Numpy之ndarray学习心得

Numpy 高效的运算工具
Numpy的优势
ndarray对象，属于numpy的n维数组对象
基本操作
ndarray.方法()
numpy.函数名()
ndarray运算
逻辑运算
统计运算
数组间运算
合并、分割、IO操作、数据处理

3.1 Numpy优势
3.1.1 Numpy介绍 - 数值计算库
num - numerical 数值化的
py - python
ndarray
n - 任意个
d - dimension 维度
array - 数组
3.1.2 ndarray介绍
3.1.3 ndarray与Python原生list运算效率对比
3.1.4 ndarray的优势
1）存储风格
ndarray - 相同类型 - 通用性不强
list - 不同类型 - 通用性很强
2）并行化运算
ndarray支持向量化运算
3）底层语言
C语言，解除了GIL
3.2 认识N维数组-ndarray属性
3.2.1 ndarray的属性
shape
ndim (维度)
size （大小）
dtype （类型）
itemsize（一个元素所占大小，字节）
在创建ndarray的时候，如果没有指定类型
默认
整数 int64
浮点数 float64
3.2.2 ndarray的形状
[1, 2, 3, 4]

[[1, 2, 3, 4],
[1, 2, 3, 4],
[1, 2, 3, 4]]

[[[1, 2, 3, 4],
  [1, 2, 3, 4],
  [1, 2, 3, 4]],

  [[1, 2, 3, 4],
  [1, 2, 3, 4],
  [1, 2, 3, 4]],
[[1, 2, 3, 4],
[1, 2, 3, 4],
[1, 2, 3, 4]]]
3.2.3 ndarray的类型

3.3 基本操作
ndarray.方法()
np.函数名()
np.array() (生成数组，一般往里放数，np.array([1,2,3,4]))
3.3.1 生成数组的方法
1）生成0和1
np.zeros(shape)
np.ones(shape)
2）从现有数组中生成
np.array() np.copy() 深拷贝
np.asarray() 浅拷贝
3）生成固定范围的数组
np.linspace(0, 10, 100)
[0, 10] 等距离

        np.arange(a, b, c)
            range(a, b, c)
                [a, b) c是步长
    4）生成随机数组(np.random模块)
        分布状况 - 直方图
        1）均匀分布
            每组的可能性相等
			
			np.random.rand(d0,d1,...dn)  //返回[0.0到1.0)内一组均匀的数，参数表示维度
			np.random.uniform(low=0.0,high=1.0,size=None)	
			功能：从一个均匀分布[low,high)中随机采样，包含low，不包含high
			参数：low  采样下界，float类型，默认值为0
				  high  采样上界，float类型，默认值为1
				  size	输出样本数目，为int或touple元祖，例如size=（m,n,k)。则输出mnk个样本，缺省时输出1个值
				  返回值:ndarray类型，其形状和参数size中描述一致
			np.random.randint(low,high=None,size=None,dtype='1')
			从一个均匀分布中随机采样，生成一个整数或n维整数数组，取数范围：若high不为None时，取[low,high)之间随机整数，
			否则取[0,low)之间随机整数
			
        2）正态分布
            σ 幅度、波动程度、集中程度、稳定性、离散程度
			np.random.normal(loc,scale,size)
			参数说明：loc  均值，  scale   标准值   size 生成数据的个数
			
			画布
			import matplotlib.pyplot as plt
			#创建画布
			plt.figure(figsize,dpi)      figsize 画布大小，可以是一个二维数组，dpi是像素
			#绘制直方图
			plt.dist(data,1000)    data指定每个bin(箱子)分布的数据,对应x轴，
									1000 指定bin(箱子)的个数,也就是总共有几条条状图
			#图像显示
			plt.show()
			
3.3.2 数组的索引、切片	
3.3.3 形状修改
    ndarray.reshape(shape) 返回新的ndarray，原始数据没有改变
    ndarray.resize(shape) 没有返回值，对原始的ndarray进行了修改
    ndarray.T 转置 行变成列，列变成行
3.3.4 类型修改
    ndarray.astype(type)
    ndarray序列化到本地
    ndarray.tostring()
3.3.5 数组的去重
    set()

3.4 ndarray运算
逻辑运算
布尔索引
通用判断函数
np.all(布尔值)
只要有一个False就返回False，只有全是True才返回True
np.any()
只要有一个True就返回True，只有全是False才返回False
np.where（三元运算符）
np.where(布尔值, True的位置的值, False的位置的值)
统计运算
统计指标函数
min, max, mean, median, var, std
np.函数名
ndarray.方法名
返回最大值、最小值所在位置
np.argmax(temp, axis=)
np.argmin(temp, axis=)
数组间运算
3.5.1 场景
3.5.2 数组与数的运算
3.5.3 数组与数组的运算
3.5.4 广播机制
3.5.5 矩阵运算
1 什么是矩阵
矩阵matrix 二维数组
矩阵 & 二维数组
两种方法存储矩阵
1）ndarray 二维数组
矩阵乘法：
np.matmul
np.dot
2）matrix数据结构
2 矩阵乘法运算
形状
(m, n) * (n, l) = (m, l)
运算规则
A (2, 3) B(3, 2)
A * B = (2, 2)
3.6 合并、分割
3.7 IO操作与数据处理
3.7.1 Numpy读取
3.7.2 如何处理缺失值
两种思路：
直接删除含有缺失值的样本
替换/插补
按列求平均，用平均值进行填补