python怎么用numpy_Python——NumPy的使用

NumPy简介

Numpy提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于处理多维数组（矩阵）的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。

高性能科学计算和数据分析的基础包

ndarray，多维数组（矩阵），具有矢量运算能力，快速、节省空间

矩阵运算，无需循环，可完成类似Matlab中的矢量运算

线性代数、随机数生成

1、创建数组的3种方法

import random

import numpy as np

# numpy是帮助我们进行数值型计算的

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

print(a) # [1 2 3 4 5]

print(type(a)) #

b = np.array(range(1,6))

print(b)

print(type(b))

c = np.arange(1,6)

print(c)

print(type(c))

# dtype:查看数组中数据的类型

print(c.dtype) # int64，默认是根据电脑位数来的

# 指定生成的数据类型

d = np.array([1,1,0,1],dtype=bool)

print(d) # [ True True False True]

# numpy中的小数

e = np.array([random.random() for i in range(4)])

print(e) # [0.8908038 0.4591454 0.38334215 0.08534364]

print(type(e)) #

print(e.dtype) # float64

# 取数据的几位小数

f = e.round(2) # 或者 f = np.round(e,2)

print(f) # [0.92 0.27 0.07 0.94]

2、数组的形状

import numpy as np

# 数组的形状

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

print(a)

"""

二维数组

[[1 3 4]

[3 5 6]]

"""

print(a.shape) # (2,3)，代表着2行3列的数组

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

print(b)

"""

三维数组

[[[1 2 3]

[4 5 6]]

[[1 2 3]

[4 5 6]]]

"""

print(b.shape) # (2, 2, 3)

# 由于上面这种写法（几维数组）过于复杂

c = np.arange(12) # 生成一个一维数组

d = np.reshape(c,(3,4)) # 将1维数组转变成3*4的二维数组

print(d)

"""

3*4的二维数组

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

"""

e = np.arange(24)

f = e.reshape((2,3,4))

print(f)

"""

2*3*4的三维数组，其中2表示块数，3行4列

[[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

[[12 13 14 15]

[16 17 18 19]

[20 21 22 23]]]

"""

# 三种方式将3维数组f，转成1维数组

g = f.reshape((24,)) # 一定要有， f.reshape((1,24))也行

h = f.reshape((f.shape[0]*f.shape[1]*f.shape[2],))

i = f.flatten()

print(g)

print(h)

print(i)

3、数组的计算

import numpy as np

# 数组的计算

a = np.array([i for i in range(12)])

b = a.reshape((3,4)) # 2维数组

print(b)

"""

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

"""

print(b+2)

"""

numpy会将数组中的所有元素+2，+—*/同理，下面看一个特殊的

[[ 2 3 4 5]

[ 6 7 8 9]

[10 11 12 13]]

"""

# print(b/0)

"""

在numpy中，/0并不会报错，其中nan（not a number）代表未定义或不可表示的值，inf（infimum）表示无穷

[[nan inf inf inf]

[inf inf inf inf]

[inf inf inf inf]]

"""

# 两个相同结构的数组的+——*/

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

d = np.array([5,6,7,8])

e = c.reshape((2,2))

f = d.reshape((2,2))

print(e+f)

"""

e:

[[1 2]

[3 4]]

f:

[[5 6

[7 8]]

e+f:

[[ 6 8]

[10 12]]

"""

# 因为行的维度两个数组是相同的，所以会对每一行进行+——*/运算

# 多维中有一个（或以上）维度相同的话就可以进行计算

# 所有维度都不相同，无法进行计算

4、加载csv数据

"""

加载csv数据

"""

us_file_path = "./youtube_video_data/US_video_data_numbers.csv"

uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

"""

fname：文件路径

delimiter：数据分隔符（默认为空格）

dtype：数据类型

skiprows：跳过多少行

usecols：选取指定的列（元组类型）

unpack：是否转置

"""

aaa = np.loadtxt(fname=us_file_path,delimiter=",",dtype=int)

5、转置操作

a = np.array([i for i in range(12)])

b = a.reshape((3,4))

print(b)

"""

转置的3中方法

转置：2维数组的行和列交换

"""

print(b.T)

print(b.transpose())

# 交换0轴和1轴

print(b.swapaxes(1,0))

6、取行/列

"""

取行/列

"""

# 取第3行

print(b[2])

# 取连续的多行（2～4行）

print(b[1:4])

# 取不连续的多行(1、3行)

print(b[[0,2]])

# 取第2列

print(b[:,1])

# 取连续的多列（1～3列）

print(b[:,0:3])

# 取不连续的多列（1，3列）

print(b[:,[0,2]])

# 取行列交叉的点（3行4列）

c = b[2,3]

print(c)

print(type(c))

#取多行和多列，取第3行到第五行，第2列到第4列的结果

#去的是行和列交叉点的位置

print(b[2:5,1:4])

#取多个不相邻的点

#选出来的结果是（0，0） （2，1） （2，3）

print(b[[0,2,2],[0,1,3]])

7、布尔索引、三元运算、裁剪

"""

numpy中的布尔索引

"""

print(b)

"""

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

"""

print(b>5)

"""

[[False False False False]

[False False True True]

[ True True True True]]

"""

# Demo：将数组中>5的值改成5

print(b[b>5]) # [ 6 7 8 9 10 11]

b[b>5] = 5

"""

numpy中的三元运算

"""

# b中小于4的==>0，大于等于4的==>10

c = np.where(b<4,0,10)

# 注意：不会修改b，而是有一个返回值

print(c)

"""

numpy中的裁剪

"""

# 小于10的替换成10，大于18的替换成18

b.clip(10,18)

8、numpy中的nan和inf

nan(NAN,Nan):not a number表示不是一个数字

什么时候numpy中会出现nan：

当我们读取本地的文件为float的时候，如果有缺失，就会出现nan

当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)

inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷

什么时候回出现inf包括（-inf，+inf）

比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）

注意点：

inf和nan都是float类型

那么问题来了，在一组数据中单纯的把nan替换为0，合适么？会带来什么样的影响？

比如，全部替换为0后，替换之前的平均值如果大于0，替换之后的均值肯定会变小，所以更一般的方式是把缺失的数值替换为均值（中值）或者是直接删除有缺失值的一行

那么问题来了：

如何计算一组数据的中值或者是均值

常用的统计函数

求和：t.sum(axis=None)

均值：t.mean(a,axis=None) 受离群点的影响较大

中值：np.median(t,axis=None)

最大值：t.max(axis=None)

最小值：t.min(axis=None)

极值：np.ptp(t,axis=None) 即最大值和最小值只差

标准差：t.std(axis=None)

默认返回多维数组的全部的统计结果,如果指定axis则返回一个当前轴上的结果

Demo：将数组中的nan替换成平均值

import numpy as np

def fill_ndarray(t1):

# 对每列进行操作

for i in range(t1.shape[1]):

# 获取当前列

temp_col = t1[:,i]

# 判断这列中有没有nan

nan_number = np.count_nonzero(temp_col!=temp_col)

if nan_number > 0:

# 获取当前列中不为nan的数组

temp_not_nan_col = temp_col[temp_col==temp_col]

# 找出nan，替换成平均值，或temp_col(np.isnan(temp_col)) = temp_not_nan_col.mean()

temp_col[temp_col!=temp_col] = temp_not_nan_col.mean()

return t1

if __name__ == '__main__':

t1 = np.arange(24).reshape((4, 6)).astype("float")

# 将第二行的3列以后赋值为nan

t1[1, 2:] = np.nan

t2 = fill_ndarray(t1)

print(t2)

更多好用方法

获取最大值最小值的位置

np.argmax(t,axis=0)

np.argmin(t,axis=1)

创建一个全0的数组: np.zeros((3,4))

创建一个全1的数组: np.ones((3,4))

创建一个对角线为1的正方形数组(方阵)：np.eye(3)

numpy中的copy和view

a=b 完全不复制，a和b相互影响

a = b[:],视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的，

a = b.copy(),复制，a和b互不影响

生成随机数

轴

二维数组的轴：

三维数组的轴：