NumPy基础功能索引
NumPy基础功能索引
NumPy作为Python中一个强大的库，合理的使用不仅可以美化代码，还可以减少循环，提高执行效率。这篇文章的目的就是做一个Numpy的启发性索引。参考图书: 利用Python进行数据分析。
- NumPy基础功能索引
- ndarray: 一种多维数组对象
- 创建ndarray
- 数组和标量之间的运算
- 调用函数
- 将条件逻辑表述为数组运算
- 用于数组的文件输入输出
- 随机数
- ndarray: 一种多维数组对象
ndarray: 一种多维数组对象
创建ndarray
Numpy中新定义了一个数组对象（ndarray）。该对象可以通过np1.array(其他迭代类型)来定义。ndarray对象内建函数shape（查看对象形式），reshape（重建对象形式），dtype2（查看数据类型）
- 其他的ndarray创建方法如下
-
- np.ones()
- np.zeros()
- np.empty()
- np.arange()
- np.eye()
In [1]: import numpy as np
In [2]: np.ones((3, 3))
Out[2]:array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])数组和标量之间的运算
这里很重要，是numpy代替for循环的一个体现。
数组与标量，数组与同型数组之间的运算都是元素级的运算
In [5]: testarray = np.ones((2, 2))
In [6]: testarray*2
Out[6]:
array([[ 2., 2.],
[ 2., 2.]])
In [7]: testarray + testarray
Out[7]:
array([[ 2., 2.],
[ 2., 2.]])调用函数
一元函数：
| 函数 | 说明 |
|---|---|
| abs/fabs | 绝对值 |
| sqrt | 开方 |
| square | 平方 |
| exp | e的x次方 |
| log/log10/log2/log1p | 对数，其中log1p是指log(1+x) |
| sign | 符号 |
| ceil | 计算个元素的ceiling值，即大于等于该值的最小整数 |
| floor | floor值，即小于等于该值的最大整数 |
| rint | 四舍五入，保留dtype |
| modf | 将数组的小树和证书部分以两个独立数组形式返回 |
| isnan | 返回一个表示是否为空的数组 |
| isfinite/isinf | 返回一个表示是否有限或是否无穷的数组 |
| cos/cosh/sin/sinhtan/tanh/ | |
| arccos/arccosh/arcsin/arcsinh/arctan/arctanh | |
| logical_not | 计算个元素not x的真值。相当于 -arr |
二元函数：
| 函数 | 说明 |
|---|---|
| add | 元素加 |
| subtract | 元素减 |
| multiply | 元素乘 |
| divide/floor_divide | 元素除/元素地板除3 |
| power | 对每一个元素，计算A的B次方 |
| maximum/fmax | 元素级最大值/抛弃NAN |
| minimum/fmin | 元素级最小值/抛弃NAN |
| mod | 元素级求模 |
数组统计方法
| 方法 | 说明 |
|---|---|
| sum | 求轴向和 |
| mean | 求期望 |
| std/var | 求标准差/求方差 |
| min/max | 求最小值/求最大值 |
| argmin/argmax | 求最小值索引/求最大值索引 |
| cunsum | 求累计 |
| cunprod | 求累积 |
将条件逻辑表述为数组运算
if:
In [22]: result = [(x if c else y) for x, y, c in zip(xarray, yarray, cond)]
In [23]: xarray = np.arange(5)
In [24]: yarray = np.arange(5)+10
In [25]: cond = np.array([True, False, True, True, False])
In [26]: result = [(x if c else y) for x, y, c in zip(xarray, yarray, cond)]
In [27]: result
Out[27]:
[0, 11, 2, 3, 14]where:
In [28]: result = np.where(cond, xarray, yarray)
In [29]: result
Out[29]:
array([ 0, 11, 2, 3, 14])用于数组的文件输入输出
| 保存 | 读取 |
|---|---|
| np.save(‘path’, testarray) | np.load(‘path.npy) |
| np.savez(‘path’, a=testarray1, b=testarray2) | np.load(‘path.npz’) |
| np.savetxt(‘path’) | np.loadtxt(‘path.txt’) |
随机数
部分numpy.random函数
| 函数 | 说明 |
|---|---|
| seed | 确定随机数生成器的种子 |
| permutation | 返回一个序列的随机排列或返回一个随机排列的范围 |
| shuffle | 对一个序列就地随机排列 |
| rand | 产生均匀分布的样本值 |
| randint | 从给定的上下限范围内随机选取整数 |
| randn | 产生正态分布（均值为0，方差为1）的样本值 |
| binomial | 产生二项分布的样本值 |
| normal | 产生正态分布的样本值 |
| beta | 产生Beta分布的样本值 |
| chisquare | 插死你哼卡方分布的样本值 |
| gamma | 产生Gamma分布的样本值 |
| uniform | 产生再[0,1)中均匀分布的样本值 |
- 例1：
- np.random.randn()经常被我用来创建测试DataFrame
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: pd.DataFrame(np.random.randn(3, 4), index=list('123'), columns=list('abcd'))
Out[3]:
a b c d
1 -1.653480 -1.309714 -0.647547 0.612910
2 -0.456685 -0.896083 -0.925626 -0.774381
3 -0.626343 0.928588 1.006751 -0.066363- 例2：
- np.random.randint()经常用来产生随机数（抽签）
In [4]: np.random.randint(3, 5)
Out[4]: 3
In [5]: np.random.randint(3, 100)
Out[5]: 48
In [6]: np.random.randint(3, 10, size=(3, 4))
Out[6]: array([[7, 7, 5, 9],
[3, 7, 5, 7],
[9, 5, 3, 9]])- 例3：
-
np.random.normal()用来产生服从正态分布的随机数，有三个参数，依次为
loc，scale，size。分别表示正态分布的均值、方差和生成随机数的shape。
In [1]: import numpy as np
In [2]: np.random.normal()
Out[2]: -1.3004106794256696
In [3]: np.random.normal(loc=10, scale=1, size=(3,4))
Out[3]:
array([[10.33944193, 10.05519234, 11.42222642, 10.72775738],
[ 9.30701505, 11.18810188, 9.47168679, 10.25634846],
[11.41716704, 10.27783005, 9.50031229, 8.7759825 ]])
- import numpy as np ↩
- pandas的两个对象也可以用这个方法 ↩
- 去掉余数 ↩