8,5))
>>> data
array([[33, 66, 84, 84, 45],
       [25, 12, 47, 42, 37],
       [45, 85, 35, 98,  4],
       [80, 84, 49, 98, 18],
       [85, 93, 69, 45, 46],
       [49, 80, 19, 44, 99],
       [60, 67, 22, 35, 81],
       [69, 51, 11, 72, 57]])
>>> np.delete(data,0,axis=0)    #删除下标为0的行,返回新数组
array([[25, 12, 47, 42, 37],
       [45, 85, 35, 98,  4],
       [80, 84, 49, 98, 18],
       [85, 93, 69, 45, 46],
       [49, 80, 19, 44, 99],
       [60, 67, 22, 35, 81],
       [69, 51, 11, 72, 57]])
>>> np.delete(data,3,axis=1)    #删除下标为3的列,返回新数组
array([[33, 66, 84, 45],    
       [25, 12, 47, 37],
       [45, 85, 35,  4],
       [80, 84, 49, 18],
       [85, 93, 69, 46],
       [49, 80, 19, 99],
       [60, 67, 22, 81],
       [69, 51, 11, 57]])
>>> np.delete(data,3)    #删除按行存储的下标为3的元素,返回一维数组
array([33, 66, 84, 45, 25, 12, 47, 42, 37, 45, 85, 35, 98,  4, 80, 84, 49,
       98, 18, 85, 93, 69, 45, 46, 49, 80, 19, 44, 99, 60, 67, 22, 35, 81,
       69, 51, 11, 72, 57])
>>> np.delete(data,np.arange(0,len(data),2))    #删除偶数下标的元素,返回一维数组
array([66, 84, 25, 47, 42, 37, 45, 85, 35, 98,  4, 80, 84, 49, 98, 18, 85,
       93, 69, 45, 46, 49, 80, 19, 44, 99, 60, 67, 22, 35, 81, 69, 51, 11,
       72, 57])
>>> np.delete(data,[0,2,6,7])    #删除下标为0,2,6,7的元素
array([66, 84, 45, 25, 42, 37, 45, 85, 35, 98,  4, 80, 84, 49, 98, 18, 85,
       93, 69, 45, 46, 49, 80, 19, 44, 99, 60, 67, 22, 35, 81, 69, 51, 11,
       72, 57])

  • 3
    点赞
  • 41
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值