Numpy 模块的应用

• 数据分析三剑客：

  Numpy, Pandas, Matplotlib

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

一、 使用np.array()创建

• 一维数据创建

import numpy as np
arr_1 = np.array([1,2,3,4,5])
arr_1

• 二维数组创建

np.array([[1,2.2,3],[4,5,6]])

注意：

• numpy默认ndarray的所有元素的类型是相同的
• 如果传进来的列表中包含不同的类型，则统一为同一类型，

• 优先级：str>float>int

• 使用matplotlib.pyplot获取一个numpy数组，数据来源于一张图片

import matplotlib.pyplot as plt
img_arr = plt.imread('./bobo.jpg')
img_arr
# 显示图片
plt.imshow(img_arr)
# 修改 操作该numpy数据，该操作会同步到图片中
img_arr = img_arr - 100

# 查看数组的 维度
img_arr.shape
(626, 413, 3)

使用np的routines函数创建

包含以下常见创建方法：

# 创建全是 1 的二位数组 5 行 6 列
np.ones(shape=(5,6),dtype=int)
# 全是 0 的
np.zeros(shape, dtype=None, order='C')
# 指定 全是 999 的二位数组   np.full(shape, fill_value, dtype=None, order='C')
np.full((5,5),fill_value=999)

# np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 等差数列
np.linspace(1,100,num=50)

# 
# np.arange([start, ]stop, [step, ]dtype=None)
np.arange(0,100,2)

# 创建都是整数的 随机数
# np.random.randint(low, high=None, size=None, dtype='l')
np.random.seed(4) #固定随机性
np.random.randint(0,100,size=(5,6))

# np.random.randn(d0, d1, ..., dn) 标准正太分布
np.random.randn(4,5,6)

#  np.random.random(size=None)  生成0到1的随机数
np.random.random(size=(3,3))

二、ndarray的属性

• 4个必记参数：
  • ndim：维度
  • shape：形状（各维度的长度）
  • size：总长度
  • dtype：元素类型

img_arr.size
# 775614

img_arr.dtype
# dtype('uint8')

type(img_arr)
# numpy.ndarray

img_arr.ndim
# 3

三、ndarray的基本操作

1. 索引

一维与列表完全一致 多维时同理

np.random.seed(1)
arr = np.random.randint(0,100,size=(5,5))
arr
# 根据索引修改数据
arr[1][2]

2. 切片

一维与列表完全一致 多维时同理

arr[0:2] #获取二维数组前两行

arr[:,0:2]  #逗号左边是  行  右边是  #获取二维数组前两行列

#获取二维数组前两行和前两列数据
arr[0:2,0:2]

# 将数据反转，例如[1,2,3]---->[3,2,1]

#将数组的行倒序
arr[::-1]
#列倒序
arr[:,::-1]
#全部倒序
arr[::-1,::-1]

#将图片进行全倒置操作
plt.imshow(img_arr[:,::-1,:])
plt.imshow(img_arr[::-1,::-1,::-1])

3. 变形

使用arr.reshape()函数，注意参数是一个tuple！

• 基本使用

  1.将一维数组变形成多维数组

# 变成二维数组
arr_1.reshape((-1,5))
# 2.将多维数组变形成一维数组
arr_1 = arr.reshape((25,))

# 图片倒置
plt.imshow(img_arr.reshape((-1,))[::-1].reshape((626,413,3)))

4. 级联

• np.concatenate()

1.一维，二维，多维数组的级联，实际操作中级联多为二维数组

# 3 个二维数组连接起来 横向
np.concatenate((arr,arr,arr),axis=1)
# 将两个二维数组 连接 纵向
np.concatenate((arr,arr1),axis=0)

# .合并两张照片
img_arr_3 = np.concatenate((img_arr,img_arr,img_arr),axis=1)
img_arr_9 = np.concatenate((img_arr_3,img_arr_3,img_arr_3),axis=0)
plt.imshow(img_arr_9)

• np.hstack与np.vstack

# 横向合并
np.vstack((arr,arr))
# 纵向合并
np.hstack((arr,arr))

• 级联需要注意的点：

  • 级联的参数是列表：一定要加中括号或小括号
  • 维度必须相同
  • 形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
  • 可通过axis参数改变级联的方向

5. 切分

• 与级联类似，三个函数完成切分工作：
  • np.split(arr,行／列号，轴):参数2是一个列表类型
  • np.vsplit
  • np.hsplit

# 按0 轴向的 400 切割 取第 0 个
plt.imshow(np.split(img_arr,[400],axis=0)[0])\

# 根据 切片切割 行 切 60-400 列切 100-300 颜色不动
plt.imshow(img_arr[60:400,100:330,:])

6. 副本

• 所有赋值运算不会为ndarray的任何元素创建副本。对赋值后的对象的操作也对原来的对象生效。

• 可使用copy()函数创建副本

  a = arr.copy()
  a[2][2] = 666
  arr
  # 原 数组不动

四、ndarray的聚合操作

1. 求和np.sum

arr.sum(axis=1) # 求 1 横向轴向的和

2. 最大最小值：np.max/ np.min

3.平均值：np.mean()

arr.std(axis=0)
# array([23.80420131, 35.94440151, 26.96961253, 21.81192334, 31.18589425])

3. 其他聚合操作

Function Name    NaN-safe Version    Description
np.sum    np.nansum    Compute sum of elements
np.prod    np.nanprod    Compute product of elements
np.mean    np.nanmean    Compute mean of elements
np.std    np.nanstd    Compute standard deviation
np.var    np.nanvar    Compute variance
np.min    np.nanmin    Find minimum value
np.max    np.nanmax    Find maximum value
np.argmin    np.nanargmin    Find index of minimum value
np.argmax    np.nanargmax    Find index of maximum value
np.median    np.nanmedian    Compute median of elements
np.percentile    np.nanpercentile    Compute rank-based statistics of elements
np.any    N/A    Evaluate whether any elements are true
np.all    N/A    Evaluate whether all elements are true
np.power 幂运算

六、ndarray的排序

1. 快速排序

np.sort()与ndarray.sort()都可以，但有区别：

• np.sort() 不改变输入
• ndarray.sort() 本地处理，不占用空间，但改变输入

np.sort(arr,axis=0)
arr.sort(axis=0)

转载于:https://www.cnblogs.com/zhang-zi-yi/p/10749468.html