Numpy基础用法（详细2.0）

Numpy简介

一个基于python的扩展库

提供高维数组对象ndarray，运算速度碾压python List

提供了各种高级数据编程工具，如矩阵运算、向量运算、快速筛选、IO操作、傅里叶变换、线性代数、随机数等

ndarray属性​​​​​​​

1. ndim：维度
2. shape：形状（各维度的长度）
3. size：总长度
4. dtype：元素类型

display：输出内容和类型（建议使用）

print：强制输出

output：Ipython默认输出

强制类型统一

numpy设计初衷是用于运算的，所以对数据类型进行统一优化

注意：

• numpy默认ndarray的所有元素的类型是相同的
• 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int

输出如果是dtype('<U32')表示类型是Unicode的简写

type(xxx) # 查看xxx对象本身的类型​​​​​​​

xxxx.dtype  # 查看xxx内部的元素类型，由于ndarray的元素类型是强制统一的，所以只返回一个类型

                ​​​​​​​        np一般是为我们提供的一个ndarray（矩阵）

                        在numpy中，有些函数的参数名可以写，有些函数的参数名不能写

1.0 Numpy的常规函数

1.1# 建立一个值为1的数组

1.1)np.ones(shape, dtype=None, order='C')

shape: 形状，使用元组表示      dtype:表示元素类型    order：表示排序或

1.2# 建立一个值为0的数组

1.2)np.zeros(shape, dtype=float, order='C')

1.3# 建立一个自己指定数的数组

1.3) np.full(shape, fill_value, dtype=None, order='C')

fill_value:自己指定一个数为建立数组的值

1.4# 建立一个单位矩阵

1.4) np.eye(N, M=None, k=0, dtype=float)

N：表示建立矩阵的阶级    M：表示列数    k：表示对角线偏移（-1或1）

1.5# 建立一个等差数列（指定个数）

1.5) np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

start：表示起始值   stop：表示终值    num：数据个数  endpoint：表示是否需要最后一个值

1.6)# 建立一个等差数列（指定步长）

1.6) np.arange([start, ]stop[, step, ],dtype=None,*,like=None)

step:表示步长，[]内的元素可以免输入，默认[start]为0，[step]为1。

1.7# 使用随机数组成一个高维数组

1.7) np.random.randint(low, high=None, size=None, dtype='l')​​​​​​​

low：最小值     hogh：最大值      size：尺寸规模（几行几列）

1.8# 正态分布函数

• np.random.randn(d0, d1, ..., dn) 标准正态分布　
• np.random.normal(loc=0.0, scale=1.0, size=None) 普通正态分布

loc:期望值    scale：标准方差

1.9# 生成0到1的浮点型随机数组，左闭右开

1.9) np.random.random(size=None) 

1.10# 生成随机索引

1.10) np.random.permutation(10) 

1.11#  随机种子,添加一个种子x，x不变的到的随机数就不变

1.11)np.random.seed(x)  

2.1# 多数组之间的级联 

2.1) np.concatenate((a1, a2, ...), axis=0,out=None,dtype=None,casting="same_kind")   # (a1,a1...) 为需要级联的数组集合，axis为轴，0横轴，1纵轴。

2.2# 类型转换

2.2) xx.astype(dtype, order='K', casting='unsafe', subok=True, copy=True)        #dtype为np.类型，实例方法， 这个方法是将ndarray对象内的每一个元素进行指定的类型转换

2.3# 变形曲线

2.3) xx.reshape(shape, order='C')        # shape表示维度类型

1.0 ndarray的读写操作

1.1 索引访问

ndarray符合py列表的模式

【重点1】ndarray的高维数组访问，使用[dim1_index, dim2_index...]

eg：array123[1][2]   # 属于间接访问,相当于索引[2]针对的对象是array[1] 

        array[[A]]          #  直接访问,ndarray 也可以同时作为 ndarray对象的索引列表(建议使用）

1.2 切片访问

array1[0:-1:2]        # 参数相对于array1[start : end : step]

【重点】    ndarray的访问形式： 
ndarray[dim1_index, dim2_index,...dimn_index]
dim_index支持的形式 :    int  [int]  切片  bool列表
 

1.3 ndarray的级联和切分

级联的注意事项：

• 级联的参数是列表：一定要加中括号或小括号
• 维度必须相同
• 形状相符
• 级联的方向默认是shape这个tuple的第一个值所代表的维度方向
• 可通过axis参数改变级联的方向

# 多数组之间的级联 

np.concatenate((a1, a2, ...), axis=0, out=None, dtype=None, casting="same_kind")   # (a1,a1...) 为需要级联的数组集合，axis为轴，0横轴，1纵轴。参与级联的数组必须维度一致，在级联的维度上，必须长度一致

# 横级联和纵级联

np.hstack(tup)     # 横向级联

np.vstack(tup)      # 纵向级联

切分

与级联类似，三个函数完成切分工作：

• np.split
• np.vsplit
• np.hsplit

# 拆分数组

np.split(ary, indices_or_sections, axis=0)        # indices_or_sections int 表示会按照指定的轴向，讲数组切分成N等分， 要求切分的方向上的长度能被N整除，indices_or_sections [m,n] 表达的是 按照0:m, m:n, n:的切片逻辑对数组进行拆分

np.hsplit(ary, indices_or_sections)        # 横向拆分

np.vsplit(ary, indices_or_sections)        # 纵向拆分

1.4 ndarray的运算

基本运算原则

两个矩阵运算，就是对应位置的数据的运算

广播 Broadcast

ndarray广播运算机制的两条规则

如果

1. 两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符
2. 或其中的一方的长度为1

则认为它们是广播兼容的。 广播会在缺失和（或）长度为1的维度上进行。

1.5 ndarray的聚合操作

np.sum(axis=None, dtype=None, out=None, keepdims=False, initial=0, where=True)    

常见聚合操作

np.nan    # 类型是float,添加到int数组中会报错，必须类型一致。

np.any()        # any 一个数组中，如果至少存在一个True, any函数就返回True

np.all()           # all 一个数组中，如果全都是True, all函数就返回True

2.0 Numpy进阶

2.1 添加元素

numpy.append 函数在数组的末尾添加值。 追加操作会分配整个数组，并把原来的数组复制到新数组中

注意：

1. 插入的维度要保证所有数组的长度是相同的
2. 如果没有指定轴，数组会被扁平处理

# 添加元素

np.append(arr, values, axis=None)       # arr:目标，values：添加的数据，axis：轴向

2.2 插入元素

numpy.insert 函数在给定索引之前，沿给定轴在输入数组中插入值

如果未提供轴，则输入数组会被展开

# 添加元素

np.insert(arr, obj, values, axis=None)       # obj:需要插入的位置(索引值),如果未提供轴，则输入数组会被展开

2.3 删除元素

numpy.delete 函数返回从输入数组中删除指定子数组的新数组。 

如果未提供轴参数，则输入数组将展开。

# 删除元素

np.delete(arr, obj, axis=None)         # obj:需要插入的位置(索引值)

2.4 数组变形

numpy.reshape 函数可以在不改变数据的条件下修改形状，格式如下： numpy.reshape(arr, newshape, order='C')

• arr：要修改形状的数组
• newshape：整数或者整数数组，新的形状应当兼容原有形状
• order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'k' -- 元素在内存中的出现顺序。

# 数组变形

numpy.reshape(a, newshape, order='C')        # a:需要修改的维度形状，order：‘C’按行，‘F’按列，‘A’按原顺序，‘k’按元素在内存中的顺序

2.5 数组迭代器

# 数组迭代

ndarray.flat        # 没有参数自己对数组迭代

2.6 数组扁平处理

# 数组扁平处理

numpy.ndarray.flatten()         # 返回一份展开的数组拷贝，对拷贝所做的修改不会影响原始数组

numpy.ravel()         # 展平的数组元素，返回一个展开的数组引用，修改会影响原始数组。

2.7 数组翻转

简单理解就是按对角线调换位置

# 数组翻转

numpy.transpose([1,0])         #对换数组的维度[1,0]   0，1轴互换

3.0 Numpy数学函数

3.1 三角函数

接收的参数是弧度，不是角度

numpy.sin()             

numpy.cos()

numpy.tan()

numpy.pi        # 圆周率3.14

numpy.e        # 自然对数 2.72

3.2 舍入函数

numpy.around()

• a: 数组
• decimals: 舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置

# 舍入函数

numpy.around(a, decimals=0, out=None)        #  a：数组，decimais：舍入小数位数

3.3 算数函数

# 加减乘除

add()           

subtract()

multiply()

divide()

# 幂运算，可以做开方运算

numpy.power() 

# 求余运算

numpy.mode() ​​​​​​​

# 自然底数的对数

np.log()

np.log2()

np.log10()

4.0 Numpy 查找和排序

4.1 查找索引

# 查找最大值的索引

numpy.argmax() 

# 查找最小值的索引

numpy.argmin()

4.2 条件查找

# 条件查找

numpy.where(condition, [x, y])         # condition：条件表达式，函数返回输入数组中满足给定条件的元素的索引

4.3 快速排序

np.sort()与ndarray.sort()都可以，但有区别：

• np.sort()不改变输入
• ndarray.sort()本地处理，不占用空间，但改变输入

numpy.sort() 函数返回输入数组的排序副本

# 快速排序

numpy.sort()        

4.4 索引排序

# 索引排序

numpy.argsort()         #函数返回的是数组值从小到大的索引值。

4.5 部分排序

有的时候我们不是对全部数据感兴趣，我们可能只对最小或最大的一部分感兴趣。

• 当k为正时，我们想要得到最小的k个数
• 当k为负时，我们想要得到最大的k个数

# 部分排序

numpy.partition(a,k)        # a：数组，k：-1，-2，最大值或最小值