Numpy常用操作

最新推荐文章于 2022-03-10 00:33:36 发布
最新推荐文章于 2022-03-10 00:33:36 发布
阅读量416 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： python numpy 数据挖掘 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34640722/article/details/103759429
版权

广播机制

import numpy as np 

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

c = 1+ b
c

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

d = 2*b
b

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

一 数组的生成方式

列表方式

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

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

内置方法 默认浮点数

np.zeros(5)

array([0., 0., 0., 0., 0.])

np.ones(5)

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

指定数据类型 datype

np.ones(5, dtype='int')

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

np.ones(5, dtype='bool')

array([ True,  True,  True,  True,  True])

指定填充值 fill

a = np.ones(5)
a.fill(5)
a
# fill中的数据和原始数据类型相同

array([5., 5., 5., 5., 5.])

a.fill(3.5)
a
# 强制转化为原始数据类型

array([3.5, 3.5, 3.5, 3.5, 3.5])

# 采用 astype 进行转换a.astype('floate')

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

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

生成等差数列

a = np.arange(1, 10)
a

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

a = np.arange(1, 10, 2)
a

array([1, 3, 5, 7, 9])

a = np.linspace(1,10, 11)
a

array([ 1. ,  1.9,  2.8,  3.7,  4.6,  5.5,  6.4,  7.3,  8.2,  9.1, 10. ])

生成随机数组

a = np.random.rand(10)
a

array([0.13947687, 0.65462116, 0.81451741, 0.55057774, 0.41840527,
       0.17633818, 0.52725956, 0.60188694, 0.11878766, 0.59086905])

a = np.random.randint(1,10)
a
#随机生成一个

8

a = np.random.randn(10)
a
# 随机正态分布

array([ 0.8226025 ,  1.28407151,  0.58721396, -0.51081168, -1.87262738,
       -0.80944086, -0.89137566, -0.56553122,  0.72389785,  1.1288713 ])

a = np.random.randint(1, 100, 10)
a

array([38, 84, 67, 92, 90, 42, 33, 89, 79, 41])

查看类型

type(a) # 数组类型

numpy.ndarray

a.dtype  #元素类型

dtype('int64')

a.shape # 数组形状

(10,)

a.size #元素数量

10

a.ndim # 纬度查看

1

索引与切片

a

array([38, 84, 67, 92, 90, 42, 33, 89, 79, 41])

a[0]

38

a[0]=50
a

array([50, 84, 67, 92, 90, 42, 33, 89, 79, 41])

a[2:6] # 左闭右开

array([67, 92, 90, 42])

a[2:-3]

array([67, 92, 90, 42, 33])

a[-6: 6]

array([90, 42])

a[2:]

array([67, 92, 90, 42, 33, 89, 79, 41])

a[-4:]

array([33, 89, 79, 41])

a[::2]

array([50, 67, 90, 33, 79])
累计票房
a = [21000, 21030, 21040, 21100, 21130, 21160] # 连续六日票房 计算各日票房 错位相减
a = np.array(a)
b = a[:-1]
c = a[1:]
b, c

(array([21000, 21030, 21040, 21100, 21130]),
 array([21030, 21040, 21100, 21130, 21160]))

c-b 

array([30, 10, 60, 30, 30])

多维数组

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

array([[1, 2, 3, 4],
       [4, 5, 6, 7],
       [2, 3, 4, 1]])

a.size , a.shape, a.ndim

(12, (3, 4), 2)

a[1,2] # 一行三列

6

a[1, 2]=30 # 索引修改
a

array([[ 1,  2,  3,  4],
       [ 4,  5, 30,  7],
       [ 2,  3,  4,  1]])

a[1] #行索引

array([ 4,  5, 30,  7])

a[:,1] # 第二列

array([2, 5, 3])

a[0:2, 1:3] # 0到1行 一到三列

array([[ 2,  3],
       [ 5, 30]])

a[1, 1:3] # 得到的是一维数组

array([ 5, 30])

a[1:2, 1:3]  # 得到的是二维数组

array([[ 5, 30]])

a[:,::2] # 奇数列

array([[ 1,  3],
       [ 4, 30],
       [ 2,  4]])

### 切片使用引用机制 并未分配新的内存空间 对a的索引的或切片的值修改 会使得原数组的值被修改
###  采用浅拷贝会或深拷贝的方法解决

b=a
b

array([[ 1,  2,  3,  4],
       [ 4,  5, 30,  7],
       [ 2,  3,  4,  1]])

b[2:,3:]=88

a

array([[ 1,  2,  3,  4],
       [ 4,  5, 30,  7],
       [ 2,  3,  4, 88]])

b = a.copy() # 为b重新申请内存
a

array([[ 1,  2,  3,  4],
       [ 4,  5, 30,  7],
       [ 2,  3,  4, 88]])

b[2:,3:]=99 
a
# 并未影响a的值

array([[ 1,  2,  3,  4],
       [ 4,  5, 30,  7],
       [ 2,  3,  4, 88]])

花式索引 返回一个对象的复制而非引用

index = [0,3, -1] #
a = np.arange(0, 100, 20)
a

array([ 0, 20, 40, 60, 80])

a[index]

array([ 0, 60, 80])

mask = np.array([1,0,3,0,1], dtype='bool')
mask

array([ True, False,  True, False,  True])

a[mask]

array([ 0, 40, 80])

## 二维索引

a = np.array([[1,2,22,4,5], [1,23,3,12,5], [1,61,3,4,5], [1,11,3,4,5], [1,2,3,4,5]])
a

array([[ 1,  2, 22,  4,  5],
       [ 1, 23,  3, 12,  5],
       [ 1, 61,  3,  4,  5],
       [ 1, 11,  3,  4,  5],
       [ 1,  2,  3,  4,  5]])

mask = [(0,1,3), (0,1,2)]
a[mask]

/Users/lama/miniconda3/envs/Sci/lib/python3.6/site-packages/ipykernel_launcher.py:2: FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
  





array([ 1, 23,  3])

a[2:, [1,2,3]]

array([[61,  3,  4],
       [11,  3,  4],
       [ 2,  3,  4]])

mask = np.array([1,0,1,1,0], dtype=bool)

a[mask, 1]

array([ 2, 61, 11])

### 不完全索
a[:3]

array([[ 1,  2, 22,  4,  5],
       [ 1, 23,  3, 12,  5],
       [ 1, 61,  3,  4,  5]])

where 语句判断 条件

a = np.array([1,0,10,12, 11])
a>10

array([False, False, False,  True,  True])

a[a>10]

array([12, 11])

np.where(a>10) # 返回大于10元素的位置

(array([3, 4]),)

a[np.where(a>10)]

array([12, 11])

数据类型转换

np.array([1,-2, 3,4.5], dtype=float)

array([ 1. , -2. ,  3. ,  4.5])
asarray(obj, type)
a = np.array([1,2,3,4,5,6])
b = np.asarray(a, dtype=float)
b

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

b[0]=0.3
b, a

(array([0.3, 2. , 3. , 4. , 5. , 6. ]), array([1, 2, 3, 4, 5, 6]))
astype(type)
a.astype(float) # 类似于上block 返回一个新的数组

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

数组常用操作

a = ['a','b','c','d','e','f','g','h','i','j','k'] # 电影名称
b = np.array([1000203, 453229, 3992039, 340845, 123432, 34895,456098, 456321, 458965, 1209321, 380495]) # 评分人数
c = np.array([7,8,6,6.5,8,9,7.7,8,9,8,7.5])  # 电影评分
d = np.array([130,140, 150, 145, 135, 143, 135,129, 144, 150, 134]) # 电影时长

np.sort(b) # 按照评分人数排

array([  34895,  123432,  340845,  380495,  453229,  456098,  456321,
        458965, 1000203, 1209321, 3992039])

## argsort 返回从小到大排序在数组中的位置
order = np.argsort(b)
order
order[0] # 获取到评分人数最少的

5

a[order[0]] # 获取到相应的电影名称

'f'

# 求和
np.sum(b)
b.sum()

8905843

np.max(b) # 求最大
b.max()

3992039

np.min(b) # 求最小
b.min()

34895

np.mean(b) # 求均值
b.mean()

809622.0909090909

b.std() # 求标准差
np.std(b)

1057380.8115000227

np.cov(b, c) # 求相关系数矩阵

array([[ 1.2298596e+12, -6.6570125e+05],
       [-6.6570125e+05,  8.6000000e-01]])

多维数组操作

数组形状
a = np.array([1,2,3,4,5,6,7,8])
a.shape=2, 4   # 该方法修改原来的数组
a

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

# 与之对应的 reshape 不会修改原来的数组 返回一个新的数组
b = a.reshape(4, 2)
b

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

a # a本身并未被修改

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

a.T # a的转置 保持原来的值

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

a.transpose()

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

数组的连接

# np.concatenate((a,b), axis=0)  0表示沿y轴进拼接 1代表沿x轴
x = np.array([[1,2,3], [4,5,7]])
y = np.array([[1,2,3], [4,5,7]])
z = np.concatenate((x,y), axis=0)
z

array([[1, 2, 3],
       [4, 5, 7],
       [1, 2, 3],
       [4, 5, 7]])

z.shape  # (4, 3) = (row, col)

(4, 3)

z = np.concatenate((x,y), axis=1)
z

array([[1, 2, 3, 1, 2, 3],
       [4, 5, 7, 4, 5, 7]])

z.shape  # (2, 6) = (row, col)

(2, 6)

z = np.array((x,y)) # 这种方式变成了一个三维数组
z

array([[[1, 2, 3],
        [4, 5, 7]],

       [[1, 2, 3],
        [4, 5, 7]]])

# vstack hstack dsatck
np.vstack((x, y))

array([[1, 2, 3],
       [4, 5, 7],
       [1, 2, 3],
       [4, 5, 7]])

np.hstack((x, y))

array([[1, 2, 3, 1, 2, 3],
       [4, 5, 7, 4, 5, 7]])

z = np.dstack((x,y))
z

array([[[1, 1],
        [2, 2],
        [3, 3]],

       [[4, 4],
        [5, 5],
        [7, 7]]])

z.shape   # (2, 3, 2)=(col, row, channel)

(2, 3, 2)

其他内置函数

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

array([-1,  1,  2, -3])

np.abs(a)   # 绝对值

array([1, 1, 2, 3])

np.exp(a)  #  指数

array([0.36787944, 2.71828183, 7.3890561 , 0.04978707])

np.median(a) # 中值

0.0

np.cumsum(a) # 累积和

array([-1,  0,  2, -1])

# 更多方法可查询官网
大佛plus
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python 数据错位相减，上下两行相减
夏日麦香的博客
04-20 6979
今天接到一个需求，要求用对数据进行错位相减。感觉写得有点麻烦，如果其他方法，欢迎留言交流 数据说明：有客户、消费日期、消费额度 求解目标：对于同一个客户，对日期升序排序，如果下一个日期的消费额度大于上一个日期的消费额度，则标记，最终取出第一次发生时对应的较大的日期 import pandas as pd import numpy as np df = pd.DataFrame({'per...
错位相减
LB_yifeng的博客
11-05 1649
如果数列 1,1+2,1+2+4,⋯ ,1+2+22+23+⋯+2n−1,⋯1,1+2,1+2+4,\cdots,1+2+2^2+2^3+\cdots+2^{n-1},\cdots1,1+2,1+2+4,⋯,1+2+22+23+⋯+2n−1,⋯ 的前 nnn 项和 Sn>1020S_n>1020Sn​>1020 则
numpy数组的相关操作
weixin_45588852的博客
03-10 2429
目录numpy数组的高级操作一、堆叠操作stackhstackvstack测试题目二、比较、掩码和布尔逻辑比较布尔数组作掩码布尔逻辑三、花式索引与布尔索引花式索引布尔索引四、广播机制广播是什么广播的原则五、线性代数常用函数测试题目 numpy数组的高级操作 本文为机器学习课程中的笔记。 一、堆叠操作 stack stack的意思是堆叠的意思，所谓的堆叠就是将两个ndarray对象堆叠在一起组合成一个新的ndarray对象。根据堆叠的方向不同分为hstack以及vstack两种。 hstack hstack为
pandas 中上下两行相减(隔行相减) -- shift函数的使用
qq1483661204的博客
04-05 5万+
pandas 中上下两行相减(隔行相减) -- shift函数的使用最近使用pandas处理数据，需求是想相邻两行上下相减，查API发现shift函数，很灵活，。你也可以隔任意行相减。p['xx_1'] = p["xx"].shift(1)上面得到的就是xx字段向下移动一行的结果，和之前相比向下移动一行，你可以设置为任意行，也可是向上向下p['xx'] - p["xx_1"]这就是前后两行的差值，...
什么？多个体多维度分析效率能从3天压缩到30分钟？
weixin_33946605的博客
08-10 165
2019独角兽企业重金招聘Python工程师标准>>> ...
教程 | NumPy常用操作
01-06
NumPy 是 Python 语言的一个扩充程序库。支持高效的多数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy 的科学计算十分高效，因此弥补了 Python 在运算效率上的不足。 在本文中，我们将简单介绍在...
Numpy常用操作及使用方法实例（源码演示版）
12-14
NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持...
python dataframe， numpy 常用操作 _ 个人整理.pdf
03-18
python dataframe， numpy 常用操作 _ 个人整理.pdf
Python numpy 常用函数总结
12-23
Numpy是Python编程语言中的一个核心库，专用于数值计算和科学计算。它提供了一种高效的数据结构，即数组（也称为向量或矩阵）...对于初学者和专业人士来说，熟悉并掌握Numpy的这些常用函数，无疑是提高工作效率的关键。
【Python数据清洗】python 错位相减，同一行（列）的错位相相减shift（）
小猪课堂的博客
10-09 2106
今天接到一个需求，要求对数据错位相减。感觉写得有点麻烦，如果有其他方法，欢迎留言交流 数据说明：有客户、消费日期、消费额度 求解目标：对于同一个客户，对日期升序排序，如果下一个日期的消费额度大于上一个日期的消费额度，则标记，最终取出第一次发生时对应的较大的日期 最简单的方法是使用 pandas.Series.shift 具体可参考官方文档 https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.shift.html
python numpy数据相减
weixin_30388677的博客
07-16 2771
numpy数据相减，a和b两者shape要一样,然后是对应的位置相减。要不然，a的shape可以是（1，m），注意m要等于b的列数。 import numpy as np a = [ [0, 1, 2] ] a = np.array(a) b = [ [1.0,1.1, 3], [1.0,1.0, 3], [0...
pythonslice_shift_python 数据错位相减，上下两行相减
weixin_39934613的博客
12-10 841
今天接到一个需求，要求用对数据进行错位相减。感觉写得有点麻烦，如果其他方法，欢迎留言交流数据说明：有客户、消费日期、消费额度求解目标：对于同一个客户，对日期升序排序，如果下一个日期的消费额度大于上一个日期的消费额度，则标记，最终取出第一次发生时对应的较大的日期最简单的方法是使用 pandas.Series.shift 具体可参考官方文档https://pandas.pydata.org/panda...
Python - 实现数组相减
FinixLei的专栏 (https://github.com/FinixLei)
03-04 1万+
问题描述： 有2个数组如下 a = [3,3,3,4,4,4,5,6,7] b = [3,3,4,4] 第1题：从数组a中删除所有在数组b中出现过的元素。对于上例来说，a删除结束应该等于 [5, 6, 7]. 第2题：实现 c = a - b ， c应该等于[3, 4, 5, 6, 7]. 先看第1题： 常规的思维大致会这么写代码： for i in a: if i i...
【Python基础库】-在dataframe中错位相减-使用shift()函数
小猪课堂的博客
04-28 6523
shift 英文：偏移 DataFrame.shift(periods=1, freq=None, axis=0) 参数 periods：类型为int，表示移动的幅度，可以是正数，也可以是负数，默认值是1，1就表示移动一次，注意这里移动的都是数据，而索引是不移动的，移动之后没有对应值的，就赋值为NaN。 freq： DateOffset, timedelta, or time rule stri...
pandas.DataFrame 的操作简单经验（创建，索引，增添，删除）
热门推荐
月亮在哪里？
03-16 7万+
pandas.DataFrame 的操作简单经验（创建，索引，增添，删除） 在网上搜过许多关于pandas.DataFrame的操作说明，都是一些基础的操作，但是这些操作组合起来还是比较费时间去正确操作DataFrame，花了我挺长时间去调整BUG的。我在这里做一些总结，方便你我他。
数列求和总结
08-28 1418
特殊数列的求和1. ∑nj=1j⋅2j\sum_{j=1}^nj\cdot 2^j错位相减：Sn=2Sn=1⋅21+2⋅22+…+1⋅21+…+n⋅2n(n−1)⋅2n+n⋅2n+1 \begin{split} &S_n=&1\cdot 2^1+&2\cdot 2^2+\ldots + &n\cdot 2^n&\;\\ &2S_n=&\;&1\cdot2^1+\ldots+&(n-1)\cdot2^
python数据处理——numpy
07-04 139
标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。 此外Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似...
Python 中矩阵或者数组相减的法则
dake13的博客
07-04 5万+
最近在做编程练习，发现有些结果的值与答案相差较大，通过分析比较得出结论，大概过程如下：定义了一个计算损失的函数：def error(yhat,label): yhat = np.array(yhat) label = np.array(label) error_sum = ((yhat - label)**2).sum() return error_sum主要出现问...
简要描述numpy常用切片操作
最新发布
04-21
好的，关于numpy常用切片操作，我们可以使用下标、切片和布尔索引三种方式。其中下标就是用一个具体的数字序号来索引，例如a[1]就是取数组a中下标为1的元素。切片是把数组的一部分取出来，这部分可以是一个区间，例如a[1:3]表示取a数组中下标从1到2的元素。布尔索引则是使用一个布尔值的数组来进行索引，例如要从a数组中取出大于5的元素，则可以使用a[a>5]的形式。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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