python numpy.diff_Python Numpy

Numpy 基础

1. Numpy 安装

pip install numpy

pip install numpy-i https://pypi.tuna.tsinghua.edu.cn/simple

2. Numpy 属性

importnumpy as np

array= np.array([[1, 2, 3], [4, 5, 6]])print(array)#获取维度

print("number of dim:", array.ndim)#获取行数和列数

print("shape:", array.shape)#获取元素个数

print("size:", array.size)"""运行结果：

[[1 2 3]

[4 5 6]]

number of dim: 2

shape: (2, 3)

size: 6"""

3. Numpy创建array

importnumpy as np

t1= np.array([1, 2, 3, 4])print(t1)

t2= np.array([[1, 2, 3, 4], [5, 6, 7, 8]])print(t2)

t3= np.zeros((3, 4))print(t3)

t4= np.ones((3, 4), dtype=np.int16)print(t4)

t5= np.empty((3, 4))print(t5)

t6= np.arange(10, 20, 2)print(t6)

t7= np.arange(12).reshape(3, 4)print(t7)

t8= np.linspace(1, 10, 6).reshape(2, 3)print(t8)"""运行结果：

[1 2 3 4]

[[1 2 3 4]

[5 6 7 8]]

[[0. 0. 0. 0.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]

[[1 1 1 1]

[1 1 1 1]

[1 1 1 1]]

[[0. 0. 0. 0.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]

[10 12 14 16 18]

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

[[ 1. 2.8 4.6]

[ 6.4 8.2 10. ]]"""

4. Numpy的基础运算

4.1Numpy 数据类型

类型类型代码说明

int8, uint8

i1, u1

有符号和无符号的8位(1字节)整形

int16, uint16

i2, u2

有符号和无符号的16位(2字节)整形

int32, uint32

i4, u4

有符号和无符号的32位(4字节)整形

int64, uint64

i8, u8

有符号和无符号的64位(8字节)整形

float16

f2

半精度浮点数

float32

f4或f

标准的点季度浮点数，与C的float兼容

float64

f8或d

标准的点季度浮点数，与C的double和Python的float对象兼容

float128

f16或g

扩展精度浮点数

complex64,

c8

32位浮点数标识的复数

complex128

c16

64位浮点数标识的复数

complex256

c32

128位浮点数标识的复数

boll

?

存储True和Flase值得布尔类型

4.2numpy 数据类型操作

importnumpy as np#指定数据类型

t_1 = np.array(range(1, 5), dtype=float)print(t_1, type(t_1), t_1.dtype)

t_2= np.array(range(1, 5), dtype='i1')print(t_2, type(t_2), t_2.dtype)

t_3= np.array([1, 0, 1, 1, 0, 0], dtype=bool)print(t_3, type(t_3), t_3.dtype)#修改数据类型

t_4 = t_3.astype('int8')print(t_4, type(t_4), t_4.dtype)"""运行结果：

[1. 2. 3. 4.] float64

[1 2 3 4] int8

[ True False True True False False] bool

[1 0 1 1 0 0] int8"""

4.3 修改浮点型的小数位数

importnumpy as npfrom random importrandom

t_1= np.array([random() for i in range(10)], dtype=float)print(t_1, type(t_1), t_1.dtype)#保留两位小数

t_2 = np.round(t_1, 2)print(t_2)"""运行结果：

[0.44010709 0.57982965 0.87300702 0.39740862 0.30596835 0.08421772 0.58618834 0.61866253 0.41368359 0.32946455] float64

[0.44 0.58 0.87 0.4 0.31 0.08 0.59 0.62 0.41 0.33]"""

4.4 实例

demo_01

importnumpy as np

t1= np.array([10, 20, 30, 40])

t2= np.arange(4)print("原始的元素:", t1, t2)#对应位置的元素进行相减

print("对应位置的元素进行相减:", t1 -t2)#对应位置的元素进行相加

print("对应位置的元素进行相加:", t1 +t2)#对应位置的元素进行相乘

print("对应位置的元素进行相乘:", t1 *t2)#输出t1的平方

print("t1的平方:", t1 ** 2)#布尔索引

print("布尔索引:", t2 < 3)"""运行结果：

原始的元素: [10 20 30 40] [0 1 2 3]

对应位置的元素进行相减: [10 19 28 37]

对应位置的元素进行相加: [10 21 32 43]

对应位置的元素进行相乘: [ 0 20 60 120]

t1的平方: [ 100 400 900 1600]

布尔索引: [ True True True False]"""

demo_02

importnumpy as np

t1= np.array([[1, 1], [0, 1]])

t2= np.arange(4).reshape(2, 2)print("原始的元素t1:", t1)print("原始的元素t2:", t2)#对应位置的元素进行相乘

print("对应位置的元素进行相乘:", t1 *t2)#矩阵乘法

print("矩阵乘法方式一:", np.dot(t1, t2))print("矩阵乘法方式二:", t1.dot(t2))"""运行结果：

原始的元素t1: [[1 1]

[0 1]]

原始的元素t2: [[0 1]

[2 3]]

对应位置的元素进行相乘: [[0 1]

[0 3]]

矩阵乘法方式一: [[2 4]

[2 3]]

矩阵乘法方式二: [[2 4]

[2 3]]"""

demo_03

importnumpy as np

t1= np.random.random((2, 4))print(t1)print("求和", np.sum(t1))print("求最小值", np.min(t1))print("求最大值", np.max(t1))#自定义维度

print("自定义维度求和", np.sum(t1, axis=1))print("自定义维度求最小值", np.min(t1, axis=0))print("自定义维度求最大值", np.max(t1, axis=1))"""运行结果：

[[0.71728488 0.18311745 0.78101771 0.44276308]

[0.59118476 0.11805874 0.49797704 0.14829068]]

求和 3.479694341207028

求最小值 0.1180587424542946

求最大值 0.7810177064485218

自定义维度求和 [2.12418312 1.35551122]

自定义维度求最小值 [0.59118476 0.11805874 0.49797704 0.14829068]

自定义维度求最大值 [0.78101771 0.59118476]"""

demo_04

importnumpy as np

t1= np.arange(2, 14).reshape((3, 4))print(t1)#获取最小值的索引

print("获取最小值的索引:\n", np.argmin(t1))#获取最大值的索引

print("获取最大值的索引:\n", np.argmax(t1))#获取平均值

print("获取平均值:\n", np.mean(t1))print("获取平均值:\n", np.average(t1))#获取中位数

print("获取中位数:\n", np.median(t1))#逐步累加

print("逐步累加:\n", np.cumsum(t1))#每两个数之间的差

print("每两个数之间的差:\n", np.diff(t1))#找出非0的数

print("找出非0的数:\n", np.nonzero(t1))#排序

print("排序:\n", np.sort(t1))#将行变成列，将列变成行

print("将行变成列，将列变成行:\n", np.transpose(t1))print("将行变成列，将列变成行:\n", t1.T)#将矩阵中大于9的数该为9，将小于5的数改为5

print("将矩阵中大于9的数该为9，将小于5的数改为5:\n", np.clip(t1, 5, 9))"""运行结果：

[[ 2 3 4 5]

[ 6 7 8 9]

[10 11 12 13]]

获取最小值的索引:

0

获取最大值的索引:

11

获取平均值:

7.5

获取平均值:

7.5

获取中位数:

7.5

逐步累加:

[ 2 5 9 14 20 27 35 44 54 65 77 90]

每两个数之间的差:

[[1 1 1]

[1 1 1]

[1 1 1]]

找出非0的数:

(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))

排序:

[[ 2 3 4 5]

[ 6 7 8 9]

[10 11 12 13]]

将行变成列，将列变成行:

[[ 2 6 10]

[ 3 7 11]

[ 4 8 12]

[ 5 9 13]]

将行变成列，将列变成行:

[[ 2 6 10]

[ 3 7 11]

[ 4 8 12]

[ 5 9 13]]

将矩阵中大于9的数该为9，将小于5的数改为5:

[[5 5 5 5]

[6 7 8 9]

[9 9 9 9]]"""

4.5 Numpy 中的转置

importnumpy as np

t1= np.arange(24).reshape((4, 6))print(t1)print('*' * 50)#转置方式1(讲原始的行变成列，将列变成行)

print(t1.transpose())print('*' * 50)#转置方式2

print(t1.T)print('*' * 50)#转置方式3

print(t1.swapaxes(1,0))"""运行结果：

[[ 0 1 2 3 4 5]

[ 6 7 8 9 10 11]

[12 13 14 15 16 17]

[18 19 20 21 22 23]]

**************************************************

[[ 0 6 12 18]

[ 1 7 13 19]

[ 2 8 14 20]

[ 3 9 15 21]

[ 4 10 16 22]

[ 5 11 17 23]]

**************************************************

[[ 0 6 12 18]

[ 1 7 13 19]

[ 2 8 14 20]

[ 3 9 15 21]

[ 4 10 16 22]

[ 5 11 17 23]]

**************************************************

[[ 0 6 12 18]

[ 1 7 13 19]

[ 2 8 14 20]

[ 3 9 15 21]

[ 4 10 16 22]

[ 5 11 17 23]]"""

5. Numpy索引

importnumpy as np#一维数组

t1 = np.arange(3, 15)print(t1)print(t1[3])#二维数组

t2 = np.arange(3, 15).reshape(3, 4)print(t2)print("获取第2行第2列的元素:", t2[1][1])print("获取第3行第3列的元素:", t2[2][2])print("获取第3行第2列的元素:", t2[2, 1])print("获取第3行的所有元素:", t2[2, :])print("获取第2列的所有元素:", t2[:, 1])print("获取第1行的第2列到第3列的元素:", t2[1, 1:3])#循环

print(t2.flatten())for item int2.flat:print(item)"""运行结果：

[ 3 4 5 6 7 8 9 10 11 12 13 14]

6

[[ 3 4 5 6]

[ 7 8 9 10]

[11 12 13 14]]

获取第2行第2列的元素: 8

获取第3行第3列的元素: 13

获取第3行第2列的元素: 12

获取第3行的所有元素: [11 12 13 14]

获取第2列的所有元素: [ 4 8 12]

获取第1行的第2列到第3列的元素: [8 9]

[ 3 4 5 6 7 8 9 10 11 12 13 14]

3

4

5

6

7

8

9

10

11

12

13

14"""

6. Numpy array合并

importnumpy as np

t1= np.array([1, 1, 1])

t2= np.array([2, 2, 2])#上下合并

t3 =np.vstack((t1, t2))print("上下合并:\n", t3, t3.shape)#左右合并

t4 =np.hstack((t1, t2))print("左右合并:\n", t4, t4.shape)#改变维度

s1 = np.array([1, 1, 1])[:, np.newaxis]

s2= np.array([2, 2, 2])[:, np.newaxis]#上下合并

s3 =np.vstack((s1, s2))print("上下合并:\n", s3, s3.shape)#左右合并

s4 =np.hstack((s1, s2))print("左右合并:\n", s4, s4.shape)#多个array合并

s5 = np.concatenate((s1, s2, s2, s1), axis=0)print(s5)

s6= np.concatenate((s1, s2, s2, s1), axis=1)print(s6)"""运行结果：

上下合并:

[[1 1 1]

[2 2 2]] (2, 3)

左右合并:

[1 1 1 2 2 2] (6,)

上下合并:

[[1]

[1]

[1]

[2]

[2]

[2]] (6, 1)

左右合并:

[[1 2]

[1 2]

[1 2]] (3, 2)

[[1]

[1]

[1]

[2]

[2]

[2]

[2]

[2]

[2]

[1]

[1]

[1]]

[[1 2 2 1]

[1 2 2 1]

[1 2 2 1]]"""

7. Numpy array分割

importnumpy as np

t1= np.arange(12).reshape((3, 4))print(t1)#横向分割

print("横向分割\n")print(np.split(t1, 3, axis=0))print(np.vsplit(t1, 3))#纵向分割

print("纵向分割\n")print(np.split(t1, 2, axis=1))print(np.hsplit(t1, 2))#不等量分割

print("不等量分割\n")print(np.array_split(t1, 3, axis=1))"""运行结果：

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

横向分割

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]

纵向分割

[array([[0, 1],

[4, 5],

[8, 9]]), array([[ 2, 3],

[ 6, 7],

[10, 11]])]

[array([[0, 1],

[4, 5],

[8, 9]]), array([[ 2, 3],

[ 6, 7],

[10, 11]])]

不等量分割

[array([[0, 1],

[4, 5],

[8, 9]]), array([[ 2],

[ 6],

[10]]), array([[ 3],

[ 7],

[11]])]"""

对于刚刚加载出来的数据,我如果只想选择其中的某一列(行)我们应该怎么做呢?

其实操作很简单,和python中列表的操作一样

importnumpy as np

t1= np.arange(64).reshape(8, 8)print("原始数据为:\n", t1)#取一行

print("取一行数据为:\n", t1[0])#取一列

print("取一列数据为:\n", t1[:, 2])#取多行

print("取多行数据为:\n", t1[1:3])#取多列

print("取多列数据为:\n", t1[:, 1:3])#取不连续的多行

print("取不连续的多行:\n", t1[[1, 3, 5]])#取不连续的多列

print("取不连续的多列:\n", t1[:, [1, 3, 5]])#取指定行指定列(取第三行，第四列的值)

print("取指定行指定列:\n", t1[2, 3])#取多行多列(取第三行到第五行，第二列到第四列的结果)

print("取多行多列:\n", t1[2:5, 1:4])#取多个不相邻的点(0, 0), (2, 1), (2, 3)

print("取多个不相邻的点:\n", t1[[0, 2, 2], [0, 1, 3]])"""运行结果

原始数据为:

[[ 0 1 2 3 4 5 6 7]

[ 8 9 10 11 12 13 14 15]

[16 17 18 19 20 21 22 23]

[24 25 26 27 28 29 30 31]

[32 33 34 35 36 37 38 39]

[40 41 42 43 44 45 46 47]

[48 49 50 51 52 53 54 55]

[56 57 58 59 60 61 62 63]]

取一行数据为:

[0 1 2 3 4 5 6 7]

取一列数据为:

[ 2 10 18 26 34 42 50 58]

取多行数据为:

[[ 8 9 10 11 12 13 14 15]

[16 17 18 19 20 21 22 23]]

取多列数据为:

[[ 1 2]

[ 9 10]

[17 18]

[25 26]

[33 34]

[41 42]

[49 50]

[57 58]]

取不连续的多行:

[[ 8 9 10 11 12 13 14 15]

[24 25 26 27 28 29 30 31]

[40 41 42 43 44 45 46 47]]

取不连续的多列:

[[ 1 3 5]

[ 9 11 13]

[17 19 21]

[25 27 29]

[33 35 37]

[41 43 45]

[49 51 53]

[57 59 61]]

取指定行指定列:

19

取多行多列:

[[17 18 19]

[25 26 27]

[33 34 35]]

取多个不相邻的点:

[ 0 17 19]"""

8. Numpy copy&deep copy

importnumpy as np

t1= np.arange(4)print(t1)

c1=t1

t1[0]= 11

print(t1)print(c1 ist1)print(c1)

t2= np.arange(4)

c2=t2.copy()

t2[3] = 44

print(t2)print(c2 ist2)print(c2)"""运行结果：

[0 1 2 3]

[11 1 2 3]

True

[11 1 2 3]

[ 0 1 2 44]

False

[0 1 2 3]"""

9. Numpy读取本地数据

轴(axis)：

在numpy中可以理解为方向，使用0,1,2...数字表示，对于一个一维数组，只有一个0轴，对于2维数组(shape(2, 2))，有0轴和1轴，对于三维数组(shape(2, 2, 3))，有0,1,2轴

有了轴的概念之后我们计算会更加方便，比如计算一个2维数组的平均值，必须制定是计算哪个方向上面的数字的平均值

语法：

np.loadtxt(fname, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes', max_rows=None)

参数解释：

参数解释

fname

文件，字符串或产生器，可以是.gz或bz2压缩文件

dtype

数据类型，可选，csv的字符串一什么数据类型读入数组，默认float

delimiter

分割字符串，默认是任何空格，改为逗号

skiprows

跳过前x行，一般跳过第一行表头

usecols

读取指定的列，索引，元祖类型

unpack

如果是True，读入属性讲分别写入不同数组变量，Flase读入数据只写一个数组变量，默认Flase

importnumpy as np

file_path= './files/demo_001.csv'data= np.loadtxt(file_path, dtype='int', delimiter=',', encoding='utf-8')#转置

data_1 = np.loadtxt(file_path, dtype='int', delimiter=',', encoding='utf-8', unpack=True)print(data)print('*'*50)print(data_1)"""运行结果：

[[ 1234 3467 3478 457889]

[ 1234 3467 3478 457889]

[ 1234 3467 3478 457889]

[ 1234 3467 3478 457889]

[ 1234 3467 3478 457889]]

**************************************************

[[ 1234 1234 1234 1234 1234]

[ 3467 3467 3467 3467 3467]

[ 3478 3478 3478 3478 3478]

[457889 457889 457889 457889 457889]]"""