数据处理笔记（一）

numpy基础

np数组的创建

import numpy as np

np.array创建数组

arr_1 = np.array([[1,2,3], [4,5,6]], dtype=np.float)
print(arr_1.shape)#每个维度上元素个数
print(arr_1.size) #数组元素总数
print(arr_1.ndim) #查看维度个数
print(arr_1.dtype) #查看元素类型
print(arr_1.itemsize)   #每个元素的字节单位长度
arr_2 = arr_1.astype(np.int32)  #修改元素类型
print(arr_1.dtype) #查看结果
print(arr_2.dtype)

array和asarray都可将结构数据转换为ndarray类型。array仍会copy出一个副本，占用新的内存，但asarray不会。

返回特定大小，以 0 填充的新数组
a = np.zeros(shape, dtype = float, order = 'C')

返回特定大小，以 1 填充的新数组。
np.ones(shape, dtype = None, order = 'C')


a.reshape(x, -1)或者a.reshape(-1, x)
1.若是a.reshape(x, -1)则是将矩阵a变成行数为x，列数不规定的矩阵，具体列数按照总元素个数除行数，均分得到。
2.若是a.reshape(-1, x)则是将矩阵a变成列数为x，行数不规定的矩阵，具体行数按照总元素个数除列数，均分得到。
例如：
a.reshape(2,-1)            #将(3×4)变为(2×6)的矩阵，一维长度为2，二维长度自适应
结果        [[ 1  2  3  4  5  6]
 			 [ 7  8  9 10 11 12]]

np数组的索引和切片

ndarray对象中的元素遵循基于零的索引。 有三种可用的索引方法类型： 字段访问，基本切片和高级索引。


a = np.arange(10)
b = a[2:7:2]  
结果 
[2  4  6]
或者可以用slice
a = np.arange(10)
s = slice(2,7,2)  
结果 
[2  4  6]

a = np.array([[1,2,3],[3,4,5],[4,5,6]])  
# 对始于索引的元素进行切片  
print a[1:]
结果
[[3 4 5]
 [4 5 6]]

#从第二列向后切片所有元素：
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a[...,1:]) #第二列及其剩余元素是

结果
[[2 3]
 [4 5]
 [5 6]]


该结果包括数组中(0,0)，(1,1)和(2,0)位置处的元素。
x = np.array([[1,  2],  [3,  4],  [5,  6]]) 
y = x[[0,1,2],  [0,1,0]]
结果
[1  4  5]

广播

广播功能 ： 较小的数组会广播到较大数组的大小，以便使它们的形状可兼容。


import numpy as np 
a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]]) 
b = np.array([1.0,2.0,3.0]) 

print(a + b)

[[ 1. 2. 3.]
 [ 11. 12. 13.]
 [ 21. 22. 23.]
 [ 31. 32. 33.]]

修改数组的值

 
import numpy as np
a = np.arange(0,60,5) 
a = a.reshape(3,4)  

for x in np.nditer(a, op_flags=['readwrite']): 
    x[...]=2*x 
修改后的数组是： 
print(a)