argmax函数_Python数据分析Numpy库常用函数详解，提到循环就该想到的库

Python进行数据分析的核心库肯定是Pandas，该库差不多可以解决结构化数据的绝大部分处理需求。在《Python数据分析常用函数及参数详解，可以留着以备不时之需 》一文中也已经对该库的常用函数进行了详细介绍。

但是Pandas是构建在Numpy的基础之上的，它的矢量化运算功能在处理数组和矩阵上具有着非常大的优势。虽然普通的数据分析任务可能很少用到Numpy库，但一旦你具有循环需求或是要处理数值型数据时，你应该首先想到该库。

本文整理了该库的一些常用函数和基础知识，整理不易，希望觉得还不错的朋友可以不吝给个赞。

基础介绍

---

在介绍函数之前先介绍下Numpy库的基本情况，该库最重要的特点就是其ndarray对象，这个对象可以理解成线性代数里面的数组，每个数组有维度和类型等属性。

• 维度

直观地判断数组对象有几个维度可通过判断其包含在几层[]中，一层[]即为一维。其中，一维数组可看成是向量，二维数组可看成是有行和列的数据，三维数组可看成是有页，且每页中有行和列的数据，至于更高维度就只能意会了。

• 类型

数组并不是只能存数值型数据，是也可以存字符串的，但它要求元素类型必须一致，不一致时会按照str > float > int的优先级进行类型转变。例如，在一个整数数组中插入字符串，就会将全部元素转成字符串类型。

另外说一下广播机制。通俗地理解广播机制就是当对不同形状的数组进行算术运算时，广播机制会自动将两个数组补全为相同形状的数组。但需要具备以下前提条件之一：两个数组维度数不等时，二者从末尾开始算起的维度的轴长度相等；两个数组维度数相等时，其中一方的有一个维度的长度为1。关于这一点的理解最好是多加练习。

Numpy常用函数分类

---

为了更好地理解该库的函数，本文将常用的函数按照下面方式进行分类。

其中基础函数包含对象创建、属性查看、切片索引、形状变换等小类；random模块就是一些常用的随机函数；char模块主要是用来处理字符数组类，也就是数组元素是字符串类型的数据；Matlib是Numpy中的矩阵库，矩阵其实是一种特殊的数组，但它必须是二维的；linglg库是属于线性代数的函数库。

后三个库的函数一般常用于科学计算和图像识别等领域，在数据分析中几乎用不上，因此本文不做介绍，但大家应该知道有这两个库，便于有需求时知道Numpy也具备相应的功能。

基础函数

---

以下均用arr表示数组，np表示numpy库

(1)对象创建

array(object, dtype =None,order =None, ndmin =0) #order为创建方式，C为行方向，F为列方向，默认为C，ndmin指定生成数组的最小维度arange(start=0,stop=4,step=,dtype=) #生成一维数组，不包含stoplinspace(start=,stop=,num=,endpoint=True) #生成一维等差数据，endpoint决定是否包含stop值，默认包含asarray(object,dtype=None,order=None) #将对象转换为数组zeros(shape,dtype=float,order='C') #生成元素全为0的数组ones(shape,dtype=float,order='C') #生成元素全为1的数组eye(N,dtype=float,order='C') #生成对角线元素为1，其余元素为0的N阶矩阵

(2)属性查看

arr.shape #数组的形状arr.ndim#数组的维度arr.size#数组的长度arr.dtype#数组数据类型

(3)切片索引

arr[i] #取i行arr[[i,j]] #取i，j行arr[:,i:j] #取i到j-1列arr[::-1,::-1] #元素反转np.where(condition,x,y) #condition为真的数组中数据赋值x,否则为y

(4)形状变换

arr.reshape(newshape,order=None)#newshape为新维度，元组格式arr.flatten(order='C') #将数组平铺为一维数组，order表示按行还是按列，默认按行arr.T #数组转置arr.transpose()#数组转置np.append(arr,values,axis=None) #axis控制返回什么类型，默认返回的是拼接后的一维数组np.concatenate((arr1,arr2,arr3),axis=0) #可拼接多个数组

(5)统计函数

arr.sum(axis = None) #axis为整数或者元组 arr.mean(axis = None) #计算平均值arr.std(axis = None)#计算标准差 arr.var(axis = None)#计算方差  np.average(arr,axis =None, weights =None)#计算数组的加权平均值，weights中为权重np.median(arr,axis=None)# 计算数组中元素的中位数 arr.argmin(axis=None) ##返回数组最小值的位置 arr.argmax(a)#返回数组最大值的位置 np.dot(arr1,arr2) #数组的点积运算

random库

---

随机函数在生成练习数据等方面是非常有帮助的，可以重点掌握一下。

np.random.rand(d0,d1,d2,……) #返回输入维度的随机数，随机数服从[0, 1)区间的均匀分布 np.random.randn(d0,d1,d2,……)#返回输入维度的标准正态分布随机数 np.random.normal(loc=0.0,scale=1.0,size=None)#返回输入维度的正态分布随机数，可控制正态分布的期望和方差np.random.randint(low=,high=,size=None,dtype='l') #返回属于[low,high)区间的随机整数，size可为元组 np.random.seed(s) #随机数种子,可保证两次随机数生成的结果一样

结语

---

Numpy库还有很多概念本文没涉及到，譬如视图、自定义函数等等。但这些概念在数据分析中很少用到，如果有兴趣也是可以深入钻研下的！有时间了也争取把没涉及到的内容再整理发出来，欢迎大家关注！