Numpy库入门与学习

简介

1.numpy优势

开源科学计算库，用于快速处理多个维度的数组，使用简洁高效，使用ndarray对象处理多维数组，该对象是一个快速灵活的大数据容器。其运算速度快是基于内存块存储风格，并行化运算，底层语言
由C语言编写，不受python解释器的限制，解除了GIL。

2.ndarry属性

名字	解释
ndarry.shape	数组维度元组
ndarry.ndim	数组维度
ndarry.size	数组中元素数量
ndarry.itemsize	数组元素长度（字节）
ndarry.dtype	数组元素类型

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

输出为（2，2，3）,几个维度几个数字，由嵌套情况得到shape

a=np.array([1,5,6],dtype="float32")
a.dtype

输入为dtype('float32')，此为指定数据类型的方式，不指定
的话，整形默认为int64，浮点为float64

3.基本操作

包括ndarray.方法()和np.函数名()两种方式

3.1生成数组的方法

• 生成0和1
  np.zeros(shape)
  np.ones(shape)
  例如

np.zeros(shape=(3,4))

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

np.ones(shape=(2,4),dtype="float32")

输出为array([[ 1.,  1.,  1.,  1.],
   [ 1.,  1.,  1.,  1.]], dtype=float32)

• 从现有数组中生成
  np.array()和np.copy 深拷贝，会跟随元数组变化
  np.asarray() 浅拷贝，不会跟随原数组变化
• 生成固定范围数组
  np.linspace(0,10,100)
  [0,10]之间等距100个数
  np.arange(a,b,c)
  类似range(a,b,c),[a,b]之间，c个步长
• 生成随机数组
  np.random模块
  1.均匀分布
  np.random.uniform(low,high,size)
  例如

data1=np.random.uniform(low=-1,high=1,size=1000000)
plt.figure(figsize=(20,8),dpi=80)
plt.hist(data1,1000)	#数据 组数
plt.show()

2.正态分布
两个参数μ和σ，代表数据的平均值和标准差
np.random.normal(loc=0.0,scale=1.0,size=None)

data2=np.random.normal(loc=1.75,scale=0.1,size=1000000)
plt.figure(figsize=(20,8),dpi=80)
plt.hist(data2,1000)
plt.show()

3.2案例（数组的切片索引）

随机生成8支股票2周的交易日数据

data3=np.random.normal(loc=0,scale=1,size=(8,10))

#获取第一个股票前3个交易日的数据  索引
data3[0,0:3]

#行列反转  形状修改
#data3.reshape(10,8)     #只是重新分割，返回新的数组，不改变原始数组
#data3.resize(10,8)        #无返回值，对原始的数据更改，重新分割
data3.T                           #数组转置

3.2数组类型修改

ndarray.astype(type) 如ndarray.astype(“int32”);
ndarray序列化到本地
ndarray.tostring()

3.2数组去重

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

输出为array([1, 2, 3, 4, 5, 6])

4.ndarray运算

4.1逻辑运算

data4=np.random.normal(loc=1.75,scale=0.1,size=1000000)
#逻辑判断，涨跌幅大于0.5标记为True，否则为False
data4>0.5
#布尔索引
data4[data4>0.5]

4.2通用判断函数

np.all(bool)
有一个False则返回False，都是True返回True
np.any()
有一个True则返回True，都是False返回False

4.3三元运算符

np.where(bool,True位置的值，False位置的值)
根据bool将数组化为布尔数组，再根据后两个参数将数组变为相应的值。
复合逻辑运算：
np.logical_and()和np.logical_or()
例如 np.logical_and(temp>0.5,temp<1)
np.logical_or(temp<-0.5,temp>0.5)

将temp<-0.5和temp>0.5之间的数置为1，其余为0
np.where(np.logical_or(temp<-0.5,temp>0.5),1,0)

4.4统计运算

1. 统计指标函数
   np.min(),np.max(),np.mean(),np.median(),np.var(),np.std()

temp=np.array(
[
    [1,2,3,4],
    [3,4,5,6],
    [5,7,1,4],
    [2,8,5,3]
])
#按列求最大值
temp.max(axis=0)
#按行求最大值
np.max(temp,axis=1)

返回最大值，最小值的索引
np.argmax(temp,axis=)
np.argmin(temp,axis=)

5.数组间运算

5.1数组与数运算

temp=np.array(
[
    [1,2,3,4],
    [3,4,5,6],
    [5,7,1,4],
    [2,8,5,3]
])
#数组中每一个数加一
temp+1

5.2数组与数组运算

需要满足广播机制，只有满足以下两种情况才可进行数组间运算

• 维度相等
• shape（其中相对应的地方为1）
  例如
  
  反例
  
  程序
  

6.矩阵运算

6.1矩阵–二维数组

存储方法

• ndarray数组
• matrix数据结构

temp3=np.array(
[
    [1,2],
    [3,4],
    [5,7],
    [2,8]
])
temp4=np.mat(
[
    [1,2],
    [3,4],
    [5,7],
    [2,8]
])

6.2矩阵乘法

形状：（m，n)*(n，l)=(m,l)
ndarray存储相乘的方法：

• np.matmul()
• np.dot()
  matrix存储相乘
• matrix1*matrix2

#ndarray存储
temp3=np.array(
[
    [1,2],
    [3,4],
    [5,7],
    [2,8]
])
temp4=np.array(
[
    [1,2,3,4],
    [3,4,3,2],
])
np.matmul(temp3,temp4)
np.dot(temp3,temp4)

#matrix相乘
matrix1=np.mat(temp3)
matrix2=np.mat(
[    [1,2,3,4],
    [3,4,3,2],])
matrix1*matrix2

7.合并与分割

7.1合并

• np.hstack(a1,a2) colum拼接
• np.vstack(a1,a2) row拼接
• np.concatenate((a1,a2,…),axis=0) //竖直拼接 列
• np.concatenate((a1,a2,…),axis=1) //水平拼接 行
  

7.2分割

• np.split()
  

8.IO操作与数据处理

8.1 读取文件

不适合读取，不支持字符串读取，一般用PANDAS

• test=np.genfromtxt(“test.csv”,delimiter=’,’) 路径名 分隔符