2!=5 or 0在python中是否正确-python数据分析第二版：numpy

一：Numpy

#数组和列表的效率问题，谁优谁劣

#1.循环遍历

importnumpy as npimporttime

my_arr= np.arange(1000000)

my_list= list(range(1000000))defarr_time(array):

s=time.time()for _ inarray:

_* 2e=time.time()return e -sdeflist_time(list):

s=time.time()for _ inlist:

_* 2e=time.time()return e -s

ret1=arr_time(my_arr)print("数组运行的时间是{}".format(ret1))

ret2=list_time(my_list)print("列表运行的时间是{}".format(ret2))#结果

数组运行的时间是0.2110121250152588 # 遍历，列表快列表运行的时间是0.04800271987915039

#2.自身扩容

importnumpy as npimporttime

my_arr= np.arange(1000000)

my_list= list(range(1000000))defarr_time(array):

s=time.time()for _ in range(10):

array* 2e=time.time()return e -sdeflist_time(list):

s=time.time()for _ in range(10):

list* 2e=time.time()return e -s

ret1=arr_time(my_arr)print("数组运行的时间是{}".format(ret1))

ret2=list_time(my_list)print("列表运行的时间是{}".format(ret2))#结果

数组运行的时间是0.018001317977905273 # 扩容，数组快列表运行的时间是0.2950167655944824

numpy处理数据快的原因是：在一个连续的内存块中取存取数据。

1. numpy中的ndarray：一种多维的数组对象，是一种快速灵活的大数据容器。

创建ndarray：数组的创建最简单的办法就是使用array函数，它接收一切序列型的对象，其中也包括数组。

data = [1,2,3,4,5]

arr1=np.array(data)print(arr1)#[1,2,3,4,5] 将python的列表，转成数组

data = [[1,2,3,4,5],[6,7,8,9,10]]

arr2=np.array(data)print(arr2)

[[1 2 3 4 5]

[6 7 8 9 10]]

查看数组的维度和形状

w1 =arr1.ndim # 维度

s1=arr1.shape # 形状

w2=arr2.ndim

s2=arr2.shapeprint("数组arr1的维度是{},形状是{}".format(w1,s1))print("数组arr2的维度是{},形状是{}".format(w2,s2))数组arr1的维度是1,形状是(5,)

数组arr2的维度是2,形状是(2, 5)

其他形式的创建数组

np.zeros(20)#结果

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,

0., 0., 0.])

np.zeros((3,6))

# 结果

array([[0., 0., 0., 0., 0., 0.],

[0., 0., 0., 0., 0., 0.],

[0., 0., 0., 0., 0., 0.]])

np.ones(10)

array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

np.ones((3,6))

array([[1., 1., 1., 1., 1., 1.],

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

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

np.arrange(10)是python中range的数组版本

np.arange(10)#array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

2 numpy中的ndarray的数据类型

创建时候指定数据类型

data = [1,2,3,4,5]

arr3= np.array(data,dtype=np.float64)print(arr3.dtype)#float64

数组数据类型转换

data = [1,2,3,4,5]

arr4=np.array(data)print(arr4.dtype)#int32

float_arr4 =arr4.astype(np.float64)print(float_arr4.dtype)#float64

注意：浮点型，转为整形，小数点后面的数组，自动去除，类型与python中的取整。

data = [1.1,2,1,3,1,4,1]

arr5=np.array(data)print(arr5.dtype)

int_arr5=arr5.astype(np.int32)print(int_arr5.dtype)#

float64

int32print(int_arr5)#[1 2 1 3 1 4 1]

注意：astype可以将某些全是数值类型的字符串转成数值形式 str = "123456"

demo = ["1","2","3"]

demo_str=np.array(data)

new_demo=demo_str.astype(float)

new_demo#array([1.1, 2. , 1. , 3. , 1. , 4. , 1. ]) # 结果很奇怪

二：numpy数组的运算

加减乘除

arr6 = np.array([[1,2,3,4,5],[6,7,8,9,10]])

arr6#结果

array([[ 1, 2, 3, 4, 5],

[6, 7, 8, 9, 10]])

arr6+arr6#结果

array([[ 2, 4, 6, 8, 10],

[12, 14, 16, 18, 20]])

arr6-arr6#结果

array([[0, 0, 0, 0, 0],

[0, 0, 0, 0, 0]])

arr6*arr6#结果

array([[ 1, 4, 9, 16, 25],

[36, 49, 64, 81, 100]])1 /arr6#结果

array([[1. , 0.5 , 0.33333333, 0.25 , 0.2],

[0.16666667, 0.14285714, 0.125 , 0.11111111, 0.1 ]])

数组之间的比值，产生布尔数组

arr6

array([[1, 2, 3, 4, 5],

[6, 7, 8, 9, 10]])

arr7= np.array([[5,4,1,2,3],[6,8,10,9,7]])

arr7

array([[5, 4, 1, 2, 3],

[6, 8, 10, 9, 7]])

arr6>arr7#结果

array([[False, False, True, True, True],

[False, False, False, False, True]])

# 数组与常量进行加减乘除，或者数组之间的比较，叫做广播

切片和索引

一维数组的切片和索引

#一维数组的索引和切片 非常类似于python列表的操作

arr1 = np.arange(10)

arr1

array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])

arr1[0]

0

arr1[0:-1]

array([0,1, 2, 3, 4, 5, 6, 7, 8])

注意：不同于列表的地方是：

arr1[:] =0 # 可以对切片进行改值，将范围内的所有元素改成统一值

arr1

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

arr_slice = arr1[1:3]

arr_slice

array([0, 0])

arr_slice[0]= 1 # 切片不是python字典中的浅拷贝，切片后的元素也是映射到源数组，因此改变切片的内容，也会影响源数组的内容arr1

array([0,1, 0, 0, 0, 0, 0, 0, 0, 0])

注意：虽然会影响到源数组，通过复制切片，再进行修改就不会影响到源数组。

arr_slice2 = arr1[1:3].copy()

arr_slice2

array([1, 0])

arr_slice2[0]= 100arr1

array([0,1, 0, 0, 0, 0, 0, 0, 0, 0])

高维数组的切片和索引：高维数组的索引，不在是数，而是一个数组

二维数组

arr2 = np.array([[1,3],[2,4]])

arr2

array([[1, 3],

[2, 4]])

arr2[0]

array([1, 3])

arr2[1]

array([2, 4])

arr2[1][0]

2

arr2[1][1]

4

三维数组

arr3 = np.array([[[1,2,1],[3,4,3],[5,6,5]]])

arr3

array([[[1, 2, 1],

[3, 4, 3],

[5, 6, 5]]])

arr3[0]

array([[1, 2, 1],

[3, 4, 3],

[5, 6, 5]])

arr3[1]---------------------------------------------------------------------------IndexError Traceback (most recent call last) in

----> 1 arr3[1]

IndexError: index1 is out of bounds for axis 0 with size 1

#因为arr3不是这种结构[[ [],[],[] ],[ [],[],[] ],[ [],[],[] ],[ [],[],[] ]]

arr3[0] 只能取，第一个二维索引，arr3中也只有一个二维索引，1会越界。

注意：arr3[0] 可以用标量和数组进行赋值

arr3[0] = 1arr3

array([[[1, 1, 1],

[1, 1, 1],

[1, 1, 1]]])

arr3[0] =[[0,0,0],[0,0,0],[0,0,0]]

arr3

array([[[0, 0, 0],

[0, 0, 0],

[0, 0, 0]]])

注意：三维数组的连续索引

arr3[0][1]

array([0, 0, 0])

arr3[0,1] # 等价于上面一个

array([0, 0, 0])

二维数组的切片

arr = np.array([[1,2,3],[4,5,6],[7,8,9],[9,8,7],[6,5,4],[3,2,1]])

arr

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9],

[9, 8, 7],

[6, 5, 4],

[3, 2, 1]])

arr[:3] #这种形式的切片是按照x，也就是行，进行切片的。

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

arr = np.array([[1,2,3],[4,5,6],[7,8,9],[9,8,7],[6,5,4],[3,2,1]])

arr

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9],

[9, 8, 7],

[6, 5, 4],

[3, 2, 1]])

arr[:3]

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])#连续按照x轴，即行进行切，第二次切是对每一个一维数组进行切片。

arr[:3,1:]

array([[2, 3