非结构化--第二章

数组名两大写在Spyder里不显示

1：创建数组：

利用array（）函数创建数组

import numpy as np
d=np.array(列表，元祖，嵌套列表，嵌套数组，等给定的数据结构转化为数组)

若需要转化的为二维数组以及以上，那么需要有[ 中括号]将他们括起来

利用内置函数创建数组

z1=np.ones((n,m)) #创建n行m列元素全为1的数组
z2=np.zeros((n,m)) #创建n行m列元素全为0的数组
z3=np.arange(a,b,c) #利用arange(a,b,c)创建以a为初始值，b-1为末值，c为步长 的一维数组

若需要转化的为二维数组以及以上，那么需要有（中括号）中括号将他们括起来

2：数组尺寸

通过shape属性可以返回数组的长度，如果是一维数组，则返回的元祖中仅仅一个元素，代表这个数组的长度。如果是二维数组，元祖中两个值，第一个值代表数组的行数，第二个值代表数组的列表。

 d1=[1,2,3,4,5,6]
d2=[[1,2,3,4],[5,6,7,8]]

import numpy as np
d11=np.array(d1)
d22=np.array(d2)

s11=np.shape(d11)
s22=np.shape(d22)

数组进行重排，可以通过reshape()函数来实现

r=np.array(range(9))  #一维数组
r1=r.reshape((3,3))  #重排位3行3列

3：数组运算

数组的运算包括加、减、乘、除、乘方于运算，以及数组的数字函数运算。

import numpy as np
A=np.array([[1,2],[3,4]])
B=np.array([[5,6],[7,8]])

c1=A-B
c2=A+B
c3=A*B
c4=A/B
c5=A/3
c7=A**2


#数学运算
e1=np.sqrt(A) #取平方根
e2=np.abs([1,-2,-100])  #绝对值，列表里的值进行取绝对值
e3=np.cos([1,2,3])   #cos值
e4=np.sin(A)    #sin值
e5=np.exp(A)    #取指数函数值

4：数组切片

常见数组的切片方法

D【①，②】：①：为对D的行下标控制，不能超过最大行数；②：为对D的列下表进行控制，不能超过最大列数

1：数组无直接访问下标值的过程

B11=D[[2,3],[2,3]]
print(B11)

总结：
2：设置行号和列号同时加上【】，相对应输出值，中括号限制输出，输出前后对应位置，放入一个【】中
3：数据没有维度输出一列
4：冒号前后值取左不取右

# -*- coding: utf-8 -*-
"""
Created on Mon Apr 26 15:23:53 2021

@author: Administrator
"""
import numpy as np

D=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])

#访问D中行为1，列为2的数据
#d1=D.index(1)没有下标访问的形式
B1=D[1,2]
#访问D中第1 ，3列数据
B2=D[:,[1,3]]

#访问D中第1,3行数据
B3=D[[1,3],:]

#取D中满足第0列大于5的所有列数据
C=D[D[:,0]>5,:]
#取D中满足第0列大于5的第1,2列数据
tt=[False,True,True,False]
#取D中满足第0中大于5的第2,3列数据

C1=D[D[:,0]>5,[2,3]]
C2=D[D[:,0]>5,2:4]    
C3=D[D[:,0]>5,1:3]                                                                                                                                                                                                                                                                                                                                                                                      
D7=D[D[:,0]>5,tt]
TF=[True,False,True,False]
#取D中第0，3行的所有列数据，本质上行及控制为逻辑列表，去逻辑值为真
D1=D[TF,:]
#取出第一行
A=D[1]

A1=D[1,:]
#取出第一列
B=D[:,1]

B1=D[D[:,0]<=5,:]


#取出第0,3行的2,3列的元素
Dt4=[D[TF,2:4]]


#取出D中大于4的数据
Dt5=D[D>4]

#取中间几个元素,6,7,10,11
middle=D[1:3,1:3]

利用ix_()函数进行数组切片（大众的切片逻辑）

1：取相关行对应列的所有数值而不是单个
2：对应列标不用做取舍，只有在：的时候取左不取右

# -*- coding: utf-8 -*-
"""
Created on Tue Apr 27 09:54:51 2021

@author: Administrator
"""
import numpy as np
D=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
#取第1,2行，1,3列
D3=D[np.ix_([1,2],[1,3])]
#取0,1行，1,3列
D4=D[np.ix_(np.arange(2),[1,3])]
#取第一列小于11，列数为1,2行的所有元素
D6=D[np.ix_(D[:,1]<11,[1,2])]

#取第一列小于11，列数为2行的所有元素
D7=D[np.ix_(D[:,1]<11,[2])]

TF=[True,False,False,True]
D8=D[np.ix_(TF,[2])]

D9=D[np.ix_(TF,[1,3])]

5：数组连接：

数据处理，多个数据源的集成整合是经常发生的。数组间的集成与整合主要体现在数组间的连接，包括**水平hstack()和垂直vstack()**两种方式。

# -*- coding: utf-8 -*-
"""
Created on Tue Apr 27 10:07:07 2021

@author: Administrator
"""

import numpy as np
a=np.array([[1,2],[3,4],[5,6]])
b=np.array([[7,8],[9,10],[11,12]])
c_s=np.hstack((a,b))
c_v=np.vstack((a,b))
#
d=np.array([[7,8],[9,10],[11,12],[13,14]])
#D_s=np.hstack((a,d))
D_v=np.vstack((a,d))


z=np.array([[7,8,0],[9,10,0],[11,12,13]])
D_s=np.hstack((a,z))

水平：

垂直：

垂直：只要行数相同，就可以进行垂直连接vstack()，列数相不相同无关

水平：只要行数相同，就可以进行水平连接hstack()，列数相不相同无关

6：数据存取

import numpy as np
A=np.array([[1,2],[3,4],[5,6]])
B=np.array([[7,8],[9,10],[11,12]])
C_s=np.hstack((A,B))
#C_s数据集保存为二进制数据文件data.npy
np.save('data',C_s)

V_s=np.load("data.npy")

7：数组形态变换

数组都不能改变值
reshape函数：用于改变数组形态：一维数组变多维数组
reval函数：多维数组变成一维数组

import numpy as np
arr=np.arange(12)
#reshape一维数组变多维
arr1=arr.reshape(2,6)
#ravel多维数组变一维
arr2=arr1.ravel()

8：数组排序与搜索

sort()：从小到大的顺序排序
argmin()：返回待搜索数组的最小值
argmax():返回待搜索数组的最大值

argmax(arr1,axis=0或axis=1)
axis=0:返回各列中最大值的索引值
axis=1：返回各行中最最大值的索引值

argmin(arr1,axis=0或axis=1)
axis=0:返回各列中最小值的索引值
axis=1：返回各行中最小值的索引值

9:矩阵与线性代数运算

1：创建Numpy矩阵

mat(),mtrix(),bamt()

2：矩阵的属性和基本运算

3：线性代数运算