Python数据展示笔记之numpy库

---

前言

记录一些numpy库常用内容

---

ndarray

numpy引用：import numpy as np
ndarray：n维数组对象，数组+数据维度类型
axis轴，由外向内从0递增；rank秩，轴的数目
ndarray方法：
.ndim：秩，.shape：尺度，.size元素数，.dtype类型，.itemsize字节数

数组创建

1.由列表/元组创建：
np.array(list/tuple)
2.由数创建：
np.arange(n) #0~n-1
np.ones(shape) #全1
np.zeros(shape) #全0
np.full(shape,val) #全val
np.eye(n) #n阶方阵
3.由数组创建:
np.ones_like(a,shape) #与a形状相同
np.zeros_like(a,shape)
np.full_like(a,shape,val)

数组变换

1.维度变换：
a.reshape(shape) #原数组不变
a.resize(shape) #原数组改变
a.swapaxes(ax1,ax2) #调换两个维度
a.flatten() #降维，原数组不变
2.类型变换：
a.astype(new_type) #创建新数组
a.tolist() #转为列表

索引切片

一维：a[n]，a[ l : m : n ]
多维：a[l,m,n]，a[ : :, : : , : : ]

数组运算

1.与标量运算：
作用于各元素
2.数组整体运算:
np.abs(a)，np.fabs(a)，np.sqrt(a)，np.suare(a)，np.log(a)，np.log10(a)，np.log2(a)
np.ceil(a)向上取整，np.floor(a)向下取整，np.rint(x)四舍五入，np.modf(x)返回整数、小数
np.cos(a)，np.cosh(a)，np.sin(a)，np.sinh(a)，np.tan(a)，np.tanh(a)，np.exp(a)，np.sign(a)符号函数
3.数组内运算:
np.sum(a, axis)，np.mean(a, axis)，np.average(a, axis,weights)，np.std(a, axis)标准差，np.var(a, axis)方差
np.min(a, axis)，np.max(a, axis)，np.ptp(a, axis)极差，np.median(a, axis)中位数
np.argmin(a)，np.argmax(a)最值位置，扁平化下标
np.unravel_index(index, shape)一维下标转为多维下标
np.gradient(f)各维度梯度
4.数组间运算:
+、-、*、/、>、<、==
np.maximum(x,y），np.minimum(x,y)，np.mod(x,y)，np.copysign(x,y)

随机函数np.random

.rand(shape) #均匀[0,1)
.randn(shape) #正态
.randint(low, high, shape) #[low,high)
.seed(s) #种子
.shuffle(a) #第0轴随机排列，改变数组
.permutation(a) #第0轴随机排列，不改变数组
.choice(a, size形状, replace是否放回, p概率) #随机抽取

数据存取

1.一维/二维数据：CSV文件
读取：np.loadtxt(fname文件, dtype类型, delimiter分隔符)
保存：np.savetxt(fname, array数据, fmt格式, delimiter)
2.多维数据：
读取：np.fromfile(fname, dtype, count个数, sep分隔符)
保存：array.tofile(fname, sep, format)
只储存数据。不包含维度信息，需要元数据文件储存。
3.便捷存取
读取：np.load(fname)
保存：np.save(fname, array) #扩展名.npy
保存：np.savez(fname, array) #压缩.npz

总结

与列表相比，数组的创建、转换简单，数据计算与处理也更加容易。