numpy是一个开源的Python科学计算基础库,是Scipy、Pandas等数据处理或科学计算的库的基础。
Numpy数组对象:ndarray
ndarray是一个多维数组对象,由实际的数据和描述这些数据的元数据(数据维度、数据类型)构成。
1.ndarray对象的属性
.ndim | 秩,即轴的数量或维度的数量 |
---|---|
.shape | ndarray对象的尺度,对于矩阵,n行m列 |
.size | ndarray对象元素的个数,相当于.shape中的n*m的值 |
.dype | ndarray对象元素类型 |
.itemsize | ndarray对象中每个元素的大小,以字节为单位 |
import numpy as np
a = np.array([[0,1,2,3,4],
[9,8,7,6,5]])
a.ndim
Out[2]: 2
a.shape
Out[3]: (2, 5)
a.size
Out[4]: 10
a.dtype
Out[5]: dtype('int32')
a.itemsize
Out[6]: 4
2.ndarray数组的创建
1)可以从python的列表、元组等类型创建
x = np.array([1,2,3,4])
y = np.array((5,6,7,8))
z = np.array([ [1,2],(8,9),[5,6] ])
2)使用numpy中函数创建
np.arange(n) | 类似range()函数,返回ndarray类型,元素从0到n-1 |
---|---|
np.ones(shape) | 根据shape生成一个全1数组,shape是元组类型 |
np.zeros(shape) | 根据shape生成一个全0数组 |
np.full(shape,val) | 根据shape生成一个数组,每个元素值都是val |
np.eye(n) | 创建一个正方的n*n矩阵,对角线为0,其余为0 |
a = np.arange(10)
a
Out[10]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
b = np.ones((3,6)) #np.zeros同理
b
Out[12]:
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
c = np.eye(3)
c
Out[17]:
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
3)使用numpy中的其它函数创建
函数 | 说明 |
---|---|
np.linspace() | 根据起始数据等间距的填充数据,形成数组 |
np.concatenate() | 将两个或多个数组合并成一个新的数组 |
a = np.linspace(1,10,4)
a
Out[30]: array([ 1., 4., 7., 10.])
b = np.linspace(1,10,4,endpoint=False) #不保留末尾等距划分
b
Out[33]: array([1. , 3.25, 5.5 , 7.75])
c = np.concatenate((a,b))
c
Out[37]: array([ 1. , 4. , 7. , 10. , 1. , 3.25, 5.5 , 7.75])
3.ndarray数组的变换
1)numpy数组的维度变换
方法 | 说明 |
---|---|
.reshape(shape) | 不改变数组元素,返回一个shape形状的数组,原数组不变 |
.resize(shape) | 与.reshape()功能一致,但修改原数组 |
.swapaxes(ax1,ax2) | 将数组n个维度中两个维度进行调换 |
.flatten() | 对数组进行降维,返回折叠后的一维数组,原数组不变 |
'''
reshape
'''
a = np.ones((2,3,4))
a.shape
Out[47]: (2, 3, 4)
b = a.reshape(3,8)
b.shape
Out[49]: (3, 8)
a.shape #a原维度不改变
Out[50]: (2, 3, 4)
'''
resize
'''
a = np.ones((2,3,4))
a.shape
Out[52]: (2, 3, 4)
a.resize((3,8))
a.shape #维度改变
Out[54]: (3, 8)
'''
swapaxes
'''
b = np.ones((2,3,4))
b.shape
Out[71]: (2, 3, 4)
c = b.swapaxes(0,2) #将b的第0个维度与第2个维度互换
c.shape
Out[73]: (4, 3, 2)
'''
flatten
'''
a = np.ones((2,3,4),dtype=np.int32)
a
Out[75]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
a.flatten()
Out[76]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1])
2)numpy数组的类型变换
new_a = a.astype(new_type)
a = np.ones((2,3,4),dtype=np.int)
a
Out[78]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
b = a.astype(np.float) #astype会创建一个新的数组
b
Out[80]:
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
3)数组向列表的转换
ls = a.tolist()
a = np.full((2,3,4),25,dtype=np.int32)
a
Out[82]:
array([[[25, 25, 25, 25],
[25, 25, 25, 25],
[25, 25, 25, 25]],
[[25, 25, 25, 25],
[25, 25, 25, 25],
[25, 25, 25, 25]]])
a.tolist()
Out[83]:
[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]],
[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]
4.ndarray数组的变换
索引:获取数组中特定位置元素的过程
a = np.arange(24).reshape((2,3,4))
a
Out[85]:
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]]])
a[1,2,3] #索引从0开始,即第二部分的第3行,第4列
Out[86]: 23
a[-1,-2,-3] #负数索引从-1开始,即倒数第一部分的倒数第2行,倒数第3列
Out[87]: 17
切片:获取数组元素中子集的过程
a = np.arange(24).reshape((2,3,4))
a
Out[85]:
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]]])
a[:,1:3,:] #截取a的[第一维的全部,第二维的第2、3行,第三位的全部]
Out[88]:
array([[[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[16, 17, 18, 19],
[20, 21, 22, 23]]])
5.ndarray数组的运算
1)numpy一元函数
函数 | 说明 |
---|---|
np.abs(x) np.fabs(x) | 计算数组各元素的绝对值 |
np.sqrt(x) | 计算数组各元素的平方根 |
np.square(x) | 计算数组各元素的平方 |
np.log(x),np.log10(x),np.log2(x) | 计算数组各元素的自然对数、10底对数和2底对数 |
np.ceil(x) np.floor(x) | 计算数组各元素的ceiling值或floor值 |
函数 | 说明 |
---|---|
np.rint(x) | 计算数组各元素的四舍五入值 |
np.modf(x) | 将数组各元素的小数和整数部分以两个独立数组形式返回 |
np.cos(x),np.cosh(x),np.sin(x),np.sinh(x),np.tan(x),np.tanh(x) | 计算数组各元素的普通型和双曲型三角函数 |
np.exp(x) | 计算数组各元素的指数值 |
np.sign(x) | 计算数组各元素的符号值,1(+), 0, ‐1(‐) |
2)numpy二元函数
函数 | 说明 |
---|---|
+ ‐ * / ** | 两个数组各元素进行对应运算 |
np.maximum(x,y),np.fmax(),np.minimum(x,y),np.fmin() | 元素级的最大值/最小值计算 |
np.mod(x,y) | 元素级的模运算 |
np.copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
> < >= <= == != | 算术比较,产生布尔型数组 |
数组运算易于理解,此处不再举例赘述。
6.Numpy的随机数函数
1)Numpy的random子库
函数 | 说明 |
---|---|
rand(d0,d1…dn) | 根据d0‐dn创建随机数数组,浮点数,[0,1),均匀分布 |
randn(d0,d1,…,dn) | 根据d0‐dn创建随机数数组,标准正态分布 |
randint(low,high,shape) | 根据shape创建随机整数或整数数组,范围是[low, high) |
seed(s) | 随机数种子,s是给定的种子值 |
例:
import numpy as np
a = np.random.rand(2,3,4)
a
Out[2]:
array([[[0.39053204, 0.82743388, 0.50418999, 0.26268148],
[0.44582807, 0.67588104, 0.901828 , 0.38880247],
[0.64931232, 0.94725549, 0.27874093, 0.88845778]],
[[0.97217821, 0.86100128, 0.99515125, 0.15005931],
[0.95351332, 0.21181722, 0.49377348, 0.10982361],
[0.89535871, 0.99998956, 0.5386976 , 0.48568453]]])
b = np.random.randn(3,4,5)
b
Out[4]:
array([[[ 1.48492942e+00, 1.22595943e+00, 5.95710613e-01,
-3.70950955e-01, -1.56564895e+00],
[ 1.27614086e+00, -5.46633298e-01, 1.83822611e-01,
1.31067992e-01, -1.08394910e+00],
[-1.35873177e-01, 5.45567627e-01, -9.37038456e-01,
1.92297721e+00, -1.63785429e+00],
[ 3.86016590e-01, -1.09928741e+00, -6.80522390e-01,
6.75034591e-01, -6.82283409e-01]],
[[-1.18106948e+00, -1.08124706e+00, -5.12746209e-01,
1.53111161e+00, 9.14966592e-01],
[-2.13841493e-01, 3.95984231e-01, -1.92235450e-01,
8.43022247e-01, 5.93918469e-01],
[-1.14287091e+00, 2.28588858e-01, 5.05621353e-01,
-1.61885388e+00, -9.12511529e-01],
[-2.25607175e-01, -1.17176332e+00, -4.70842178e-01,
-1.48230718e+00, 4.94029408e-01]],
[[-2.03243973e-01, -4.79461544e-01, -1.36359008e-01,
1.20964184e+00, -9.04956841e-01],
[-3.65109262e-01, 2.22399217e-01, -1.87962923e+00,
-4.35371487e-01, -3.37020072e-01],
[ 6.41337275e-02, 1.77665789e+00, 8.38965367e-01,
1.06037641e+00, 2.03461935e-01],
[ 9.07789904e-01, 1.79435419e+00, 1.16821130e-03,
-3.36610743e-01, -1.19475602e-01]]])
c = np.random.randint(100,200,(3,4))
c
Out[6]:
array([[189, 109, 174, 168],
[132, 134, 114, 175],
[157, 120, 133, 117]])
'''
seed()后,np,random.random()就可以产生一组随机数,
如果使用相同的seed()值,则每次生成的随机数都相同;
如果只设置一次或不设置seed(),那么每次生成的随机数不同.
下面介绍两次产生相同随机数:
'''
np.random.seed(10)
a = np.random.rand(2,3)
a
Out[18]:
array([[0.77132064, 0.02075195, 0.63364823],
[0.74880388, 0.49850701, 0.22479665]])
np.random.seed(10)
b = np.random.rand(2,3)
b
Out[21]:
array([[0.77132064, 0.02075195, 0.63364823],
[0.74880388, 0.49850701, 0.22479665]])
2)np.random的随机数函数2
函数 | 说明 |
---|---|
uniform(low,high,size) | 产生均匀分布的数组,low起始值,high结束值,size形状 |
normal(loc,scale,size) | 产生正态分布的数组,loc均值,scale标准差,size形状 |
poisson(lam,size) | 产生泊松分布的数组,lam随机事件发生率,size形状 |
import numpy as np
u = np.random.uniform(0,10,(3,4))
u
Out[23]:
array([[6.06146751, 1.12664601, 5.43920447, 7.20798582],
[8.65815366, 1.46701124, 1.0338107 , 4.90554679],
[0.29179556, 5.9486095 , 2.05845476, 2.02802974]])
n = np.random.normal(10,5,(3,4))
n
Out[25]:
array([[ 8.37229023, 13.1917399 , 16.49705952, 7.70581423],
[ 3.72478643, 8.25315879, 11.20466294, 15.91706436],
[12.8341268 , 3.29857212, 15.90290114, 7.42705624]])
3)numpy的统计函数1
函数 | 说明 |
---|---|
sum(a, axis=None) | 根据给定轴axis计算数组a相关元素之和,axis整数或元组 |
mean(a, axis=None) | 根据给定轴axis计算数组a相关元素的期望,axis整数或元组 |
average(a,axis=None,weights=None) | 根据给定轴axis计算数组a相关元素的加权平均值 |
std(a, axis=None) | 根据给定轴axis计算数组a相关元素的标准差 |
var(a, axis=None) | 根据给定轴axis计算数组a相关元素的方差 |
注:axis=None 是统计函数的标配参数
import numpy as np
a = np.arange(15).reshape(3,5)
a
Out[27]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
np.sum(a)
Out[28]: 105
np.mean(a)
Out[29]: 7.0
np.mean(a,axis=1) #按行平均
Out[31]: array([ 2., 7., 12.])
np.mean(a,axis=0) #按列平均
Out[32]: array([5., 6., 7., 8., 9.])
np.average(a,axis=0,weights=[10,5,1]) #按列加权平均,如第三列:(2*10+7*5+12*1)/(10+5+1)=4.1875
Out[36]: array([2.1875, 3.1875, 4.1875, 5.1875, 6.1875])
np.std(a)
Out[37]: 4.320493798938574
np.var(a)
Out[38]: 18.666666666666668
3)numpy的统计函数2
函数 | 说明 |
---|---|
min(a) max(a) | 计算数组a中元素的最小值、最大值 |
argmin(a) argmax(a) | 计算数组a中元素最小值、最大值的降一维后下标 |
unravel_index(index, shape) | 获取第index个值的索引在一个多维数组(尺寸为shape)中的位置 |
ptp(a) | 计算数组a中元素最大值与最小值的差 |
median(a) | 计算数组a中元素的中位数(中值) |
import numpy as np
a = np.array([[2,5,6],[7,6,1]])
a
Out[41]:
array([[2, 5, 6],
[7, 6, 1]])
np.max(a)
Out[42]: 7
np.argmin(a) #从二维降至1维后为[2,5,6,7,6,1],最小值为1,下标为5
Out[43]: 5
np.argmin(a,axis=0)#按列,对[2,7]来说,最小下标为0;对[5,6]来说,最小值下标为0,对[6,1]为1,故输出[0,0,1]
Out[44]: array([0, 0, 1], dtype=int64)
np.argmin(a,axis=1)#按行,对[2,5,6]来说,最小下标为0;对[7,6,1]来说,最小值下标为2,故输出[0,2]
Out[45]: array([0, 2], dtype=int64)
np.ptp(a)
Out[47]: 6
np.median(a)
Out[48]: 5.5
np.unravel_index(np.argmin(a),a.shape) #np.argmin(a)为5,获取第5个索引即1在原数组中的位置
Out[49]: (1, 2)
4)numpy的梯度函数
函数 | 说明 |
---|---|
np.gradient(f) | 计算数组f中元素的梯度,当f为多维时,返回每个维度梯度 |
梯度:连续值之间的变化率,即斜率
XY坐标轴连续三个X坐标对应的Y轴值:a, b, c,其中,b的梯度是: (c‐a)/2
import numpy as np
a = np.random.randint(0,20,(5))
a
Out[66]: array([13, 2, 5, 17, 17])
np.gradient(a)
Out[67]: array([-11. , -4. , 7.5, 6. , 0. ])
#两端只有一侧值,中间部分存在两侧值
#依次为[(2-13)/1, (5-13)/2, (17-2)/2, (17-5)/2, (17-17)/1]
注:
- 此篇博客仅为作者本人学习笔记。
- 如有侵权,请私信联系。
参考来源:
中国大学mooc课程----Python数据分析与展示-----嵩天老师(北京理工大学)