numpy的基本用法（三）数组的拼接、特殊数组、nan和inf

     1、数组的拼接和裁剪

• t.clip(10,20)把小于10的替换成10，大于20的替换成20
• 竖直拼接，通俗讲就是一个数组在上面，另一个数组在其下面
• 水平拼接，通俗讲就是一个数组在左边，另一个数组在其右边
• np.vbstack(竖直拼接）,np.hstack(水平拼接）

• ###数组的拼接
  import numpy as np
  t1=np.arange(12).reshape(2,6)
  t2=np.arange(12,24).reshape(2,6)
  print(t1)
  print(t2)
  
  b=np.vstack((t1,t2))##竖直拼接
  c=np.hstack((t1,t2))##水平拼接
  print(b)
  print(c)

  2、生成特殊数组

• 全是0的数组
• 全是1的数组
• 对角线是1的方阵
• 获取某个数组的最大最小值的位置

• ###创建一个对角线是1的正方形数组（方阵）
  e = np.eye(3)
  print(e)
  ###获取最大值和最小值的位置
  print(np.argmax(e,axis=0))##按照行数，每一行最大的索引组成的数组，本案例[0,1,2]
  print(np.argmin(e,axis=1))##按照列数，每一行最小的索引组成的数组，本案例[1,0,0]
  ##创建一个全是0的数组:
  np.zeros((3,4))
  np.ones((3,4))
  

  3、numpy中的nan和inf

• nan(NAN,Nan):not a number表示不是一个数字
• inf(-inf,inf):inf表示正无穷，-inf表示负无穷
• 当我们读取本地文件为float时，如有缺失，就会出现nan
• 当做了一个不合适的计算时（比如无穷大减去无穷大），就会出现nan
• 如果一个数字除以0（python会直接报错），出现inf
• nan和inf都是浮点类

1. np.nan!=np.nan   两个nan是不相等的，效果和np.isnan()相同

     2.通过以上特性，判断数组中nan的个数

np.count_nonzero(t)##判断数组中不是nan的个数
np.count_nonzero(t!=t)
#根据两个nan是不相等的条件 判断false的个数
np.isnan()##判断是不是nan,返回的是布尔型

    3.nan和任何数计算都是nan 

np.sum(a)
np.sum(a,axis=0）
np.sum(a,axis=1)

举个例子，将有nan的数组的值替换成列均值

def fill_ndarray(t1):
  for i in range(t1.shape[1]):##遍历列
    temp_col=t1[:,i]##当前的这一列
    nan_numbers=np.count_nonzero(temp_col!=temp_col)##判断当前这一列nan的个数
    if nan_numbers!=0:#不为零，说明会这一列有nan
        temp_not_nan_col=temp_col[temp_col==temp_col]##当前一列不为nan的array
         ##选中当前为nan的位置，把值赋值为不为nan的均值
         temp_col[np.isnan(temp_col)] = temp_not_nan_col.mean()
        return t1
  if __name__ == '__main__':
        t1=np.arange(12).reshape((3,4)).astype("float")
        t1[1,2:]=np.nan
        print(t1)
        t1=fill_ndarray(t1)
        print(t1)

4、numpy中的统计函数

求和	t.sum(axis=None)
均值	t.mean(a,axis=None)
中值	np.median(a,axis=None)
最大值	t.max(axis=None)
最小值	t.min(axis=None)
极差	np.ptp(a,axis=None)
标准差	t.std(axis=None)

• 这里的标准差除的是N而不是统计学中的N-1和N-2，反应数据地方离散程度（稳定程度）
• axis=0说明在横轴上计算

5、numpy生成随机数

• random.random()：根据给定维度生成[0,1)之间的浮点数
• random.randn()：根据给定维度（不给维度时为单个数），产生符合标准正态分布的随机数
• random.normal()：产生可定义均值和标准差的正态分布随机数
• random.randint(上限，下限)：返回给定维度的随机整数
• random.sample（num,3）：从指定序列中随机获取指定长度的片段，原有序列不会改变，两个参数，第一个参数代表指定序列，第二个参数代表需要获取的片段长度。
• random.choice()：从序列中获取一个随机元素
• random.seed()：随机数种子 : 当设置相同的seed,每次生成的随机数相同，不设置seed,则每次会生成不同的随机数，数字一般可随意设置

numpy random官方参考文档：https://docs.scipy.org/doc/numpy/reference/routines.random.html