JMUrjxh数据分析与实践——Numpy初体验

一、Numpy创建数组

一、一维数组

在 Python 中创建数组有许多的方法，这里我们使用 Numpy 中的arange方法快速的新建一个数组：

import numpy as np

a = np.arange(5)

其中import numpy as np是指引入Numpy这个库，并取别名为np。之所以取别名，是为了代码编写的方便。a=np.arange(5)是指将数值0 1 2 3 4赋值给a这个变量，这样我们就快速的创建了一个一维数组。

二、多维数组（2*n)

创建多维数组的方法是:

import numpy as np

b = np.array([np.arange(6),np.arange(6)])

这里，我们使用两个arange方法，创建了两个1x6的一维数组，然后使用numpy的array方法，将两个一维数组组合成一个2x6的二维数组。从而达到了创建多维数组的目的。

三、复制数组(n*n)

numpy创建的数组可以直接复制，具体代码示例如下：

import numpy as np

x = [y for y in range(6)]

b=np.array([x]*4)

该段代码会创建一个4*6的数组。

二、Numpy数组的基本运算

Numpy库可以直接进行一些四则运算，快速的处理两个Numpy数组：

a = np.array([[1,2,3],[4,5,6]])

b = np.array([[4,5,6],[1,2,3]])

一、向量与向量之间

1.加法

In:np.add(a,b) 或 a+b

Out:array([[5, 7, 9],

[5, 7, 9]])

2.减法

In:np.subtract(a,b) 或 a-b

Out:array([[-3, -3, -3],

[ 3, 3, 3]])

3.乘法（X乘）

In:np.multiply(a,b) 或 a * b

Out:array([[ 4, 10, 18],

[ 4, 10, 18]])

4.乘法（点乘）

a = np.array([[1,2,3],[4,5,6]])

b = np.array([4,5,6])

In: np.dot(a,b)

Out:array([32, 77])

5.除法

a = np.array([[1,2,3],[4,5,6]])

b = np.array([[4,5,6],[1,2,3]])

In:np.divide(a,b) 或 a/b

Out:array([[ 0.25, 0.4 , 0.5 ],

[ 4. , 2.5 , 2. ]])

二、向量与标量之间

a = np.array([[1,2,3],[4,5,6]])

1.加法

In: a +1

Out:array([[2, 3, 4],

[5, 6, 7]])

2.减法

In: a -1

Out:array([[0, 1, 2],

[3, 4, 5]])

3.乘法

In: a*2

Out:array([[ 2, 4, 6],

[ 8, 10, 12]])

4.除法

In: a/2

Out:array([[ 0.5, 1. , 1.5],

[ 2. , 2.5, 3. ]])

5.求余

In:a%2

Out:array([[1, 0, 1],

[0, 1, 0]])

6.矩阵转置

In:a.T

Out:array([[1, 4],

[2, 5],

[3, 6]])

7.矩阵的逆

矩阵可逆的充要条件是矩阵满秩。

import numpy as np

import numpy.linalg as lg

a = np.array([[1,2,3],[4,5,6],[7,8,9]])

In:lg.inv(a)

Out:array([[ 3.15251974e+15, -6.30503948e+15, 3.15251974e+15],

[ -6.30503948e+15, 1.26100790e+16, -6.30503948e+15],

[ 3.15251974e+15, -6.30503948e+15, 3.15251974e+15]])

三、Numpy数组的切片与索引

一、普通切片

一维Numpy数组的切片操作与Python列表的切片一样。下面首先来定义数字0 1 2直到8的数组，然后通过指定下标3到7来选择数组的部分元素，这实际上就是提取数组中值为3到6的元素。

In: import numpy as np

In: a = np.arange(9)

In: a[3:7]

Out: array([3,4,5,6])

二、隔位切片

同时用下标选择元素，下标范围从0到7，并且下标每次递增2，如下所示：

In: a[:7:2]

Out:array([0,2,4,6])

三、反转数组

也可以像Python数组一样，用负值下标来反转数组：

In: a[::-1]

Out: array([8,7,6,5,4,3,2,1,0])

四、二维数组

对于二维数组的索引，类似与Python数组的列表：

In: a=np.array([[1,2,3],[4,3,2]])

In: a[1][0]

Out:array([4])

In:a[1,:2] #获取第1维的前2个元素

Out:array([4, 3])

四、Numpy数组的堆叠

使用Numpy，我们可以方便的更改数组的形状，比如使用reshape()、ravel()、flatten()、transpose()函数等。具体的使用如下：

一、改变形状reshape()

import numpy as np

In: b = np.arange(24).reshape(2,3,4)

In: b

Out: 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]]])

二、拆解ravel()

拆解，将多维数组变成一维数组。

In: b.ravel()

Out: 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])

三、拉直flatten()

拉直，其功能与ravel()相同，但是flatten()返回的是真实的数组，需要分配新的内存空间，而ravel()仅仅是改变视图。

In: b.flatten()

Out: 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])

四、使用元组改变数组形状。shape()

In: b.shape = (6,4)

In: b

out: 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]])

五、转置 transpose()

In: b.transpose()

Out: array([[ 0, 4, 8, 12, 16, 20],

[ 1, 5, 9, 13, 17, 21],

[ 2, 6, 10, 14, 18, 22],

[ 3, 7, 11, 15, 19, 23]])

六、数组的堆叠

从深度看，数组既可以横向叠放，也可以竖向叠放。因此，我们我们对数组进行堆叠，Numpy数组对堆叠包含以下几个函数：

首先，创建两个数组。

In: a = np.arange(9).reshape(3,3)

In: a

Out: array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

In: b = a*2

In: b

Out: array([[ 0, 2, 4],

[ 6, 8, 10],

[12, 14, 16]])

1、hstack() 水平叠加

In: np.hstack((a,b)) # 注意 这里是两层括号

Out: array([[ 0, 1, 2, 0, 2, 4],

[ 3, 4, 5, 6, 8, 10],

[ 6, 7, 8, 12, 14, 16]])

2、vstack() 垂直叠加

In: np.vstack((a,b))

Out:array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[ 0, 2, 4],

[ 6, 8, 10],

[12, 14, 16]])

3、dstack() 深度叠加

In: np.dstack((a,b))

Out: array([[[ 0, 0],

[ 1, 2],

[ 2, 4]],

[[ 3, 6],

[ 4, 8],

[ 5, 10]],

[[ 6, 12],

[ 7, 14],

[ 8, 16]]])

五、Numpy的拆分

使用Numpy，我们可以方便的对数组进行拆分，比如使用hsplit()、vsplit()、dsplit()、split()函数等。

拆分数组

一、准备数组

import numpy as np

In: a= np.arange(9).reshape(3,3)

In: a

Out: array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

二、hsplit() 横向拆分

In: np.hsplit(a,3)

Out:[array([[0],[3], [6]]),

. array([[1], [4],[7]]),

array([[2],[5], [8]])]

三、vsplit() 纵向拆分

In: np.vsplit(a,3)

Out: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

四、dsplit() 深度拆分

深度拆分要求数组的秩大于等于3。

c= np.arange(27).reshape(3,3,3)

In: np.dsplit(c,3)

Out:[array([[[ 0],

[ 3],

[ 6]],

[[ 9],

[12],

[15]],

[[18],

[21],

[24]]]), array([[[ 1],

[ 4],

[ 7]],

[[10],

[13],

[16]],

[[19],

[22],

[25]]]), array([[[ 2],

[ 5],

[ 8]],

[[11],

[14],

[17]],

[[20],

[23],

[26]]])]