十月学习打卡-numpy-1

十月学习打卡-numpy-1

import numpy as np

1.通过array()函数进行创建

a = np.array([0, 1, 2, 3, 4])
b = np.array((0, 1, 2, 3, 4))

print(a, type(a))
print(b, type(b))

[0 1 2 3 4] <class 'numpy.ndarray'>
[0 1 2 3 4] <class 'numpy.ndarray'>

2.用list直接转为ndarray格式

list2 = [[1,2],[3,4],[5,6]]
print(type(list2))
twoArray = np.array(list2)
print(type(twoArray))
print(twoArray)

<class 'list'>
<class 'numpy.ndarray'>
[[1 2]
 [3 4]
 [5 6]]
2

3.通过fromfunction()函数进行创建

# 自定义函数 z = 10* + y
def f(x, y):
    print(x)
    print("==========")
    print(y)
    return 10 * x + y

---

#五行四列的二维数组，把每个元素的下标作为xy穿进去
x = np.fromfunction(f,(5,4), dtype=int)
print("============")
print(x)

[[0 0 0 0]
 [1 1 1 1]
 [2 2 2 2]
 [3 3 3 3]
 [4 4 4 4]]
==========
[[0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]]
============
[[ 0  1  2  3]
 [10 11 12 13]
 [20 21 22 23]
 [30 31 32 33]
 [40 41 42 43]]

---

#条件是 i和j是否相等，返回bool
x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
print(x)

[[ True False False]
 [False  True False]
 [False False  True]]

---

# lambda传入，参数和x 和y ，计算结果是 i+j
x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
print(x)

[[0 1 2]
 [1 2 3]
 [2 3 4]]

4.依据 ones 和 zeros 等方式创建矩阵

在机器学习任务中经常做的一件事就是初始化参数，需要用常数值或者随机值来创建一个固定大小的矩阵。

a.值全部是0的数组

zeros()函数：返回给定形状和类型的零数组。

x = np.zeros(5)
x

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

x = np.zeros([2, 3])
x

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

---

zeros_like()函数：返回与给定数组形状和类型相同的零数组。

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(x)
print("*"*20)
print(y)

[[1 2 3]
 [4 5 6]]
********************
[[0 0 0]
 [0 0 0]]

b.值全部是1的数组 (用法和zeros一样)

ones()函数：返回给定形状和类型的1数组。

ones_like()函数：返回与给定数组形状和类型相同的1数组。

c.对角线数组

eye()函数：返回一个对角线上为1，其它地方为零的单位数组。

#对角阵
x = np.eye(4)
print(x)

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

不规则的对角阵

x = np.eye(2, 3)
print(x)

[[1. 0. 0.]
 [0. 1. 0.]]

identity()函数：返回一个规则的对角单位矩阵。

x = np.identity(5)
print(x)

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]

diag()函数：提取对角线或构造对角数组。

x = np.arange(9).reshape((3, 3))
print(x)
print("******************")
# x 是矩阵，k是偏移量
print(np.diag(x))  
print(np.diag(x, k=1))  
print(np.diag(x, k=-1)) 
# 输出结果
[[0 1 2]
 [3 4 5]
 [6 7 8]]
******************
[0 4 8]
[1 5]
[3 7]

可以根据给定的对角线元素自主创建对角矩阵

v = [1, 3, 5, 7]
x = np.diag(v)
x
******************
array([[1, 0, 0, 0],
       [0, 3, 0, 0],
       [0, 0, 5, 0],
       [0, 0, 0, 7]])

---

d.常数

full()函数：返回一个常数数组。

#根据形状，来填充需要的数字
x = np.full((3, 7), 2)
x

array([[2, 2, 2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2, 2, 2],
       [2, 2, 2, 2, 2, 2, 2]])

full_like()函数：返回与给定数组具有相同形状和类型的常数数组。

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 14)
print(x)
print(y)

[[1 2 3]
 [4 5 6]]
[[14 14 14]
 [14 14 14]]

5.利用范围数值来创建ndarray

arange()函数：返回给定间隔内的均匀间隔的值。

x = np.arange(7)
x

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

x = np.arange(1, 10, 2)
x

array([1, 3, 5, 7, 9])

linspace()函数：返回指定间隔内的等间隔数字。

x = np.linspace(start=0, stop=2, num=9)
x

array([0.  , 0.25, 0.5 , 0.75, 1.  , 1.25, 1.5 , 1.75, 2.  ])

logspace()函数：返回数以对数刻度均匀分布。

x = np.logspace(0, 1, 5)
#np.around 返回四舍五入后的值，可指定精度。
print(np.around(x, 2))

[ 1.    1.78  3.16  5.62 10.  ]

numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

x = np.linspace(start=0, stop=1, num=5)
print(x)
print(np.around(x, 2))
x = [1 + i for i in x]
print(np.around(x, 2))
x

[0.   0.25 0.5  0.75 1.  ]
[0.   0.25 0.5  0.75 1.  ]
[1.   1.25 1.5  1.75 2.  ]
[1.0, 1.25, 1.5, 1.75, 2.0]

---

np.random.random返回半开区间[0,1)之间的浮点数

x = np.random.random(5)
print(x)

[0.91388877 0.6242679  0.28931741 0.85518187 0.48879178]

x = np.random.random([2, 3])
print(x)

[[0.38672352 0.60539949 0.27885679]
 [0.70738127 0.11434968 0.65635669]]

6.结构数组的创建

结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})

a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
<class 'numpy.ndarray'>

7.数组的属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。

numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。

numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。

numpy.ndarray.dtype ndarray 对象的元素类型。

numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b)
#维度
print(b.ndim)
#形状
print(b.shape)
#元素个数
print(b.size)
#类型
print(b.dtype)
#返回字节大小
print(b.itemsize)

[[1. 2. 3.]
 [4. 5. 6.]]
2
(2, 3)
6
float64
8

8.ndarray数据类型

通过python之中的list来生成ndarray

list1 = [1,2,3,4]
ndarray = np.array(list1)
print(ndarray)
print(type(ndarray))

[1 2 3 4]
<class 'numpy.ndarray'>

直接生成ndarray

#生成序列
list2 = np.array(range(10))
print(list2)
print(type(list2))

[0 1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>

---

设置播下种子来固定每次生成的随机数

#设置种子来固定每次生成的随机数
np.random.seed(2) 
#随机生成10行两列
list3 = np.array(np.random.rand(10,2))
print(list3)
print(type(list3))

[[0.4359949  0.02592623]
 [0.54966248 0.43532239]
 [0.4203678  0.33033482]
 [0.20464863 0.61927097]
 [0.29965467 0.26682728]
 [0.62113383 0.52914209]
 [0.13457995 0.51357812]
 [0.18443987 0.78533515]
 [0.85397529 0.49423684]
 [0.84656149 0.07964548]]
<class 'numpy.ndarray'>

#范围1-10，生成4个数字
list4 = np.array(np.random.randint(1,10,4))
print(list4)
print(type(list4))

[5 7 4 3]
<class 'numpy.ndarray'>

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str

a = np.array([1, 2, 3, 4, 5])
print(a)  # [1 2 3 4 5]
b = np.array([1, 2, 3, 4, '5'])
print(b)  # ['1' '2' '3' '4' '5']
c = np.array([1, 2, 3, 4, 5.0])
print(c)  # [1. 2. 3. 4. 5.]

[1 2 3 4 5]
['1' '2' '3' '4' '5']
[1. 2. 3. 4. 5.]

---

9.np.nan

x = np.array([1, 1, 8, np.nan, 10])
print(x)
y = np.isnan(x)
print(y)

[ 1.  1.  8. nan 10.]
[False False False  True False]

z = np.count_nonzero(y)
print("计算nan个数：",z)

计算nan个数：1

---

要用is 来判断nan的数值 而不是等于号==

print(np.nan == np.nan)
print(np.nan != np.nan)
print(np.nan is np.nan)

False
True
True

10.时间类型

a.基本时间类型的数据创建 datetime64()

创建以D（天为单位的时间类型）

a = np.datetime64('2020-03-01')
print(a, a.dtype)

2020-03-01 datetime64[D]

创建以M（月为单位的时间类型）

a = np.datetime64('2020-03')
print(a, a.dtype)

2020-03 datetime64[M]

以年为单位的方法同上

---

创建时间如果不写到具体的日，但是指定类型为D 会默认生成当月1号的日期

#指定生成类型单位
a = np.datetime64('2020-03', 'D')
print(a, a.dtype)
b =np.datetime64('2020-03-01')
print(b,b.dtype)
print(a==b)

2020-03-01 datetime64[D]
2020-03-01 datetime64[D]

b.时间数据在工作日方面的应用

is_busday() 函数判断工作日

#2020-10-18 周日
a = np.is_busday('2020-10-18')
b =  np.is_busday('2020-10-19')
print(a)  
print(b) 

False
True

统计一个 datetime64[D] 数组中的工作日天数。

begindates = np.datetime64('2020-10-18')
enddates = np.datetime64('2020-10-30')
a = np.arange(begindates, enddates, dtype='datetime64')
b = np.count_nonzero(np.is_busday(a))
print(a)
print(np.is_busday(a))
print(b)

['2020-10-18' '2020-10-19' '2020-10-20' '2020-10-21' '2020-10-22'
 '2020-10-23' '2020-10-24' '2020-10-25' '2020-10-26' '2020-10-27'
 '2020-10-28' '2020-10-29']

[False  True  True  True  True  True False False  True  True  True  True]

9

返回两个日期之间的工作日数量

begindates = np.datetime64('2020-10-18')
enddates = np.datetime64('2020-10-30')
a = np.busday_count(begindates, enddates)
b = np.busday_count(enddates, begindates)
print(a)  
print(b)

# 根据起始时间，正数代表向后的日期，负数代表向前的日期
9
-9

参考:
np.random用法
numpy中的np.nan