利用Python进行数据分析（2）-Numpy库

0. 回顾：

        在之前我们学习了numpy的核心ndarray（N维数组）的一些基本概念和如何生成ndarray，在这篇博客中，将学习其基本操作。

1. 基本操作

1.1 算术运算符

        利用算术运算符进行运算最重要的一点是元素级运算，即指在数组的对应位置上逐个元素进行操作，而不是对整个数组进行整体操作，这和后面的矩阵积有所区别。

        示例1：数组加一个数和乘一个数。

import numpy as np


a = np.arange(0, 5)
print(a)
print(a+4)
print(a*4)

        运行结果为：

[0 1 2 3 4]
[4 5 6 7 8]
[ 0  4  8 12 16]

        示例2：两个数组的运算。

import numpy as np


a = np.arange(0, 5)
b = np.arange(1, 6)
print(a, b)
print(a+b)
print(a*b)

        运行结果为：

[0 1 2 3 4] [1 2 3 4 5]
[1 3 5 7 9]
[ 0  2  6 12 20]

        可以看到，是先对两个数组的每一个对应的元素进行运算之后，在合并为一个数组。

1.2 矩阵积

        矩阵积即为两个矩阵的乘积，此时，不再是元素级的，numpy是用matmul()函数表示。

        示例3：两个数组的矩阵积。

import numpy as np


A = np.arange(0, 4).reshape(2, 2)
B = np.arange(1, 5).reshape(2, 2)
C = np.matmul(A, B)
print(A)
print(B)
print(C)

        运行结果为：

[[0 1]
 [2 3]]
[[1 2]
 [3 4]]
[[ 3  4]
 [11 16]]

        可以看到，此时是真正的矩阵和矩阵之间的乘法，而不是点积【点积：两个数组对应位置的元素相乘，然后求和。对于一维数组（向量），点积计算的是两个向量的内积】。

1.3 自增和自减运算符

        在Python中利用+=和-=进行自增和自减，运算之后的结果还是赋值给参与运算的数组本身。

        示例4：

import numpy as np


A = np.arange(0, 4).reshape(2, 2)
B = np.arange(1, 5).reshape(2, 2)
print(A)
print(B)
A += 1
B -= 1
print(A)
print(B)

        运行结果为：

[[0 1]
 [2 3]]
[[1 2]
 [3 4]]
[[1 2]
 [3 4]]
[[0 1]
 [2 3]]

1.4 通用函数

        它对数组的每个元素分别进行操作，生成一个新的数组。

        示例5：

import numpy as np


c = np.arange(1, 6)
print(c)
print(np.sqrt(c))
print(np.log(c))
print(np.sin(c))

        运行结果为：

[1 2 3 4 5]
[1.         1.41421356 1.73205081 2.         2.23606798]
[0.         0.69314718 1.09861229 1.38629436 1.60943791]
[ 0.84147098  0.90929743  0.14112001 -0.7568025  -0.95892427]

1.5 聚合函数

        它是对整个数组进行操作，返回一个单一值。

        示例6：

import numpy as np


c = np.arange(1, 6)
print(c)
print(np.max(c))
print(np.sum(c))
print(np.std(c))

        运行结果为：

[1 2 3 4 5]
5
15
1.4142135623730951