NumPy基本应用学习

NumPy基本应用学习

 NumPy模块为量化金融提供了大量的数据编程工具，可以方便的处理向量、矩阵等运算，极大便利人们在科学计算方面的工具。

一、如何使用NumPy

在python中使用简单的导入命令即可使用

import numpy
numpy.version.full_version
'1.19.2'   

二、NumPy对象初步：数组

Numpy的基本对象是同类型的多维数组，看例子：

import numpy as np
a=np.arange(20)

此处就生成了一个一维数组a，从0开始，步长为默认值1，长度为20.

print(a)
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]

我们使用type来查询a的类型，这里显示a是一个数组

type(a)
numpy.ndarray

通过函数reshape()可以重塑这个数组，例如可以生成一个4X5的二维数组，reshape函数中的参数，表示各维数的大小，分别对应行数和列数。

b=a.reshape(4,5)
print(b)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]]

还可以构建更高维数的数组

 c=a.reshape(2,2,5)
  print(c)
  [[[ 0  1  2  3  4]
  [ 5  6  7  8  9]]

 [[10 11 12 13 14]
  [15 16 17 18 19]]]

由于a是数组（array）,那么可以调用array的函数来查看a的相关属性，ndim可以查询维度，shape可以查询各个维度的大小，size可以查看数组中元素的个数，dtype可以查看元素类型，dsize可查看元素占存储空间的大小（以字节为单位）。

c.ndim
3
c.shape
(2, 2, 5)
c.size
20
c.dtype
dtype('int32')

三、创建数组

数组的创建可以从将列表转换开始，高维数组可通过转换嵌套列表实现。

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

raw=[[0,1,2,3,4],[5,6,7,8,9]]
b=np.array(raw)
b
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]]) 

一些特殊的数组由特殊的命令生成，例如创建4X5的全零矩阵:

d=(4,5)
np.zeros(d)
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

这里默认生成的元素都是浮点型，可以通过指定类型来改变。例如

d=(4,5)
np.ones(d,dtype=int)
array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]])

还可以创建一个随机数组

R=np.random.rand(5)
print(R)
[0.65478038 0.60866488 0.14315106 0.13627398 0.2908694 ]

四、数组和矩阵的运算

数组的四则运算是对全部的数组元素的运算，例如

a=np.array([[1,2],[2,4]])
b=np.array([[3,5],[5,6]])
print(a+b)
[[ 4  7]
 [ 7 10]]
 print(3*a)
 [[ 3  6]
 [ 6 12]]
 a/2
 array([[0.5, 1. ],
       [1. , 2. ]])
np.exp(a)
array([[ 2.71828183,  7.3890561 ],
       [ 7.3890561 , 54.59815003]]）
np.sqrt(a)
array([[1.        , 1.41421356],
       [1.41421356, 2.        ]])
np.power(a,3)
array([[ 1,  8],
       [ 8, 64]], dtype=int32)

NumPy提供了矩阵对象（Matrix）。矩阵对象和数组对象的主要区别是，矩阵是二维的，数组可以是任意维数的；矩阵的“*”操作符进行的是矩阵的乘法，而数组的乘法操作符是对应的元素两两相乘。数组可以转换到矩阵。

a=np.arange(20).reshape(4,5)
a=np.asmatrix(a)
b=np.matrix('1.0 2.0;3.0 4.0')
print(type(b))
<class 'numpy.matrix'>

五、访问数组和矩阵元素

数组和矩阵元素的访问方式可以通过下标索引来进行，以二维数组（或者矩阵为例）。

import numpy as np
a=np.array([[3.2,2.5],[2.5,4]])
print(a[0][1])
2.5
b=a
a[0][1]=2.0
print(b)
[[3.2 2. ]
 [2.5 4. ]]
print(a)
[[3.2 2. ]
 [2.5 4. ]]

注意此处，当a的元素改变的时候，b里面的元素值也改变了，这是因为这里并不是真正将a的值赋给b，而是将b设置为指向a对应数据内存的地址。要想真正将a复制给b,可以使用copy函数。

 b=a.copy()
 a[0][1]=3
 print(a)
 [[3.2 3. ]
 [2.5 4. ]]
 print(b)
 [[3.2 2. ]
 [2.5 4. ]]

如果再对a重新赋值，则会将a指向其他地址，但是b仍然是原来的地址。

a=np.array([[3.2,1.5],[2.5,4]])
b=a
a=np.array([[2,1],[9,3]])
print(a)
[[2 1]
 [9 3]]
print(b)
[[3.2 1.5]
 [2.5 4. ]]

复杂的矩阵（数组）的操作，下面的例子是将a中第一列大于5的元素（10和15）对应的第三列元素（12和17）取出来

a=np.arange(20).reshape(4,5)
print(a)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]]
 a[:,2][a[:,0]>5]
 array([12, 17])

可以使用where函数查找特定值在数组中的位置

loc=np.where(a==11)
print(loc)
(array([2], dtype=int64), array([1], dtype=int64))
 print(a[loc[0][0],loc[1][0]])
 11

六、矩阵操作

1）矩阵的转置

 a=np.random.rand(2,4)
 print(a)
 [[0.5313874  0.07565913 0.1075944  0.02040496]
 [0.37247355 0.08133408 0.31588994 0.04461943]]
 a=np.transpose(a)
 print(a)
 [[0.5313874  0.37247355]
 [0.07565913 0.08133408]
 [0.1075944  0.31588994]
 [0.02040496 0.04461943]]
 
 b=np.random.rand(2,4)
 b=np.mat(b)
 print(b.T)
 [[0.77892814 0.02886124]
 [0.1553499  0.40015598]
 [0.18063926 0.97742789]
 [0.5086811  0.19250614]]

2）求矩阵的逆

import numpy.linalg as nlg
a=np.random.rand(2,2)
a=np.mat(a)
ia=nlg.inv(a)
print(ia)
[[-3.13919005  4.47161099]
 [ 8.83634098 -7.46197266]]
print(a*ia)
[[ 1.00000000e+00 -5.07742246e-16]
 [ 3.60418327e-17  1.00000000e+00]] 

3）求特征矩值和特征向量

a=np.random.rand(3,3)
eig_value,eig_vector=nlg.eig(a)
print(eig_value)
[ 1.5663706  -0.06426978  0.32476154]
print(eig_vector)
[[-0.56172522 -0.47816424 -0.19734601]
 [-0.60224957  0.87812593 -0.67091569]
 [-0.56723913 -0.01593141  0.71479136]]

4）矩阵的拼接，将两个向量拼接成矩阵

a=np.array((1,2,3))
b=np.array((2,3,4))
c=np.column_stack((a,b))
d=np.column_stack((b,a))
print(c)
[[1 2]
 [2 3]
 [3 4]]
print(d)
[[2 1]
 [3 2]
 [4 3]]


a=np.random.rand(2,2)
b=np.random.rand(2,2)
print(a)
[[0.10796419 0.14265679]
 [0.13323965 0.96681789]]
print(b)
 [[0.17852727 0.385924  ]
 [0.59352195 0.31530558]]
c=np.hstack([a,b]) %水平拼接
d=np.vstack([a,b]) %垂直拼接
print(c)
[[0.10796419 0.14265679 0.17852727 0.385924  ]
 [0.13323965 0.96681789 0.59352195 0.31530558]]
print(d)
[[0.10796419 0.14265679]
 [0.13323965 0.96681789]
 [0.17852727 0.385924  ]
 [0.59352195 0.31530558]]

七、缺失值

缺失值在量化分析中也是一种信息，NumPy提供了nan作为缺失值记录，通过isnan函数判定是否为缺失值。

a=np.random.rand(2,2)
a[0,1]=np.nan
print(np.isnan(a))
[[False  True]
 [False False]]

nan_to_num函数可以将nan替换成0

print(np.nan_to_num(a))
[[0.03229265 0.        ]
 [0.97999597 0.71549986]]