NumPy
import numpy as np
array创建数组对象：
item,items=[1,2,3,4],[[1,2],[3,4]] w1,w2=array(item),array(items) w1=[1 2 3 4] w2=[[1 2] [3 4]]
指定dtype：
w3 = np.array([1,2,3,4],dtype ="float64" ) print(w3.dtype) float64
arange创建数组：
lists=np.arange(4) [0 1 2 3] np.arange(0,1,0.2) [0. 0.2 0.4 0.6 0.8]
linspace创建数组：
np.linspace(0,1,5) #包含，一共五项 [0.,0.25,0.5,0.75,1.]
logspace创建数组：
np.logspace(0,1,5) #生成1～10具有五个的等比数列 logspace起始位和终止位默认为10的幂，第三个参数为个数 [1. 1.7782,3.1622,5.6234.10.]
zeros全0数组：
np.zeros(4) [0 0 0 0] np.zero([2,2]) [ [0 0] [0 0] ]
ones全1数组：
np.ones() #同上使用
diag对角线矩阵：
np.diag([1,2,3,4]) #eye函数可以创建对角线为1其他全0 [[1 0 0 0] [0 2 0 0] [0 0 3 0] [0 0 0 4]]
numpy创建的ndarray对象主要属性有：
ndim 秩，既数据轴的个数
shape 数组的维度
size 数组元素个数
dtype 数据类型
itemsize 数组中每个元素的大小
w1 = np.array([1,2,3][4,5,6]) w1.ndim -->2 w1.shape -->(2,3)#形状为 w1.size --> 6 #元素个数
shape 可以重新转换形状：
w1.shape=3，2 [[1 2] [3 4] [5 6]]
astype数组的类型转换
w2 = np.array([1,2,3],dtype="float64") w2.astype(np.int32)
生成随机数 np.random
np.random.randint(10,20,size=(2,3)) [[12 15 18] [11 13 19]] #rand 生成（0，1）之间的随机数 np.random.rand(2) np.random.rand(2,3) [0.8272 0.3423] [[x x x][x x x]]
random模块常用的随机数生成函数：p35
reshape 改变数据维度
w1 = np.array(6) w1.reshape(3,2) #若其中一个参数设置为-1，则会由另一个数自动计算 [[0 1] [2 3] [4 5]]
数据扁平化（flatten）/数据散开（ravel）
w1 = np.arange(6).reshape(3,2) #不会改变原来w1的数组 w2 = w1.ravel() [0 1 2 3 4 5]
数组合并：
横向合并：np.hstack(n1,n2)
纵向合并：np.vstack(n1,n2)
通用合并：np.concatenate(n1,n2,axis=1/0)#1为横向，0为纵向
数组切割：(数组，切割数量)
横向切割：np.hsplit(n1,2)
纵向切割：np.vsplit(n1,2)
通用切割：np.split(n1,2,axis=1/0)#1为横向，0为纵向
数组转直和轴对换：
import numpy as np arr = np.arange(9).reshape(3,3) ar = arr.transpose(0,1) #（1，0）则是原始的 print(ar) print(arr.T)#T属性直接进行转置 print(arr.swapaxes(0,1))#数组的轴对换 [[0 1 2] [3 4 5] [6 7 8]]
一维数组的索引：
与列表索引一致
数组元素的复制：
arr=[0 1 2 3 4 5 ]
arr1=arr[-4:-1].copy()
arr1-->[2 3 4]
数组索引：
import numpy as np arr = np.arange(12).reshape(3,4) print(arr)--> [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] print(arr[1:3,0:4])--> [[ 4 5 6 7] [ 8 9 10 11]] print(arr[:,(0,2)])-->#（）指定位置 [[ 0 2] [ 4 6] [ 8 10]] mask=np.array([1,0,1],dtype="bool") print(arr[mask,3])-->[3 11] print(arr[mask,0:3])--> [[ 0 1 2] [ 8 9 10]] print(arr[mask,(1,2)])-->[1 10]
ufunc运算机制：
+-*/**相同个数时为一一对应处理
比较运算，返回的是一一对应的bool值
要轴长度相同才能运算，若只给了一行且数量相同，则按照此行向每一行做运算处理·
where的用法：
Np.where(condition,x,y)
condition为条件，成立输出x，否则输出y
如果只使用np.where(condition),则返回符合要求的下标数组
numpy数组读/写：
arr = np.arange(12).reshape(3,4)
np.save("a.npy",arr)#写
print(arr)
c=np.load("a.npy")#读
print(c)
读写成文件txt格式：
arr = np.arange(12).reshape(3,4)
np.savetxt("a1.txt",arr)
a1=np.loadtxt("a1.txt")
np.savetxt("a2.txt",a1,fmt="%d",delimiter=",")
#改为保存为整数，以逗号分隔
a2 = np.loadtxt("a2.txt",delimiter=",")#指定读取以逗号分隔
读取csv文件：
np.loadtxt(fname,delimiter,usecols,unpack,skiprows,encoding)
fname str，读取的 CSV 文件名 delimiter str,数据的分隔符 usecols tuple(元组），执行加载数据文件中的哪些列 unpack bool,是否将加载的数据拆分为多个组，True 表示拆，False 表示不拆 skiprows int,跳过多少行,一般用于跳过前几行的描述性文字 encoding bytes,编码格式
数组排序：
arr=np.array([9,3,2,1,4,5,6,7,8]) print(arr.sort()) [1 2 3 4 5 6 7 8 9]
横纵排序sort：
arr=np.array([9,3,2,1,4,5,6,7,8]).reshape(3,3) arr.sort(axis=1) print(arr)--> [[2 3 9] [1 4 5] [6 7 8]] arr.sort(axis=0) print(arr)--> [[1 3 5] [2 4 8] [6 7 9]]
返回下标的排序argsort,lexsort
argsort():
arr=np.array([9,3,2,1,4,5,6,7,8]) print(arr.argsort())#返回排序位置的下标组 print(arr[arr.argsort()])#根据下标定位出排序后的组 [3 2 1 4 5 6 7 8 0] [1 2 3 4 5 6 7 8 9]
lexsort():参数为元组（排序的数组，下标位置数组）
a=[1,2,0] b=[9,7,8] ind = np.lexsort((b,a)) print(ind)-->[7 8 9]
去重unique：
names = np.array([1,2,1,2,3,5,2,3]) name = np.unique(names) #返回 去重后的数据 na = np.unique(names,return_counts=True) #返回(array([1, 2, 3, 5]), array([2, 3, 2, 1])) 可由na[1]提取含有的数量情况 df.列.nunique() -->返回去重后数量
重复数据：tile与repeat
arr = np.arange(5) arrs = np.tile(arr,3) print(arrs) [0 1 2 3 4 0 1 2 3 4 0 1 2 3 4]
repeat: axis为1则由列重复，axis为0则由行重复
arr = np.arange(6).reshape(2,3) arrs = arr.repeat(2,axis = 0) arrs1 = arr.repeat(2,axis = 1) print(arrs) print(arrs1) [[0 1 2] [0 1 2] [3 4 5] [3 4 5]] [[0 0 1 1 2 2] [3 3 4 4 5 5]]
常用的统计函数：
sum ,mean , std ,ver，min,max 和，平均值，标准差，方差，最小，最大
当axis参数为1时：横轴进行计算
当axis参数为0时候：纵轴进行计算
734
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
