100天精通Python（数据分析篇）——第52天：numpy完结
文章目录
- 每篇前言
- 一、拷贝
-
- 1. 赋值
- 2. 视图
- 3. 副本
- 4. 注意点copy和view
- 二、numpy常用方法
-
- 1. 小技巧
- 2. 生成随机数
- 三、numpy中的nan和inf
- 四、书籍推荐
每篇前言
作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6
- 本文已收录于Python全栈系列专栏：《100天精通Python从入门到就业》
- 此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
- 订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进两百人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
- 加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！
一、拷贝
1. 赋值
简单的赋值不会创建数组对象的副本。相反，它使用原始数组的相同id()来访问它。id()返回Python对象的通用标识符，类似于C中的指针。
一个数组的任何变化都反映在另-个数组上。例如，一个数组的形状改变也会改变另一个数组的形状
>>> import numpy as np
>>>
>>> x = np.array([1, 2, 3, 4, 5, 6])
>>> print("x数组: ")
x数组:
>>> print(x)
[1 2 3 4 5 6]
>>>
>>> print(id(x))
2545959638000
>>> y = x
>>> print(id(y))
2545959638000
>>>
>>> y.shape = (3, 2)
>>> print(y)
[[1 2]
[3 4]
[5 6]]
>>>
>>> print(x)
[[1 2]
[3 4]
[5 6]]
2. 视图
又可称为浅拷贝，是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。对视图进行修改，它会影响到原始数据，物理内存在同一位
发生情况：
-
numpy的切片操作返回原数据的视图，修改数据会影响到原始数组
>>> import numpy as np >>> x = np.arange(12) >>> print("x数组: ") x数组: >>> >>> print(x) [ 0 1 2 3 4 5 6 7 8 9 10 11] >>> >>> print("创建切片y:") 创建切片y: >>> y = x[3:] >>> print(y) [ 3 4 5 6 7 8 9 10 11] >>> >>> print("修改切片y，查看x与y") 修改切片y，查看x与y >>> y[1] = 100 >>> print("查看y: ") 查看y: >>> print(y) [ 3 100 5 6 7 8 9 10 11] >>> print("查看x: ") 查看x: >>> print(x) [ 0 1 2 3 100 5 6 7 8 9 10 11] -
调用ndarray的view()函数产生一个视图创建一个新的数组对象，该方法创建的新数组的维数更改不会更改原始数据的维数
>>> import numpy as np >>> >>> x = np.arange(6).reshape((3, 2)) >>> print("x数组: ") x数组: >>> print(x) [[0 1] [2 3] [4 5]] >>> >>> print("创建x的视图y:") 创建x的视图y: >>> y = x.view() >>> print(y) [[0 1] [2 3] [4 5]] >>> >>> print("对比x与y的地址: ") 对比x与y的地址: >>> print("x的地址: ") x的地址: >>> print(id(x)) 2546234302800 >>> print("y的地址: ") y的地址: >>> print(id(y)) 2546234302896 >>> print("修改y，查看x与y") 修改y，查看x与y >>> y[1][0] = 100 >>> print("查看y: ") 查看y: >>> print(y) [[ 0 1] [100 3] [ 4 5]] >>> print("查看x: ") 查看x: >>> print(x) [[ 0 1] [100 3] [ 4 5]]
3. 副本
又可称为深拷贝，是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同- -位置
发生情况：
- 调用ndarray的copy()函数产生一个副本
- 作用：创建一个副本
- 说明：对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置
>>> import numpy as np
>>>
>>> x = np.array([[10, 10], [2, 3], [4, 5]])
>>> print("x数组: ")
x数组:
>>> print(x)
[[10 10]
[ 2 3]
[ 4 5]]
>>>
>>> print("创建x的深层副本y")
创建x的深层副本y
>>> y = x.copy()
>>> print(y)
[[10 10]
[ 2 3]
[ 4 5]]
>>>
>>> print(y is x)
False
>>>
>>> print(y)
[[10 10]
[ 2 3]
[ 4 5]]
4. 注意点copy和view
a=b：完全不复制，a和b相互影响a = b[:]：视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的，a = b.copy()：复制，a和b互不影响
二、numpy常用方法
1. 小技巧
1）获取最大值最小值的位置
# 一维数组
>>> t1
array([11, 12, 13, 14, 15, 16, 17, 18, 19])
>>> np.argmax(t1,axis=0) #返回最大值索引
8
>>> np.argmin(t1,axis=0) #返回最小值索引
0
# 多维数组就返回每行的最大或最小值
>>> t2 = np.arange(0,16).reshape(4,4)
>>> t2
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
>>> np.argmax(t2,axis=0)
array([3, 3, 3, 3], dtype=int64)
>>> np.argmin(t2,axis=0)
array([0, 0, 0, 0], dtype=int64)
2）创建一个全0的数组: np.zeros((3,4))
>>> np.zeros((3,4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
3）创建一个全1的数组：np.ones((3,4))
>>> np.ones((3,4))
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
4）创建一个对角线为1的正方形数组(方阵)：np.eye(3)
>>> np.eye(3)
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> np.eye(10)
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])
2. 生成随机数
| 方法 | 说明 |
|---|---|
np.random.rand(d0, d1,.. dn) |
创建d0-dn维度的均匀分布的随机数数组，浮点数，范围从0-1 |
np.random.randn(d0,d1,. .dn) |
创建d0-dn维度的标准正态分布随机数，浮点数，平均数0，标准差1 |
np.random.randint(low, high,(shape)) (常用） |
从给定上下限范围选取随机数整数，范围是low,high,形状是shape |
np.random.uniform( low, high,(size)) |
产生具有均匀分布的小数数组，low起始值，high结束值，size形状 |
np.random.normal(loc, scale,(size)) |
从指定正态分布中随机抽取样本，分布中心是loc (概率分布的均值) ,标准差是scale,形状是size |
np.random.seed(s) |
随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数 |
>>> np.random.randint(10,20,(3,3))
array([[13, 15, 18],
[18, 17, 15],
[15, 10, 12]])
>>> np.random.randint(10,20,(3,3))
array([[17, 12, 16],
[10, 10, 14],
[15, 14, 12]])
三、numpy中的nan和inf
nan(NAN,Nan)：not a number表示不是一个数字
什么时候numpy中会出现nan：
- 当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
- 当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)
inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷
什么时候回出现inf包括（-inf，+inf）：
-
比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）
>>> type(np.nan) <class 'float'> >>> type(np.inf) <class 'float'>
注意点：
-
1.两个nan是不相等的
>>> np.nan == np.nan False -
2.np. nan! =np. nan
>>> np.nan != np.nan True -
3.利用以上的特性，判断数组中nan的个数
>>> b = np.array([1,2,3,4,5],dtype='float') >>> b array([1., 2., 3., 4., 5.]) >>> b[b==1.] = np.nan >>> b array([nan, 2., 3., 4., 5.]) >>> b[b==2.] = np.nan >>> b array([nan, nan, 3., 4., 5.]) >>> np.count_nonzero(b!=b) 2 -
4.由于2，那么如何判断-个数字是否为nan呢?通过np.isnan(a)来判断，返回bool类型,比如希望把nan替换为0
>>> b array([nan, nan, 3., 4., 5.]) >>> np.count_nonzero(np.isnan(b)) 2 -
5、nan和任何值计算都为nan
>>> import numpy as np >>> t1 = np.arange(1,11).reshape(2,5) >>> t1 array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10]]) >>> np.sum(t1) 55 >>> np.sum(t1,axis=0) # axis=0表示每列相加的结果 array([ 7, 9, 11, 13, 15]) >>> np.sum(t1,axis=1) # axis=1表示每行相加的结果 array([15, 40]) >>> t2 = np.array([1,2,3,4,5],dtype='float') >>> t2[t2==1.] = np.nan >>> t2 array([nan, 2., 3., 4., 5.]) >>> np.sum(t2) nan
那么问题来了，在一组数据中单纯的把nan替换为0，合适么？会带来什么样的影响？
比如，全部替换为0后，替换之前的平均值如果大于0，替换之后的均值肯定会变小，所以更一般的方式是把缺失的数值替换为均值（中值）或者是直接删除有缺失值的一行
那么问题来了：
- 如何计算一组数据的中值或者是均值
- 如何删除有缺失数据的那一行（列）[在pandas中介绍]
四、书籍推荐
【书籍内容简介】
- 包括人工智能概述、机器学习、神经网络与深度学习、智能语音处理及应用、计算机视觉处理及应用、自然语言处理及应用、知识图谱及应用、机器人、经典智能算法 Python 实现、展望等。
本书适合作为高等院校人工智能、计算机科学与技术、大数据、软件工程或相关专业的入门教材，也适合从事相关工作的人工智能爱好者和工程师学习阅读。
- 京东自营：https://item.jd.com/13287419.html