利用Python进行数据分析（1）—— Numpy Basic（1）
Jupyter Notebook Viewer
The NumPy ndarray: a multidimensional array object
import numpy as np
'''
precision 浮点数输出精度位数（默认值8位）
suppress 是否 禁止 使用 科学记数法（默认为False）打印小浮点值
'''
np.set_printoptions(precision=4, suppress=True)
'''
numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。
'''
data_1 = np.random.randn(2, 3)
print(data_1)
# data_2 = np.random.rand(2, 3)
#
# print(data_2)
print(data_1*10)
print(data_1+data_1)
# 数组 形状
print('数组 形状:', data_1.shape)
# 数组 中 数据 的 类型
print('数组 中 数据 的 类型:', data_1.dtype)
# 数组 的 维度
print('数组 的 维度:', data_1.ndim)
# --------------------------------------[[ 1.0104 -0.4554 -0.2024]
[ 0.5217 1.1163 1.4374]]
[[ 10.1039 -4.554 -2.0242]
[ 5.2174 11.1635 14.3736]]
[[ 2.0208 -0.9108 -0.4048]
[ 1.0435 2.2327 2.8747]]
数组 形状: (2, 3)
数组 中 数据 的 类型: float64
数组 的 维度: 2
Process finished with exit code 0Creating ndarrays
# 将 data1 转换为 1*4 的数组
data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)
print(arr1)
# 将 data2 转换为 2*4 的数组
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)
print(arr2)
# np.array 函数可以自动推断出 dtype,也可以指定 dtype
print(arr1.dtype, arr2.dtype)
# 10*1 的 0矩阵（10行 1列）
print(np.zeros((10, 1)))
# 1*10 的 0矩阵（1行 10列）
print(np.zeros((1, 10)))
# 3*6 的单位矩阵
print(np.ones((3, 6)))
# 创建一个与 arr2 形状相同的 单位矩阵
print(np.ones_like(arr2))
# 很多情况下， np.empty 返回的是 垃圾值
print(np.empty((2, 3, 2)))
# 功能类似 Python 内置的 range，但 返回的不是 list 是 ndarray
print(np.arange(15))[ 6. 7.5 8. 0. 1. ]
[[1 2 3 4]
[5 6 7 8]]
float64 int32
[[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]
[ 0.]]
[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
[[ 1. 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1. 1.]]
[[1 1 1 1]
[1 1 1 1]]
[[[ 2.3061e-295 7.3666e+228]
[ 7.5489e+252 2.9548e+137]
[ 1.4280e+248 2.6469e+180]]
[[ 1.0994e+248 6.9948e+228]
[ 7.5489e+252 7.6711e+170]
[ 2.6469e+180 5.6323e-322]]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
Process finished with exit code 0
Data Types for ndarrays
# 创建 数组 时，指定 数组中 数据 的 类型
arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)
print(arr1.dtype)
print(arr2.dtype)
# 当创建 数组 时，未指定 数据 的类型，则由 numpy 自己推断
arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype)
# 通过 ndarray.astype(np.dytype) 可以修改 数组 的 数据类型
float_arr = arr.astype(np.float64)
print(float_arr.dtype)
# 修改 数组 数据类型
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
print(arr)
print(arr.astype(np.int32))
# 将 数据类型 从 np.string_ 转换为 np.float64
numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
print(numeric_strings.astype(float))
# 数据类型
int_array = np.arange(10)
print(int_array.dtype)
calibers = np.array([.22, .270, .357, .380, .44, .50], dtype=np.float64)
print(int_array.astype(calibers.dtype).dtype)
print(int_array.dtype)
# 简写形式
empty_uint32 = np.empty(8, dtype='u4')
print(empty_uint32.dtype)
# 注意：ndarray.astype ,无论如何都会创建出一个新的数组
# ------------------------------------------------float64
int32
int32
float64
[ 3.7 -1.2 -2.6 0.5 12.9 10.1]
[ 3 -1 -2 0 12 10]
[ 1.25 -9.6 42. ]
int32
float64
int32
uint32
Process finished with exit code 0Operations between arrays and scalars
'''
大小相等 的 数组 之间的 任何 【算术运算】 都会将 运算 应用到 【元素级别】
数组 与 标量 之间的 【算术运算】 也会将 标量值 传播到 【各个元素】
'''
arr = np.array([[1., 2., 3.], [4., 5., 6.]])
print(arr)
print(arr * arr)
print(arr - arr)
print(1 / arr)
print(arr ** 0.5)
# 矩阵 点乘 2*3 · 3*2 = 2*2
print(np.dot(arr, arr.T))[[ 1. 2. 3.]
[ 4. 5. 6.]]
[[ 1. 4. 9.]
[ 16. 25. 36.]]
[[ 0. 0. 0.]
[ 0. 0. 0.]]
[[ 1. 0.5 0.3333]
[ 0.25 0.2 0.1667]]
[[ 1. 1.4142 1.7321]
[ 2. 2.2361 2.4495]]
[[ 14. 32.]
[ 32. 77.]]
Process finished with exit code 0Basic indexing and slicing
arr = np.arange(10)
print(arr)
print(arr[5])
print(arr[5:8])
# 将 arr 数组 索引 从 5 到 7 的元素替换为 12
arr[5:8] = 12
# 数组切片是原始数组的视图，数据【不会被复制】，视图上的任何修改都会【直接反映】 到 【原始数组】
print(arr)
arr_slice = arr[5:8]
# arr 数组中，索引为 6 的元素被替换为 12345
arr_slice[1] = 12345
print(arr)
# arr 数组中，索引为 5,6,7 的元素被替换为 64
arr_slice[:] = 64
print(arr)
# 如果想要得到的是 ndarray 切片的一份副本而非视图的话，就需要显示的复制操作
copy_slice = arr[5:8].copy()
print(copy_slice)
copy_slice[:] = 6
print(copy_slice)
# 此时 arr 数组 未被修改
print(arr)
[0 1 2 3 4 5 6 7 8 9]
5
[5 6 7]
[ 0 1 2 3 4 12 12 12 8 9]
[ 0 1 2 3 4 12 12345 12 8 9]
[ 0 1 2 3 4 64 64 64 8 9]
[64 64 64]
[6 6 6]
[ 0 1 2 3 4 64 64 64 8 9]
Process finished with exit code 0
# 在二维数组中，各索引位置上的元素不再是标量，而是一维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
pprint(arr2d)
# arr2d 数组 的 索引为 2 的 行
print(arr2d[2])
# arr2d 数组 的 一行 和 二行
print(arr2d[:2])
# arr2d 数组 第 0 行，第 2 列 的元素
print(arr2d[0][2])
print(arr2d[0, 2])
arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
pprint(arr3d)
print(arr3d[0])
# 4
print(arr3d[0][1][0])
old_values = arr3d[0].copy()
arr3d[0] = 42
pprint(arr3d)
arr3d[0] = old_values
pprint(arr3d)
print(arr3d[1, 0])
# ----------------------------------------------------------array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
[7 8 9]
[[1 2 3]
[4 5 6]]
3
3
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
[[1 2 3]
[4 5 6]]
4
array([[[42, 42, 42],
[42, 42, 42]],
[[ 7, 8, 9],
[10, 11, 12]]])
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
[7 8 9]
Process finished with exit code 0Indexing with slices
arr = np.array([[1., 2., 3.], [4., 5., 6.]])
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
pprint(arr2d)
print(arr[1:6])
print(arr2d[:2])
# 0,1 行 和 1,2 列 取交集
print(arr2d[:2, 1:])
# 1 行 的 0,1 列
print(arr2d[1, :2])
print(arr2d[2, :1])
# 第 0 列
print(arr2d[:, :1])
# 修改 数值
arr2d[:2, 1:] = 0
print(arr2d)
# --------------------------------array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
[[ 4. 5. 6.]]
[[1 2 3]
[4 5 6]]
[[2 3]
[5 6]]
[4 5]
[7]
[[1]
[4]
[7]]
[[1 0 0]
[4 0 0]
[7 8 9]]
Process finished with exit code 0