python数据分析与展示之ndarray数据的维度

学习目标：

学习python数据分析与展示

所采用到的课程链接是北理-Python数据分析与展示-Numpy、Matplotlib、Pandas

学习内容：

数据ndarray

数据的维度

提出数据的维度,维度表示一组数据的组织形式,可以对内部数据进行一维数据,二维数据等各个方式进行解释
一维数据由对等关系的有序或无序的数据结果组成,所以通过采用线性排序方式组织来对应列表,数组和集合等概念

1.列表和数组

一组数据的有序结构
列表数据类型可以不同,数组数据类型相同

2.二维以及多维数据

在一维以及二维数据等程度上仍然可以增加维度,称为多维数据,或者叫高维数据,比如可以增加时间维度

Numpy的数组对象:ndarray

Numpy的简单介绍

• 强大的N维数组对象:ndarray
• 广播功能函数
• 是结合了C等代码的工具
• 可以进行线性代数,傅里叶变换等功能的操作

Numpy的使用

这里我使用到的是jupyter notebook进行演示,Numpy的下载的话就是pip install+需要的模块,这里的pip可能要看是什么样的系统,有一些可能是pip3
引入Numpy的模块如下

import Numpy as np

一般简写名字的话都是简写成np方便 其他人在看我们自己写的代码的时候可以方便理解
在这里,我们为什么要引入数组对象类型?
这里举一个具体的例子如下

def sum():
    a=[1,2,3,4,6,6]
    b=[7,12,4,5,6,7]
    c=[]
    for i in range(len(b)):
        c.append(a[i]**2+b[i]**3)
    return c
print(sum())

这里使用到的是一个循环进行计算,但是使用了ndarray数组时候,就可以方便,并且起到简化代码以及节约空间的作用,可以理解为将其理解为更加人性化,下面使用ndarray实现上面的内容

import numpy as np
def nsum():
    a=np.array([1,2,3,4,6,6])
    b=np.array([7,12,4,5,6,7])
    c=a**2+b**3
    return c
print(nsum())

得出的结果都是如下

[ 344 1732   73  141  252  379]

可以得出使用数组对象的原因如下

• 数组对象可以去掉元素之间运算的循环,使得一维向量更像是单个数据
• 设置专门的数组对象,经过优化之后,可以提升这类应用的运算速度
• 数组对象采用相同的数据类型,有助于节省运算和存储空间

N维数组对象:ndarray

ndarray是一个多维数组对象,有两个部分:

• 实际数据
• 描述数据的元数据(可以将其理解为是这个数据的名称)
  这里简单举个例子,比如身高有176,175,那么176和175就是实际数据,那么身高就是元数据
  ndarray数组一般要求所有元素类型相同(也就是要尽量避免ndarray对象是非同质的,尽可能要保持维度,元素类型都是一样的),数组下标从0开始
  ndarray在程序当中的使用
  ndarray的别名是array,使用的时候要写成np.array
  轴(axis):保存数据的维度
  秩(rank):轴的数量

ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

array([[1,3,4,5,6],[7,7,9,7,12]])
a
#array([[ 1,  3,  4,  5,  6],
#       [ 7,  7,  9,  7, 12]])
a.itemsize
#4
a.shape
#(2, 5)
a.ndim
#2
a.size
#10

ndarray数组的元素类型

数据类型	说明
bool	布尔类型，True或False
intc	与c语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与c语言中ssize_t一致，int32或int64
int8	$\text{字}节长度的整数，取值:[-128,127]$
int16	$\text{16位长度的整数，取值 : }[-32768,32767]$
int32	$\text{ 32位长度的整数，取值 : }\left[-2^{31},2^{31}-1\right]$
int64	64位长度的整数，取值 : $\left[-2^{63},2^{63}-1\right]$
$\text{ uint8 }$	$\text{ 8位无符号整数，取值 : }[0,255]$
$\text{ uint16 }$	$\text{ 16位无符号整数，取值 : }[0,65535]$
uint32	$\text{32位无符号整数，取值：[0, 232‐1]}$
uint64	$\text{32位无符号整数，取值：[0, 264‐1]}$
float16	$\text{16位半精度浮点数：1位符号位，5位指数，10位尾数}$
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虚部都是64位浮点数

复数的表示方法如下
$$实部(.real)+j虚部(.imag)$$

ndarray数组的创建方法

ndarray数组的创建方法如下
• 从Python中的列表、元组等类型创建ndarray数组
• 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
• 从字节流（raw bytes）中创建ndarray数组
• 从文件中读取特定格式，创建ndarray数组
从Python中的列表、元组等类型创建ndarray数组

x = np.array(list/tuple) 
x = np.array(list/tuple, dtype=np.float32)

当我们使用np.array()时不指定dtype，那么NumPy将根据数据情况关联并自动生成一个一个dtype类型

a=np.array([3,4,6])#列表类型
print(a)
#[3 4 6]
b=np.array((3,6,7))#元组类型
print(b)
#[3 6 7]
c=np.array([[2,3],[9,8],[6,7]])#列表和元组
print(c)
#[[2 3]
 #[9 8]
 #[6 7]]

(2）通过NumPy中的函数创建ndarray数组，如：arange, ones, zeros等(这里大家可以和matlab的操作相联系)

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余为0
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0数组
np.full_like(a,val)	根据数组a的形状生成一个数组，每个元素值都是val

（3）使用NumPy中其他函数创建ndarray数组

函数	说明
np.linspace()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

举一个简单的例子

d=np.eye(4)
d
#array([[1., 0., 0., 0.],
#       [0., 1., 0., 0.],
#       [0., 0., 1., 0.],
#       [0., 0., 0., 1.]])
#)
e=np.zeros((3,3))
e
#array([[0., 0., 0.],
#       [0., 0., 0.],
#       [0., 0., 0.]])

ndarray的维度变换

维度变换的操作,需要我们注意到的是,我们应当考虑哪些办法是不改变原数组的,哪些又是改变原数组的

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

f=np.ones((4,3),dtype=np.int32)
f
#array([[1, 1, 1],
 #      [1, 1, 1],
  #     [1, 1, 1],
  #     [1, 1, 1]])
f.reshape((3,4))
#array([[1, 1, 1, 1],
 #      [1, 1, 1, 1],
 #     [1, 1, 1, 1]])

这部分的操作可以对对内存等方面做出变化

ndarray数组的类型变换操作

new_a=a.astype(new_type)

f=np.ones((4,3),dtype=np.int32)
f
#array([[1, 1, 1],
#       [1, 1, 1],
#       [1, 1, 1],
#       [1, 1, 1]])
g=f.astype(np.float64)
g
#array([[1., 1., 1.],
#       [1., 1., 1.],
#       [1., 1., 1.],
#       [1., 1., 1.]])

即使类型相似,但是astype()方法一定会创建新的数组（原始数据的一个拷贝）
数组向列表替换的操作如下,使用到的函数是
ls=a.tolist()
以上面的数组g为例子可以得到

[[1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [1.0, 1.0, 1.0]]

2.ndarray 数组操作

索引:获取数组当中特定位置元素(标记位置的元素)的过程
切片:获取数组元素子集的过程
这一部分的切片操作和matlab设置步长的操作是不同的
一维数组的索引和切片操作

h=np.array([1,3,4,9,6,7,])
h[3]
#9
h[1:4]
#array([3, 4, 9])

多维数组的切片
每一个维度的切片方法与一维数组相同
每个维度可以使用步长进行跳跃切片

I=np.array([[2,3,4,7],[4,5,7,12],[2,6,7,5],[3,4,6,2]])
I
#array([[ 2,  3,  4,  7],
#       [ 4,  5,  7, 12],
#       [ 2,  6,  7,  5],
#       [ 3,  4,  6,  2]])
I[3]
#array([3, 4, 6, 2])
I[3,1]
#4

3.ndarray数组运算

数组与标量之间的运算,数组与标量之间运算作用于每一个元素
对数组每一个元素进行运算
元素级运算函数如下

函数	说明
np.abs(x) np.fabs(x)	计算数组各元素的绝对值
np.sqrt(x)	计算数组各元素的平方根
np.square(x)	计算数组各元素的平方
np.log(x) np.log10(x),np.log2(x)	计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值 或 floor值

一元函数

函数	说明
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组各元素的小数和整数部分以两个独立数组形式返回
np.cos(x) np.cosh(x),np.sin(x) np.sinh(x),np.tan(x) np.tanh(x)	计算数组各元素的普通型和双曲型三角函数
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+), 0, ‐1(‐)

一元函数的使用实例

np.square(I)
np.square(I)

array([[  4,   9,  16,  49],
       [ 16,  25,  49, 144],
       [  4,  36,  49,  25],
       [  9,  16,  36,   4]], dtype=int32)

np.sqrt(I)

array([[1.41421356, 1.73205081, 2.        , 2.64575131],
       [2.        , 2.23606798, 2.64575131, 3.46410162],
       [1.41421356, 2.44948974, 2.64575131, 2.23606798],
       [1.73205081, 2.        , 2.44948974, 1.41421356]])

np.modf(np.sqrt(I))

(array([[0.41421356, 0.73205081, 0.        , 0.64575131],
        [0.        , 0.23606798, 0.64575131, 0.46410162],
        [0.41421356, 0.44948974, 0.64575131, 0.23606798],
        [0.73205081, 0.        , 0.44948974, 0.41421356]]),
 array([[1., 1., 2., 2.],
        [2., 2., 2., 3.],
        [1., 2., 2., 2.],
        [1., 2., 2., 1.]]))

需要的时候进行对照使用即可,并不需要进行记忆
Numpy二元函数二元运算符

函数	说明
+ ‐ * / **	两个数组各元素进行对应运算
np.maximum(x,y) np.fmax(),np.minimum(x,y) np.fmin()	元素级的最大值/最小值计算
np.mod(x,y)	元素级的模运算
np.copysign(x,y)	将数组y中各元素值的符号赋值给数组x对应元素
> < >= <= == !=	算术比较，产生布尔型数组

---

内容小节：

简单学习了一下Numpy的使用,在后面大家在需要使用到函数的时候再进行计算即可

• 数据的维度
• ndarray类型属性
• 数组的索引与切片
• 数组的运算:一元函数,二元函数

---