莫烦python博客_《莫烦Python》笔记 -- numpy部分

个人感觉，在numpy里，从说法上，数组与矩阵可以互换

1.1 numpy & pandas有什么用？

1.2 numpy & pandas的安装

安装Anaconda

2.1 numpy属性

import numpy as np

# 将一个列表转化为矩阵

array = np.array([[1,2,3],

[2,3,4]])

# 查看矩阵的维度

print('dim of array:',array.ndim)

# 查看矩阵的形状

print('shape:',array.shape)

# 查看矩阵元素的个数

print('size:',array.size)

2.2 numpy创建array

import numpy as np

# 生成一个一维矩阵

a = np.array([2,3,4])

# 利用参数dtype指定列表元素的类型，常用dtype:int32/int64/float32/float64

a = np.array([2,3,4],dtype=int)

print(a.dtype)

补充：使用astype方法显示地转化矩阵的数据类型

a.astype(np.float64),这样整数就换成了浮点数

注意：将浮点数转换为整数时，会使用去尾法执行，即2.5会换算成2

# 生成一个二维矩阵

b = np.array([[2,3,4],

[3,4,5]])

# 生成一个3行4列全为0的矩阵

c = np.zeros((3,4))

# 生成一个3行4列全为1的矩阵

d = np.ones((3,4))

# 生成一个3行4列全为空值的矩阵

e = np.empty((3,4))

# 生成一个有序的矩阵：10至20步长为2的数

f = np.arange(10,20,2)

# 对生成的矩阵重新塑形

g = np.arange(12).reshape((3,4))

# 将1至10等分得到5个数

h = np.linspace(1,10,5)

i = np.linspace(1,10,6).reshape((2,3))

补充：np.random模块常用方法/函数

np.random.rand()：返回给定形状的一组随机数值

np.random.randn()：返回一组服从标准正态分布的数值

np.random.randint(low[, high, size]) :返回一组随机整数值 ，位于[low,high)之间

np.random.random_integers(low[, high, size])：:返回一组随机整数值 ，位于[low,high]之间

np.random.random()：返回一组随机的浮点数，位于[0.0,1.0)之间

np.random.ranf()：返回一组随机的浮点数，位于[0.0,1.0)之间

np.random.sample()：返回一组随机的浮点数，位于[0.0,1.0)之间

详细例子以及其他方法/函数可参见官网以及一篇翻译的不错的中文博客

2.3 numpy的基础运算

import numpy as np

a = np.array([10,20,30,40])

b = np.arange(4)

# 加法 +

a+b

# 减法 -

a-b

# 乘法,指对应位置相乘 *

a*b

# 除法 /

b/a

# 次方 **

b**2

# sin/cos/tan()

np.tan(a)

# 比较>,=,<=

b == 3

a = np.array([[1,1],

[0,1]])

b = np.arange(4).reshape((2,2))

# 逐个相乘，即对应位置相乘 *

c = a*b

# 矩阵乘法，两种写法 **

c_dot1 = np.dot(a,b)

c_dot2 = a.dot(b)

# 生成一个2行4列元素为0-1随机的矩阵

a = np.random.random((2,4))

# 参数axis用于控制计算方式，0表示按行计算，1为按列计算

np.sum(a)

np.sum(a,axis=0)

np.min(a)

np.min(a,axis=1)

np.max(a)

2.4 numpy的基础运算2

import numpy as np

A =np.arange(2,14).reshape(3,4)

# 找出A的最小值的索引

print(np.argmin(A))

A.mean()

np.mean(A)

np.cumsum(A) # 累加

np.diff(A) # 累差，印象中另一种说法是错位相减

np.sort(A) # 逐行排序

np.transpose(A)/A.T # 转置

np.clip(A,5,9) # 将矩阵A中小于5的数变为5，大于9的数变为9，介于5至9的数保持不变

2.5 numpy的索引

import numpy as np

A = np.arange(3,15)

A[3] # 找到矩阵A里位置为3的值

图2.5-1

A = np.arange(3,15).reshape((3,4))

A[2] # 矩阵A的行数为2的数据

A[2][1] # 矩阵A第2行第1列的值

A[2,1] # 矩阵A第2行第1列的值

A[:,1] # 矩阵A所有行第1列的数据

A[:,1:3] # 矩阵A所有行第1至2列的值

图2.5-2

# 按行遍历矩阵A

for row in A:

print(row)

# 按列遍历矩阵A

for column in A.T:

print(column)

# 按行遍历矩阵A，并展示为一列值

for item in A.flat:

print(item)

# 将矩阵A按行展示为一行值

A.flatten()

图2.5-3

图2.5-4

2.6 numpy的array合并

import numpy as np

A = np.array([1,1,1])

B = np.array([2,2,2])

C= np.vstack((A,B)) # vertical stack 上下合并

D = np.hstack((A,B)) # horizontal stack 左右合并

np.concatenate((A,B,A,B),axis =0) # 0表示纵向合并，1表示横向合并？？

图2.6-1

2.7 numpy的array分割

import numpy as np

A = np.arange(12).reshape((3,4))

# 等分分割

np.split(A,2,axis=1)

# 不等分分割

np.array_split(A,3,axis=1)

# 另外两个等分函数

np.vsplit(A,3) # 按行

np.hsplit(A,2) # 按列

图2.7-1

图2.7-2

2.8 numpy的copy&deep copy

import numpy as np

a = np.arange(4)

b = a

c = b

a[0]=11

a

b

c

c[1:3]=[22,33]

c

a

b

2.8-1

2.8-2

a = np.arange(4)

b = a.copy() # deep copy

a

b

b[1] = 45

b

a

2.8-3

照例，文末附上小哥哥的课程地址。