【python数据分析】Numpy 的 6 种高效函数

我们都知道，Numpy 是 Python 环境下的扩展程序库，支持大量的维度数组和矩阵运算；在日常的数据分析中都发挥着重要作用，如果没有 Numpy 的支持，数据分析将变得异常困难。但有时我们需要加快数据分析的速度，有什么办法可以帮助到我们吗？

在本文中，我为大家介绍6 种 Numpy 函数。这些高效的函数会令数据分析更为容易、便捷。

Numpy 的 6 种高效函数

Numpy 是用于科学计算的 Python 语言扩展包，通常包含强大的 N 维数组对象、复杂函数、用于整合 C/C++和 Fortran 代码的工具以及有用的线性代数、傅里叶变换和随机数生成能力。

除了上面这些明显的用途，Numpy 还可以用作通用数据的高效多维容器（container），定义任何数据类型。这使得 Numpy 能够实现自身与各种数据库的无缝、快速集成。

接下来一一解析 6 种 Numpy 函数。

argpartition()

借助于 argpartition()，Numpy 可以找出 N 个最大数值的索引，也会将找到的这些索引输出。然后我们根据需要对数值进行排序。

x = np.array(\[12, 10, 12, 0, 6, 8, 9, 1, 16, 4, 6, 0\])  
index\_val = np.argpartition(x, -4)\[-4:\]  
index\_val  

output

array(\[1, 8, 2, 0\], dtype=int64)np.sort(x\[index\_val\])  
array(\[10, 12, 12, 16\])  

allclose()

allclose() 用于匹配两个数组，并得到布尔值表示的输出。如果在一个公差范围内（within a tolerance）两个数组不等同，则 allclose() 返回 False。该函数对于检查两个数组是否相似非常有用。

array1 = np.array(\[0.12,0.17,0.24,0.29\])  
array2 = np.array(\[0.13,0.19,0.26,0.31\])# with a tolerance of 0.1, it should return False:  
np.allclose(array1,array2,0.1)  

output

False  

又例如

np.allclose(array1,array2,0.2)  

output

False  

Clip()

Clip() 使得一个数组中的数值保持在一个区间内。有时，我们需要保证数值在上下限范围内。为此，我们可以借助 Numpy 的 clip() 函数实现该目的。给定一个区间，则区间外的数值被剪切至区间上下限（interval edge）

x = np.array(\[3, 17, 14, 23, 2, 2, 6, 8, 1, 2, 16, 0\])  
np.clip(x,2,5)  

output

array(\[3, 5, 5, 5, 2, 2, 5, 5, 2, 2, 5, 2\])  

extract()

顾名思义，extract() 是在特定条件下从一个数组中提取特定元素。借助于 extract()，我们还可以使用 and 和 or 等条件。

# Random integers  
array = np.random.randint(20, size=12)  
array  

output

array(\[ 0,  1,  8, 19, 16, 18, 10, 11,  2, 13, 14,  3\])#  Divide by 2 and check if remainder is 1  

又例如

cond = np.mod(array, 2)==1  
cond  

output

array(\[False,  True, False,  True, False, False, False,  True, False, True, False,  True\])# Use extract to get the values  

又例如

np.extract(cond, array)  

output

array(\[ 1, 19, 11, 13,  3\])# Apply condition on extract directly  

又例如

np.extract(((array < 3) | (array > 15)), array)  

output

array(\[ 0,  1, 19, 16, 18,  2\])  

where()

Where() 用于从一个数组中返回满足特定条件的元素。比如，它会返回满足特定条件的数值的索引位置。Where() 与 SQL 中使用的 where condition 类似，如以下示例所示：

y = np.array(\[1,5,6,8,1,7,3,6,9\])# Where y is greater than 5, returns index position  
np.where(y>5)  

output

array(\[2, 3, 5, 7, 8\], dtype=int64),)# First will replace the values that match the condition,   

又例如

# second will replace the values that does not  
np.where(y>5, "Hit", "Miss")  

output

array(\['Miss', 'Miss', 'Hit', 'Hit', 'Miss', 'Hit', 'Miss', 'Hit', 'Hit'\],dtype='<U4')  

percentile()

Percentile() 用于计算特定轴方向上数组元素的第 n 个百分位数。

a = np.array(\[1,5,6,8,1,7,3,6,9\])  
print("50th Percentile of a, axis = 0 : ",  np.percentile(a, 50, axis =0))  

output

50th Percentile of a, axis = 0 :  6.0  

又例如

b = np.array(\[\[10, 7, 4\], \[3, 2, 1\]\])  
print("30th Percentile of b, axis = 0 : ",  np.percentile(b, 30, axis =0))  

output

30th Percentile of b, axis = 0 :  \[5.1 3.5 1.9\]  

这就是 Numpy 扩展包的 6 种高效函数，相信会为你带来帮助。

好了，今天的分享就到这里了！最后多说一句，小编也是一名python开发工程师，这里有我自己整理的一套最新的python系统学习教程，如果你需要的话，微信扫描下方CSDN官方认证二维码即可领取

零基础Python学习资源介绍

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，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。

二、Python学习软件

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！

三、Python入门学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~

四、Python练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！

五、Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。这份资料也包含在内的哈~

六、Python面试资料

我们学会了Python之后，有了技能就可以出去找工作啦！下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂，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。

七、资料领取

上述完整版Python全套学习资料已经上传CSDN官方，需要的小伙伴可自行微信扫描下方CSDN官方认证二维码免费领取