NumPy数据操作总结

• 属性

  • shape：表示数组的各维度大小

  • ndim：表示数据维度

  • dtype：表示数组数据类型的对象

• 创建ndarray的方式

  方法	用法	解释
  array函数	arr = np.array(data)	data为数组
  zeros函数	arr = np.zeros(10)	变量为NumPy数组长度
  empty函数	np.empty((2, 3, 2))	变量为空数组的各维度大小
  arange函数	np.arange(15)

• ndarray的数据类型

  类型	说明
  int8, uint8	有符号和无符号的8位整数
  int16, uint16	有符号和无符号的16位整数
  int32, uint32	有符号和无符号的32位整数
  int64, uint64	有符号和无符号的64位整数
  float16	半精度浮点数
  float32	标准的单精度浮点数
  float64	标准的双精度浮点数
  float128	扩展精度浮点数
  complex64, complex128, complex256	分别用两个32位， 64位或128位浮点数表示的复数
  bool	布尔类型

• NumPy数组运算

  示例	说明
  arr * arr	元素一一相乘，得到一个数组
  arr - arr	元素一一相减，得到一个数组
  1/arr	1除以每个元素，得到一个数组
  arr ** 0.5	每个元素都开根，得到一个数组
  arr2 > arr	每个对应元素一一比较，得到一个布尔型的数组

• NumPy的函数

  • 创建数组

    • array函数：arr = np.array(data)
    • zeros函数：arr = np.zeros(10)
    • empty函数：np.empty((2, 3, 2))
    • arange函数：np.arange(15)

  • 数据类型：

    • 查看数据类型：dtype：arr.dtype
    • 转换数据类型：astype：float_arr = arr.astype(np.float64)

  • 通用函数

    • 平方：np.sqrt(arr)
    • 指数：np.exp(arr)
    • 最大值：np.maximum(x, y)
    • 返回整数和小数部分：remainder, whole_part = np.modf(arr)

  • 条件逻辑

    • 三元表达式：result = [(x if c else y) for x, y, c in zip(xarr, yarr, cond)]：当cond中的值为True时，选取xarr的值，否则从yarr中选取
    • 更简洁的三元表达式：result = np.where(cond, xarr, yarr)：当cond中的值为True时，选取xarr的值，否则从yarr中选取(cond也可以为表达式：arr > 0)
    • 统计True值：(arr > 0).sum()
    • 判断是否存在True值：bools.any()
    • 判断数组中都是True值：bools.all()

  • 统计方法

    • 求平均值：arr.mean()或np.mean(arr)
      • 参数：axis：arr.mean(axis=1)：每行的平均值
    • 求和：arr.sum()
      • 参数：axis：arr.sum(axis=0)：每列的和
    • 累加：arr.cumsum()
      • 参数：axis：arr.cumsum(axis=0)：每列求累加
    • 累乘：arr.cumprod(axis=1)
    • 标准差：arr.std()
    • 方差：arr.var()
    • 最值：arr.max()和arr.min()
    • 最值的索引：arr.argmax()和arr.argmin()

  • 排序：arr.sort()

    • 参数：按某个维度排序：arr.sort(1)

  • 集合逻辑：

    • 唯一化：np.unique(names)
    • 交集：intersect1d(x, y)
    • 并集：union1d(x, y)
    • 求x的元素是否包含y：in1d(x, y)
    • 元素在x中且不在y中：setdiff1d(x, y)
    • 存在于一个数组中但不同时存在于两个数组中的元素：setxor1d(x, y)

  • 文件操作

    • 保存：np.save('some_array', arr)：参数（文件名，对象名）
    • 导入：np.load('some_array.npy')

  • 数组的矩阵操作

    • 转置：arr.T

    • 高维数组转置：arr.transpose((1, 0, 2))

    • 计算内积：np.dot(arr1, arr2)

      ​ arr1.dot(arr2)

  • 伪随机数生成：

    • 标准正态分布的随机数组：np.random.normal(size=(4, 4))
    • 更改随机数⽣成种⼦：np.random.seed(1234)

• 切片索引方式

  • 切片单个元素或低一维度的数组：arr[5]

  • 切片一段数组：arr[5:8]

  • 切片整个数组：arr[:]

  • 利用切片修改元素值：arr_slice[:] = 64

  • 高维切片：arr2d[0][2]等价于arr2d[0, 2]

  • 布尔型索引：data[names == 'Bob']：找出data中满足条件为真的低维数组

    • 表示肯定：data[names == 'Bob']

    • 表示否定：data[~(names == 'Bob')或data[names != 'Bob']

    • 组合多个布尔条件：mask = (names == 'Bob') | (names == 'Will')

      ​ data[mask]

    • 布尔型索引结合普通索引：data[names == 'Bob', 2:]

  • 花式索引：

    • 以特定顺序选取行子集：arr[[4, 3, 0, 6]]

      ​ arr[[-3, -5, -7]]