Numpy 是Python中数据科学中的核心组件,它给我们提供了多维度高性能数组对象。
Arrays
Numpy.array dtype 变量
dtype变量,用来存放数据类型, 创建数组时可以同时指定
importnumpyprint ('生成指定元素类型的数组:设置dtype属性')
x= numpy.array([1,2.6,3],dtype =numpy.int64)print (x) #元素类型为int64 [1 2 3]
print (x.dtype) #int64
x = numpy.array([1,2,3],dtype =numpy.float64)print (x) #元素类型为float64 [1. 2. 3.]
print(x.dtype) float64print ('使用astype复制数组,并转换类型')
x= numpy.array([1,2.6,3],dtype =numpy.float64)
y=x.astype(numpy.int32)print (y) #[1 2 3]
print (x) #[ 1. 2.6 3. ]
z =y.astype(numpy.float64)print (z) #[ 1. 2. 3.]
print ('将字符串元素转换为数值元素')
x= numpy.array(['1','2','3'],dtype =numpy.string_)
y=x.astype(numpy.int32)print (x) #['1' '2' '3'] #[b'1' b'2' b'3']
print (y) #[1 2 3] 若转换失败会抛出异常
print ('使用其他数组的数据类型作为参数')
x= numpy.array([ 1., 2.6,3. ],dtype =numpy.float32)
y= numpy.arange(3,dtype=numpy.int32)print (y) #[0 1 2]
print (y.astype(x.dtype)) #[ 0. 1. 2.]
print ('不带类型的数据') 若有精度不同的,会自动升级
a= numpy.array([ 1, 2.6,3])print(a) #[1. 2.6 3. ]
print ('不带类型的数据') 这里的数值自动识别为string
a= numpy.array([ 1, 2.6,'3'])print(a) #['1' '2.6' '3']
2.Numpy.array shape变量, reshape 变量
shape 是显示当前矩阵行列数(维度), reshap 是根据参数改变矩阵的布局。
importnumpy as np
ex= np.arange(0,12,1)print(ex)#括号里的0可以省略,也可以换成其他起始数,1是步长。运行上述代码,我们#发现ex只是一个序列并没有维数(形状)上的特征#[ 0 1 2 3 4 5 6 7 8 9 10 11]
#接下来我们用reshape来更改数组的形状
ex1 = np.arange(12).reshape(1,12) #1是行数,2是列数
print('reshape')print(ex1)
ex2= np.arange(12).reshape((1,12)) #形状以数组形式传入
print('reshape')print(ex2)
ex3= np.arange(12).reshape(1,-1)print('reshape')print(ex3)#-1代表依据前面已经给定的行数来确定列数
#b= array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]])#ex1,ex2,ex3 出来的数组相同,如上所示,跟ex区别的地方在于多了一个#中括号,所以ex1有了形状,像是1*12的矩阵。当然要真正变成矩阵还需要#np.mat()函数#ex4 = ex.reshape(3, 4) #or ex4=ex.reshape(3,-1)
print(ex4)print(ex4.shape)
还可以用shape去改变形状
importnumpy as np
ex= np.arange(0,12,1)print('原来数据')print(ex)
ex.shape= 3,4
print('改变形状后的数据')print(ex)#原来数据#[ 0 1 2 3 4 5 6 7 8 9 10 11]#改变形状后的数据#[[ 0 1 2 3]#[ 4 5 6 7]#[ 8 9 10 11]]
3. numpy.array的矢量化计算
矢量(向量)运算: 相同大小的数组键间的运算应用在元素上
矢量和标量运算:广播- 将标量广播到各个矢量元素
importnumpyprint ('array数组与标量/数组的运算')
x= numpy.array([1,2,3])print (x*2) #[2 4 6]
print ('array矢量和标量的运算')print (x>2) #[False False True]
y = numpy.array([3,4,5])print (x+y) #[4 6 8]
print ('array矢量和矢量的运算')print (x>y) #[False False False]
#array数组与标量/数组的运算#[2 4 6]#array矢量和标量的运算#[False False True]#[4 6 8]#array矢量和矢量的运算#[False False False]
4. 数组的index 和slicer
如果是一维的,与python list 差不多,可以做参考
index:
importnumpyprint ('array基本索引')
a= numpy.arange(6)
a.shape=(3,2)print(a)#[[0 1]#[2 3]#[4 5]]#print (a[0])#和普通数组一样,指向第一行数据#[0 1]
print (a[:,0])#和普通数组一样,指向第一列数据,注意巧用:冒号#[0 2 4]
print (a[0,0])#和普通数组一样,指向第一行第一列数据#0#下面展示一个三维的例子
print('#下面展示一个三维的例子')
b= numpy.arange(8)print(b)#[0 1 2 3 4 5 6 7]
b.shape=(2,2,2)print(b)#[[[0 1]#[2 3]]#
#[[4 5]#[6 7]]]
print(b[0])#[[[0 1]#[2 3]]#用copy方法生成一个副本,这样不至于影响元数据,项目中经常用
c =b[0].copy()print(c)#[[[0 1]#[2 3]]
slicer(切片)
importnumpyprint ('ndarray的切片')print ('一维')
x= numpy.array([1,2,3,4,5])print (x[1:3]) #[2,3] 右边开区间
print (x[:3]) #[1,2,3] 左边默认为 0
print (x[1:]) #[2,3,4,5] 右边默认为元素个数
print (x[0:4:2]) #[1,3] 下标递增2
print ('二维')
x= numpy.array([[1,2],[3,4],[5,6]])print(x)print (x[:2]) #[[1 2],[3 4]] 左边从0右边到1因为右边开区间
print (x[:2,:1]) #[[1],[3]] 就是对上面结果[:1]就是像是x[0] Note:此处理解起来有点困难#x[:2] 结果[[1 2],[3 4]] 如果我们把这个结果作为C 那么第二步c[:1] 就会拿到[[1],[3]] 希望可以帮助理解
x[:2,:1] = 0 #用标量赋值
print (x) #[[0,2],[0,4],[5,6]]
x[:2,:1] = [[8],[6]] #用数组赋值
print (x) #[[8,2],[6,4],[5,6]
布尔类型index
importnumpyprint ('ndarray的布尔型索引')
x= numpy.array([3,2,3,1,3,0])#布尔型数组的长度必须跟被索引的轴长度一致
y =numpy.array([True,False,True,False,True,False])print (x[y]) #[3,3,3]
print (x[y==False]) #[2,1,0]
print (x>=3) #[ True False True False True False]
print (x[(x>=3)]) #[3 3 3]
print (x[~(x>=3)]) #[2,1,0]
print ((x==2)|(x==1)) #[False True False True False False]
print (x[(x==2)|(x==1)]) #[2 1]
x[(x==2)|(x==1)] =0print (x) #[3 0 3 0 3 0]
其他
importnumpyprint ('ndarray的花式索引:使用整型数组作为索引')
x= numpy.array([1,2,3,4,5,6])print (x[[0,1,2]]) #[1 2 3]
print (x[[-1,-2,-3]]) #[6,5,4]
x = numpy.array([[1,2],[3,4],[5,6]])print (x[[0,1]]) #[[1,2],[3,4]]
print (x[[0,1],[0,1]]) #[1,4] 打印x[0][0]和x[1][1]
print (x[[0,1]][:,[0,1]]) #打印01行的01列 [[1,2],[3,4]]#使用numpy.ix_()函数增强可读性
print (x[numpy.ix_([0,1],[0,1])]) #同上 打印01行的01列 [[1,2],[3,4]]
x[[0,1],[0,1]] =[0,0]print (x) #[[0,2],[3,0],[5,6]]
矩阵的转置和轴变化
importnumpyprint ('array数组的转置和轴对换')
k= numpy.arange(9) #[0,1,....8]
m = k.reshape((3,3)) #改变数组的shape复制生成2维的,每个维度长度为3的数组
print (k) #[0 1 2 3 4 5 6 7 8]
print (m) #[[0 1 2] [3 4 5] [6 7 8]]#转置(矩阵)数组:T属性 : mT[x][y] = m[y][x]
print (m.T) #[[0 3 6] [1 4 7] [2 5 8]]#计算矩阵的内积 xTx
print (numpy.dot(m,m.T)) #numpy.dot点乘#高维数组的轴对象
k = numpy.arange(8).reshape(2,2,2)print (k) #[[[0 1],[2 3]],[[4 5],[6 7]]]
print (k[1][0][0]) #4#轴变换 transpose 参数:由轴编号组成的元组
m = k.transpose((1,0,2)) #m[y][x][z] = k[x][y][z]
print (m) #[[[0 1],[4 5]],[[2 3],[6 7]]]
print (m[0][1][0])#轴交换 swapaxes (axes:轴),参数:一对轴编号
m = k.swapaxes(0,1) #将第一个轴和第二个轴交换 m[y][x][z] = k[x][y][z]
print (m) #[[[0 1],[4 5]],[[2 3],[6 7]]]
print (m[0][1][0])#使用轴交换进行数组矩阵转置
m = numpy.arange(9).reshape((3,3))print (m) #[[0 1 2] [3 4 5] [6 7 8]]
print (m.swapaxes(1,0)) #[[0 3 6] [1 4 7] [2 5 8]]
Where 条件
importnumpyprint ('where函数的使用')
cond=numpy.array([True,False,True,False])
x= numpy.where(cond,-2,2)print (x) #[-2 2 -2 2]
cond = numpy.array([1,2,3,4])
x= numpy.where(cond>2,-2,2)print (x) #[ 2 2 -2 -2]
y1 = numpy.array([-1,-2,-3,-4])
y2= numpy.array([1,2,3,4])
x= numpy.where(cond>2,y1,y2) #长度须匹配
print (x) #[1,2,-3,-4]
print ('where函数的嵌套使用')
y1= numpy.array([-1,-2,-3,-4,-5,-6])
y2= numpy.array([1,2,3,4,5,6])
y3= numpy.zeros(6)
cond= numpy.array([1,2,3,4,5,6])
x= numpy.where(cond>5,y3,numpy.where(cond>2,y1,y2))print (x) #[ 1. 2. -3. -4. -5. 0.]
Array 的计算函数
importnumpyprint ('numpy的基本统计方法')
x= numpy.array([[1,2],[3,3],[1,2]]) #同一维度上的数组长度须一致
print (x.mean()) #2
print (x.mean(axis=1)) #对每一行的元素求平均 这个要注意
print (x.mean(axis=0)) #对每一列的元素求平均
print (x.sum()) #同理 12
print (x.sum(axis=1)) #[3 6 3]
print (x.max()) #3
print (x.max(axis=1)) #[2 3 2]
print (x.cumsum()) #[ 1 3 6 9 10 12] 所有元素的累加和
print (x.cumprod()) #[ 1 2 6 18 18 36] 所有元素的累加积
sum: 统计数组某个维度中的True的个数
any: 统计数组某个维度是否存在一个或者多个True
all: 统计数组中某个维度是否都是True
Array 排序
importnumpyprint ('.sort的就地排序')
x= numpy.array([[1,6,2],[6,1,3],[1,5,2]])
x.sort(axis=1)print (x) #[[1 2 6] [1 3 6] [1 2 5]]#非就地排序:numpy.sort()可产生数组的副本
Array 的去重和集合计算
importnumpyprint ('array的唯一化和集合运算')
x= numpy.array([[1,6,2],[6,1,3],[1,5,2]])print (numpy.unique(x)) #[1,2,3,5,6]
y = numpy.array([1,6,5])print (numpy.in1d(x,y)) #[ True True False True True False True True False]
print (numpy.setdiff1d(x,y)) #[2 3]
print (numpy.intersect1d(x,y)) #[1 5 6]
Array 的线性代数操作
importnumpyimportnumpy.linalg as nlaprint ('矩阵点乘')
x= numpy.array([[1,2],[3,4]])
y= numpy.array([[1,3],[2,4]])print (x.dot(y)) #[[ 5 11][11 25]]
print (numpy.dot(x,y)) ## [[ 5 11][11 25]]
print ('矩阵求逆')
x= numpy.array([[1,1],[1,2]])
y= nla.inv(x) #矩阵求逆(若矩阵的逆存在)
print (x.dot(y)) #单位矩阵 [[ 1. 0.][ 0. 1.]]
print (nla.det(x)) #求行列式
array 的split merge 拆分和合并
importnumpyprint ('数组的合并与拆分')
x= numpy.array([[1, 2, 3], [4, 5, 6]])
y= numpy.array([[7, 8, 9], [10, 11, 12]])print (numpy.concatenate([x, y], axis =0))#竖直组合 [[ 1 2 3][ 4 5 6][ 7 8 9][10 11 12]]
print (numpy.concatenate([x, y], axis = 1))#水平组合 [[ 1 2 3 7 8 9][ 4 5 6 10 11 12]]
print ('垂直stack与水平stack')print (numpy.vstack((x, y))) #垂直堆叠:相对于垂直组合
print (numpy.hstack((x, y))) #水平堆叠:相对于水平组合#dstack:按深度堆叠
print (numpy.split(x,2,axis=0))#按行分割 [array([[1, 2, 3]]), array([[4, 5, 6]])]
print (numpy.split(x,3,axis=1))#按列分割 [array([[1],[4]]), array([[2],[5]]), array([[3],[6]])]
#堆叠辅助类
importnumpy as np
arr= np.arange(6)
arr1= arr.reshape((3, 2))
arr2= np.random.randn(3, 2)print ('r_用于按行堆叠')print(np.r_[arr1, arr2])#'''#[[ 0. 1. ]#[ 2. 3. ]#[ 4. 5. ]#[ 0.22621904 0.39719794]#[-1.2201912 -0.23623549]#[-0.83229114 -0.72678578]]#'''
print ('c_用于按列堆叠')print(np.c_[np.r_[arr1, arr2], arr])#'''#[[ 0. 1. 0. ]#[ 2. 3. 1. ]#[ 4. 5. 2. ]#[ 0.22621904 0.39719794 3. ]#[-1.2201912 -0.23623549 4. ]#[-0.83229114 -0.72678578 5. ]]#'''
print ('切片直接转为数组')print (np.c_[1:6, -10:-5])
Array repeat 和title
#堆叠辅助类
importnumpyprint ('数组的元素重复操作')
x= numpy.array([[1,2],[3,4]])print (x.repeat(2)) #按元素重复 [1 1 2 2 3 3 4 4]
print (x.repeat(2,axis=0)) #按行重复 [[1 2][1 2][3 4][3 4]]
print (x.repeat(2,axis=1)) #按列重复 [[1 1 2 2][3 3 4 4]]
x = numpy.array([1,2])print (numpy.tile(x,2)) #tile瓦片:[1 2 1 2]
print (numpy.tile(x, (2, 2))) #指定从低维到高维依次复制的次数。#[[1 2 1 2][1 2 1 2]]