2021-06-26-数据分析学习笔记3-Numpy其三

一、Numpy

通用函数

1.一元函数

2.二元函数

3.聚合函数

使用 np.sum 或者是 a.sum 即可实现。并且在使用的时候，可以指定具体哪个轴。同样Python 中也内置了 sum 函数，但是Python内置的 sum 函数执行效率没有 np.sum 那么高。

4.布尔判断函数

比如想看下数组中是不是所有元素都为0，那么可以通过以下代码来实现：

np.all(a==0) 
# 或者是
(a==0).all()

比如我们想要看数组中是否有等于0的数，那么可以通过以下代码来实现：

np.any(a==0)
# 或者是
(a==0).any()

5.排序

（1）np.sort

np.sort ：指定轴进行排序。默认是使用数组的最后一个轴进行排序。

 a = np.random.randint(0,10,size=(3,5))
 b = np.sort(a) #按照行进行排序，因为最后一个轴是1，那么就是将最里面的元素进行排序，按行排序。
 c = np.sort(a,axis=0) #按照列进行排序，因为指定了axis=0

还有 ndarray.sort() ，这个方法会直接影响到原来的数组，而不是返回一个新的排序后的数
组。

（2）np.argsort

np.argsort ：返回排序后的下标值

 np.argsort(a) #默认也是使用最后的一个轴来进行排序。

（3）np.sort

降序排序： np.sort 默认会采用升序排序。如果我们想采用降序排序。那么可以采用以下方
案来实现：

# 1. 使用负号
 -np.sort(-a)
# 2. 使用sort和argsort以及take
 indexes = np.argsort(-a) #排序后的结果就是降序的
 np.take(a,indexes) #从a中根据下标提取相应的元素

6.其他函数补充

（1）np.apply_along_axis

np.apply_along_axis ：沿着某个轴执行指定的函数。

# 求数组a按行求均值，并且要去掉最大值和最小值。
 np.apply_along_axis(lambda x:x[(x != x.max()) & (x != x.min())].mean(),axis=1,arr=
a)

（2）np.linspace

np.linspace ：用来将指定区间内的值平均分成多少份。

# 将0-1分成12分，生成一个数组
 np.linspace(0,1,12)

（3）np.unique

np.unique ：返回数组中的唯一值。

# 返回数组a中的唯一值，并且会返回每个唯一值出现的次数。
 np.unique(a,return_counts=True)

7.部分代码示例

import numpy as np

# 函数原型：numpy.random.uniform(low,high,size)
# 从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，
# 即包含low，不包含high.
a = np.random.uniform(-10,10,size=(3,5))
print(a)

# 求绝对值
print("绝对值：")
print(np.abs(a))

# 开根号
print("开根号：")
print(np.sqrt(a))

# 二元函数
# add
print("二元函数 add：")
print(np.add(a,np.random.randint(0,5,size=(3,1))))

# 大于 a[a>0]
print("a > 0 = ")
print(a[np.greater(a,0)])
# 大于且小于 a[(a>0)&(a<5)]
print("0 < a < 5 = ")
print(a[np.logical_and(a>0,a<5)])

# 求最小值
print("最小值：")
print(a)
print(np.min(a,axis=0)) # 列
print(np.argmin(a,axis=0)) # 列

# 排序
# 倒序：除了下面这个方法，也可以用 -np.sort(-a)
print("排序 - 倒序：")
indexes = np.argsort(-a)
np.take(a,indexes)

print("="*30)
c = np.random.randint(0,100,size=(3,20))
print("c = ")
print(c)
print("="*30)

# np.apply_along_axis ：沿着某个轴执行指定的函数
# def get_mean(x):
#     y =x[np.logical_and(x!=x.max(),x!=x.min())].mean()
#     print(y)
#     print("="*30)
#     return y

np.apply_along_axis(lambda x:x[np.logical_and(x!=x.max(),x!=x.min())].mean(),axis=1,arr=c)