python数据分析实战---Numpy科学计算工具

Numpy基本认识

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。

NumPy 是一个运行速度非常快的数学库,主要用于数组计算,包含:

  • 一个强大的N维数组对象 ndarray
  • 广播功能函数
  • 整合 C/C++/Fortran 代码的工具
  • 线性代数、傅里叶变换、随机数生成等功能

 

Numpy基础数据结构

NumPy 数组的维数称为秩(rank),一维数组的秩为 1,二维数组的秩为 2,以此类推。

在 NumPy中,每一个线性的数组称为是一个轴(axis),也就是维度(dimensions)。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴(axis),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。

很多时候可以声明 axis。axis=0,表示沿着第 0 轴进行操作,即对每一列进行操作;axis=1,表示沿着第1轴进行操作,即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有:

属性 说明
ndarray.ndim 秩,即轴的数量或维度的数量
ndarray.shape 数组的维度,对于矩阵,n 行 m 列
ndarray.size 数组元素的总个数,相当于 .shape 中 n*m 的值
ndarray.dtype ndarray 对象的元素类型
ndarray.itemsize ndarray 对象中每个元素的大小,以字节为单位
ndarray.flags ndarray 对象的内存信息
ndarray.real ndarray元素的实部
ndarray.imag ndarray 元素的虚部
ndarray.data 包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。

 

import numpy


ar = numpy.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]])
print(ar)

print(ar.ndim)
print(ar.shape)
print(ar.size)
print(ar.itemsize)
print(ar.data)
print(ar.dtype)
print(ar.flags)
print(ar.real)
print(ar.imag)

结果:
[[1 2 3 4 5]
 [2 3 4 5 6]
 [3 4 5 6 7]]
2
(3, 5)
15
4

int32
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

[[1 2 3 4 5]
 [2 3 4 5 6]
 [3 4 5 6 7]]
[[0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]  

创建数组

array()函数  括号内可以是list,元组、数组、生成器等

ar = np.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]])
ar1 = np.array(range(10))
ar2 = np.array(10)
ar3 = np.array([[1,2,3,4,5],[2,3,4,5,6],['a','b','c','d']])
print(ar)
print(ar1)
print(ar2)
print(ar3)

输出结果:
[[1 2 3 4 5]
 [2 3 4 5 6]
 [3 4 5 6 7]]
[0 1 2 3 4 5 6 7 8 9]
10
[list([1, 2, 3, 4, 5]) list([2, 3, 4, 5, 6]) list(['a', 'b', 'c', 'd'])] 

arange()函数  类似于range(),在给定间隔内返回均匀间隔的值

print(np.arange(10))
print(np.arange(10.0))
print(np.arange(5,12))
print(np.arange(5.0,12.3))


输出结果:
[0 1 2 3 4 5 6 7 8 9]
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 5  6  7  8  9 10 11]
[ 5.  6.  7.  8.  9. 10. 11. 12.]
print(numpy.linspace(5,14,num=10)) #返回在间隔【开始,停止】上计算的num个均匀间隔的样本
print(numpy.linspace(5,14,num=11))

print(numpy.zeros((4,4),dtype=numpy.int))  #创建指定大小的数组,数组元素以 0 来填充

ar = numpy.array([range(10),range(10,20)])
print(numpy.zeros_like(ar))
print(ar)

print(numpy.ones((2,3),dtype=numpy.int))    #创建指定大小的数组,数组元素以 1 来填充

#ones_like()和zeros_like()相似

print(numpy.eye(3,dtype=numpy.int)) #创建一个正方的N+N的单位矩阵,对角线值位1,其余的值为0


输出结果:
[ 5.  6.  7.  8.  9. 10. 11. 12. 13. 14.]
[ 5.   5.9  6.8  7.7  8.6  9.5 10.4 11.3 12.2 13.1 14. ]
[[0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]
 [0 0 0 0]]
[[0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0]]
[[ 0  1  2  3  4  5  6  7  8  9]
 [10 11 12 13 14 15 16 17 18 19]]
[[1 1 1]
 [1 1 1]]
[[1 0 0]
 [0 1 0]
 [0 0 1]]

Numpy通用函数

翻转数组   numpy.T

修改数组形状  numpy.reshape

返回指定形态新数组  numpy.resize

import numpy as np

ar = np.arange(10)
ar1 = np.zeros((2,4))
print(ar)
print(ar1)
print(ar.T)
print(ar1.T)

ar2 = np.arange(12)
ar3 = np.arange(12).reshape(3,4)
print(ar2)
print(ar3)

print(np.resize(ar3,(4,4)))

输出结果:
[0 1 2 3 4 5 6 7 8 9]
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]]
[0 1 2 3 4 5 6 7 8 9]
[[0. 0.]
 [0. 0.]
 [0. 0.]
 [0. 0.]]
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [ 0  1  2  3]]

数组的复制 copy()

ar = np.arange(10)
print(ar)
ar1 = ar
ar1[2]=100
print(ar,ar1)

ar3 = ar.copy()
ar3[3]=998
print(ar,ar3)

输出结果:
[0 1 2 3 4 5 6 7 8 9]
[  0   1 100   3   4   5   6   7   8   9] [  0   1 100   3   4   5   6   7   8   9]
[  0   1 100   3   4   5   6   7   8   9] [  0   1 100 998   4   5   6   7   8   9]

数组的字符转换

ar2 = numpy.array(range(16)).reshape(4,4)
ar3 = ar2.astype(numpy.str)
print(ar3)

输出结果:
[['0' '1' '2' '3']
 ['4' '5' '6' '7']
 ['8' '9' '10' '11']
 ['12' '13' '14' '15']]

连接数组

ar = np.array([[1,2,3],[4,5,6]])
ar1 = np.array([[7,8,9],[10,11,12]])

ar2 = np.stack((ar,ar1),0) #沿新轴连接数组序列
ar3 = np.hstack((ar,ar1))# 横向连接
ar4 = np.vstack((ar,ar1))#纵向连接
print(ar2,ar3,ar4)

输出结果:
[[[ 1  2  3]
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]]
 [[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]
 [[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

分割数组

ar = np.arange(16).reshape(4,4)
ar1 = np.vsplit(ar,2)  #纵向拆分
ar2 = np.hsplit(ar,2)  #横向拆分
print(ar)
print(ar1)
print(ar2)

输出结果:
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]
[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])]
[array([[ 0,  1],
       [ 4,  5],
       [ 8,  9],
       [12, 13]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11],
       [14, 15]])]

数组的计算

ar2 = numpy.array(range(16)).reshape(4,4)
ar3 = ar2.astype(numpy.str)
print(ar3)
ar4 = ar2*10+100
print(ar4)
print(ar4.mean()) #求平均值
print(ar4.sum()) #求总值

输出结果:
[['0' '1' '2' '3']
 ['4' '5' '6' '7']
 ['8' '9' '10' '11']
 ['12' '13' '14' '15']]
[[100 110 120 130]
 [140 150 160 170]
 [180 190 200 210]
 [220 230 240 250]]
175.0
2800

 

Numpy索引和切片

基本索引及切片

import  numpy as np

#一维数组索引 类似于list
ar  = np.arange(20)
# print(ar[2])
# print(ar[3:5])
# print(ar[::2])


#二维数组以及多维数组的逻辑和一维的一样
ar1 = ar.reshape(4,5)
# print(ar1)
print(ar1[2][2])
print(ar1[2:4][0][2])
print(ar1[:2])

输出结果:
12
12
[[0 1 2 3 4]
 [5 6 7 8 9]]

布尔型的索引及切片

ar = np.arange(12).reshape(3,4)
print(ar)

i = np.array([True,False,True])
j = np.array([True,False,True,False])
print(i)
print(j)
print(ar[i,:])  #在行中判断,只保留True的值
print(ar[:,j]) #在第二维度中判断,只保留True的值

print(ar[ar>5])  #生成一个新的数组

输出结果:
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[ True False  True]
[ True False  True False]
[[ 0  1  2  3]
 [ 8  9 10 11]]
[[ 0  2]
 [ 4  6]
 [ 8 10]]
[ 6  7  8  9 10 11]

Numpy随机数

print(np.random.normal(size=(4,4)))  #随机数生成

print(np.random.rand(4))   #生成一个【0-1】之间的随机浮点数或者是N维数组  ---均匀分布
print(np.random.rand(2,4))
print(np.random.randn(4))  #生成一个【0-1】之间的随机浮点数或者是N维数组 ---正态分布
print(np.random.randn(2,4))
print(np.random.randint(5))  #生成一个整数或者N维整数数组
print(np.random.randint(10,50,size=(4,4)))

Nmupy数据输入和输出

ar = numpy.random.randint(0,100,size=(10,10))
numpy.savetxt("savetxt.txt",ar,delimiter=",",fmt="%i")   #数据的输出

txt_load = numpy.loadtxt("savetxt.txt",delimiter=',')    #数据的输入
print(txt_load)
# print(ar)

 

相关链接:

  • NumPy 官网 http://www.numpy.org/
  • NumPy 源代码 https://github.com/numpy/numpy
  • Numpy 教程  https://www.runoob.com/numpy/numpy-tutorial.html

 

转载于:https://www.cnblogs.com/garrett0220/p/11495597.html

你可能感兴趣的:(python数据分析实战---Numpy科学计算工具)