python numpy （下）

自学python之路

大数据实验室第 7 次打卡

python numpy （下）

十一、 数组连接

连接numpy数组
连接意味着将两个或多个数组的内容放在单个数组中。在SQL中，我们基于键来连接表，而在numpy中，我们按轴链接数组。传递了一系列要与轴一起连接到 concatenate（）函数的数组。如果为显示传递轴。则将其视为零。
实例：

实例2（沿着行axis=1连接两个2-D数组）：

使用堆栈函数连接数组
堆栈与级联相同，唯一的不同是堆栈是沿着新轴完成的。
我们可以沿着第二个轴连接两个一维数组，这将导致它们彼此重叠，即，堆叠（stacking）。
我们传递了一系列要与轴一起连接到 concatenate() 方法的数组。如果未显式传递轴，则将其视为 0。
实例:

沿行堆叠
NumPy 提供了一个辅助函数：hstack() 沿行堆叠。
实例:

沿列堆叠
NumPy 提供了一个辅助函数：vstack() 沿列堆叠。
实例

沿高度堆叠（深度）
NumPy 提供了一个辅助函数：dstack() 沿高度堆叠，该高度与深度相同。
实例

十二、 numpy数组拆分

拆分 NumPy 数组
拆分是连接的反向操作。
连接（Joining）是将多个数组合并为一个，拆分（Spliting）将一个数组拆分为多个。
我们使用 array_split() 分割数组，将要分割的数组和分割数传递给它。
实例
将数组分为 3 部分：

拆分为数组
array_split() 方法的返回值是一个包含每个分割的数组。
如果将一个数组拆分为 3 个数组，则可以像使用任何数组元素一样从结果中访问它们：
实例
访问拆分的数组：

下面的例子还返回三个 2-D 数组，但它们沿行 (axis=1) 分割:

使用 hsplit() 方法将 2-D 数组沿着行分成三个 2-D 数组:

十三、 数组搜索

搜索数组
可以在数组中搜索（检索）某个值，然后返回获得匹配的索引。要搜索数组，请使用 where() 方法。
实例
查找值为 4 的索引：


搜索排序
有一个名为 searchsorted() 的方法，该方法在数组中执行二进制搜索，并返回将在其中插入指定值以维持搜索顺序的索引。
假定 searchsorted() 方法用于排序数组。
实例
查找值为7 的索引：

从右侧搜索
默认情况下，返回最左边的索引，但是我们可以给定 side=‘right’，以返回最右边的索引。
实例
从右边开始查值为 7 的索引：

多个值
要搜索多个值，请使用拥有指定值的数组。
实例
查找应在其中插入值 2、4 和 6 的索引：

十四、 数组排序

数组排序
排序是指将元素按有序顺序排列。
有序序列是拥有与元素相对应的顺序的任何序列，例如数字或字母、升序或降序。
NumPy ndarray 对象有一个名为 sort() 的函数，该函数将对指定的数组进行排序。
实例
对数组进行排序：

注释：此方法返回数组的副本，而原始数组保持不变。
还可以对字符串数组或任何其他数据类型进行排序：
实例
对数组以字母顺序进行排序：

对 2-D 数组排序
如果在二维数组上使用 sort() 方法，则将对两个数组进行排序：
实例
对 2-D 数组排序

十五、 numpy数组过滤

数组过滤
从现有数组中取出一些元素并从中创建新数组称为过滤（filtering）。
在 NumPy 中，我们使用布尔索引列表来过滤数组。
布尔索引列表是与数组中的索引相对应的布尔值列表。
如果索引处的值为 True，则该元素包含在过滤后的数组中；如果索引处的值为 False，则该元素将从过滤后的数组中排除。
实例
用索引 0 和 2、4 上的元素创建一个数组：

创建过滤器数组
在上例中，我们对 True 和 False 值进行了硬编码，但通常的用途是根据条件创建过滤器数组。
实例
创建一个仅返回大于 62 的值的过滤器数组：

实例
创建一个过滤器数组，该数组仅返回原始数组中的偶数元素：

十六、numpy中的随机数

什么是随机数？
随机数并不意味着每次都有不同的数字。随机意味着无法在逻辑上预测的事物。
伪随机和真随机
计算机在程序上工作，程序是权威的指令集。因此，这意味着必须有某种算法来生成随机数。
如果存在生成随机数的程序，则可以预测它，因此它就不是真正的随机数。
通过生成算法生成的随机数称为伪随机数。
我们可以生成真正的随机数吗？
是的。为了在我们的计算机上生成一个真正的随机数，我们需要从某个外部来源获取随机数据。外部来源通常是我们的击键、鼠标移动、网络数据等。
我们不需要真正的随机数，除非它与安全性（例如加密密钥）有关或应用的基础是随机性（例如数字轮盘赌轮）。
生成随机数
NumPy 提供了 random 模块来处理随机数。
实例
生成一个 0 到 100 之间的随机整数：

实例
生成一个 0 到 100 之间的随机浮点数：

生成随机数组
在 NumPy 中，我们可以使用上例中的两种方法来创建随机数组。
整数
randint() 方法接受 size 参数，您可以在其中指定数组的形状。
实例
生成一个 1-D 数组，其中包含 5 个从 0 到 100 之间的随机整数：

实例
生成有 3 行的 2-D 数组，每行包含 5 个从 0 到 100 之间的随机整数：

从数组生成随机数
choice() 方法使您可以基于值数组生成随机值。
choice() 方法将数组作为参数，并随机返回其中一个值。
实例
返回数组中的值之一：

十七、numpy ufuncs

ufuncs 指的是“通用函数”（Universal Functions），它们是对 ndarray 对象进行操作的 NumPy 函数。

为什么要使用 ufuncs？
ufunc 用于在 NumPy 中实现矢量化，这比迭代元素要快得多。
它们还提供广播和其他方法，例如减少、累加等，它们对计算非常有帮助。
ufuncs 还接受其他参数，比如：
where 布尔值数组或条件，用于定义应在何处进行操作。
dtype 定义元素的返回类型。
out 返回值应被复制到的输出数组。

什么是向量化？
将迭代语句转换为基于向量的操作称为向量化。
由于现代 CPU 已针对此类操作进行了优化，因此速度更快。

对两个列表的元素进行相加：
list 1: [1, 2, 3, 4]
list 2: [4, 5, 6, 7]
一种方法是遍历两个列表，然后对每个元素求和。
如果没有 ufunc，我们可以使用 Python 的内置 zip() 方法：

对此，NumPy 有一个 ufunc，名为 add(x, y)，它会输出相同的结果。通过 ufunc，我们可以使用 add() 函数：

喜欢好看的各种类型的壁纸、头像、朋友圈背景图、QQ名片背景图的朋友可以关注我个人公众号呀

每天分享超多超好看的各种风格类型 头像！壁纸！朋友圈背景图！嘿嘿！

大家也可以关注我的公众号：壁纸头像爱好家

爱你们！