Numpy入门——Python数据分析mooc笔记

最新推荐文章于 2024-06-15 11:35:27 发布

Wwvy

最新推荐文章于 2024-06-15 11:35:27 发布

阅读量465

点赞数 1

本文链接：https://blog.csdn.net/sinat_30116473/article/details/70835379

版权

python 同时被 2 个专栏收录

1 篇文章 0 订阅

订阅专栏

numpy

1 篇文章 0 订阅

订阅专栏

数据

一个数据，表达一个含义
一组数据，表达一个或多个含义

列表和数组

列表：数据类型可以不同
数组：数据类型相同

Python已有列表类型，为什么需要一个数组对象(类型)？

数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据
设置专门的数组对象，经过优化，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

比较Python内置列表类型和数组对象类型

计算 $A^2+B^3$ ，其中A和B是一维数组

Python内置列表类型

def pySum():
    a = [0,1,2,3,4]
    b = [5,6,7,8,9]
    c = []
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    return c
print(pySum())

numpy数组

import numpy as np
def npSum():
    a = np.array([0,1,2,3,4])
    b = np.array([5,6,7,8,9])
    c = a**2 + b**3
    return c
print(npSum())

N维数组对象：ndarray

np.array()生成一个ndarray数组，输出成[]形式，元素由空格分隔
轴(axis): 保存数据的维度；秩(rank)：轴的数量

In [1]: import numpy as np

In [2]: a = np.array([[0,1,2,3],[4,5,6,7]])

In [3]: a
Out[3]:
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
 
In [4]: a.ndim
Out[4]: 2
 
In [5]: a.shape
Out[5]: (2, 4)
 
In [6]: a.size
Out[6]: 8
 
In [7]: a.dtype
Out[7]: dtype('int32')
 
In [8]: a.itemsize
Out[8]: 4
 
In [9]: b = np.array([[0,1,2,3,4],[5,6,7]])
# ndarray数组可以由非同质对象构成

In [10]: b
Out[10]: array([[0, 1, 2, 3, 4], [5, 6, 7]], dtype=object)
# 非同质ndarray元素为对象类型
 
In [11]: b.ndim
Out[11]: 1
 
In [12]: b.shape
Out[12]: (2,)
 
In [13]: b.size
Out[13]: 2
# 非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用

In [14]: b.dtype
Out[14]: dtype('O')
 
In [15]: b.itemsize
Out[15]: 8

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（bool，intc，intp，int8，int16，int32，int64）
`.itemsize`	ndarray对象中每个元素的大小，以字节为单位

ndarray数组的创建方法

从Python中的列表、元组等类型创建ndarray数组
x = np.array(list/tuple, dtype=np.float32)
当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型

使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等

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

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

In [2]: a = np.linspace(1,10,4)

In [3]: a
Out[3]: array([  1.,   4.,   7.,  10.])

In [4]: b = np.linspace(1,10,4,endpoint=False)

In [5]: b
Out[5]: array([ 1.  ,  3.25,  5.5 ,  7.75])
py
In [6]: c = np.concatenate((a,b))

In [7]: c
Out[7]: array([  1.  ,   4.  ,   7.  ,  10.  ,   1.  ,   3.25,   5.5 ,   7.75])

ndarray数组的变换

对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换

维度变换

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

实例：

In [8]: d = np.ones((2,3,4),dtype=np.int32)

In [9]: d.reshape((3,8))
Out[9]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

In [10]: d
Out[10]:
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

In [11]: d.resize((3,8))

In [12]: d
Out[12]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

In [13]: d.flatten()
Out[13]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1])

In [14]: d
Out[14]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

类型变换
new_a = a.astype(new_type)
astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

In [2]: e = np.ones((2,3,4),dtype=np.int)

In [3]: e
Out[3]:
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

In [4]: e.astype(np.float)
Out[4]:
array([[[ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]],

       [[ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]]])

数组向列表的转换
ls = a.tolist()

In [2]: a = np.full((2,3,4),25,dtype=np.int32)

In [3]: a
Out[3]:
array([[[25, 25, 25, 25],
        [25, 25, 25, 25],
        [25, 25, 25, 25]],

       [[25, 25, 25, 25],
        [25, 25, 25, 25],
        [25, 25, 25, 25]]])

In [4]: a.tolist()
Out[4]:
[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]],
[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]

ndarray数组的操作

索引：获取数组中特定元素位置的过程
切片：获取数组元素子集的过程

一维数组的索引和切片：与Python的列表类似
每个维度切片方法与一维数组相同
每个维度可以使用步长跳跃切片
```
In [2]: a = np.array([9,8,7,6,5])

In [3]: a[2]
Out[3]: 7

In [4]: a[1:4:2]
Out[4]: array([8, 6])
```

多维数组的切片

In [5]: b = np.arange(24).reshape((2,3,4))
 
In [6]: b
Out[6]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
 
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
 
In [7]: b[1,2,3]
Out[7]: 23
 
In [8]: b[-1,-2,-3]
Out[8]: 17

ndarray数组的运算

数组与标量之间的运算作用于数组的每一个元素

NumPy一元函数
对ndarray中的数据执行元素级运算的函数

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
`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(‐)

NumPy二元函数

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

Wwvy

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Numpy入门——Python数据分析mooc笔记

数据一个数据，表达一个含义一组数据，表达一个或多个含义列表和数组列表：数据类型可以不同数组：数据类型相同Python已有列表类型，为什么需要一个数组对象(类型)？数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据设置专门的数组对象，经过优化，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比较Python内
复制链接

扫一扫

专栏目录