【数据分析】Numpy学习笔记(一)

最近在学习数据分析，到了numpy的学习阶段，边学边整理分享自己的学习笔记，希望能对你也有所帮助！
这次的学习笔记包括以下内容：
1.数组的创建方式
2.多维数组的简单操作
3.数组的索引和切片操作
4.布尔索引
5.数组值的替换操作
6.数组的形状操作
7.数组的叠加
8.数组的切割
9.数组的转置
10.浅拷贝和深拷贝
11.文件操作的几种方式
正式进入主题之前，默认numpy的导入如下：

import numpy as np

一、数组的创建方式
数组的创建常用的有四种方式：
1.利用array创建基本数组，如果已经有了基本的数组，或者数据比较简单时，可以通过这种方式创建，示例如下：

import numpy as np
a1 =np.array([1,2,3])

2.如果需要创建连续的数组，类似等差数列，可以通过arange函数，示例如下：

import numpy as np
a1 =np.arange(10) #创建0-9的数组

3.如果需要创建随机数组，这也是经常用到的一种方式，需要用到numpy中的random随机函数，类似python中的随机函数，示例如下：

import numpy as np
a1 =np.random.randint(0,10,size=(3,4)) #创建3行4列的的数组，数组元素0-9

4.特殊数组。
4.1全部是0的数组

import numpy as np
a1 =np.zeros((4,3)) #创建元素全部是0的4行3列的数组

4.2全部是1的数组
与上面的方法类似，代码如下：

import numpy as np
a1 =np.ones((4,3)) #创建元素全部是0的4行3列的数组

4.3 创建全部是某个指定元素的数组

import numpy as np
a1 =np.full((4,3),9) #创建全部是9的4行3列的数组

4.4创建对接线上全部是1，其他位置都是0的数组

import numpy as np
a1 =np.eye((3)) #注意只能传入1个元素，生成N行N列的数组

二、多维数组的简单运算
2.1 ndim 判断是几维数组

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1.ndim) #结果打印为2，二维数组

2.2 .size获取元素总的个数

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1.size)

输出结果12，共有12个元素
2.3 .shape判断数组的形状

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1.shape)

生成结果返回一个元组(4,3)

2.4 reshape() 改变数组的形状

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1)
a2=a1.reshape((2,6)) #由4行3列改为2行6列
print(a2)

2.5 flatten 转换为一维数组

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
a2 =a1.flatten() #将a1转换为1维数组

三、数组的切片和索引操作
numpy中数组的切片和索引操作，与python中的操作类似
3.1一维数组，与列表操作是一致的，比如从10个元素的数组中操作：

a1 =np.arange(10)
print(a1[0:5]) #取出前5个元素
print(a1[1])  #取出第2个元素
print(a1[-1])  #取出最后一个元素

3.2二维数组操作
切片时[]中行列数据分别表示，中间用逗号分隔

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1[1,2]) #取出2行3列的元素
print(a1[1])  #取出第2行
print(a1[:,[1]])  #取出第2行
print(a1[[0,2]]) #间隔取出第1,3行
print(a1[[0,2],[1,2]]) #获取1行2列，3行3列的元素

四、布尔索引
对于某些需要判断的情况，可以把数组当做切片的参数，用布尔索引往往会事半功倍，比如

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1>3) 

上面的代码，可以生成一个布尔矩阵结果如下：
[[ True True True]
[False True True]
[ True False True]
[ True False True]]
意为满足条件的值为True
4.1 单条件筛选 当我们需要将数组中满足某个条件的元素同时取出时，可以直接在数组取值中用于判断，示例如下：

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1)
print(a1[a1>3])

结果如下：

[[6 2 4]
 [2 1 7]
 [4 2 6]
 [1 6 2]]
[6 4 7 4 6 6]

4.2 多条件筛选
当需要多个条件筛选时，可以用 | 表示or ，用&表示 or，示例如下：

import numpy as np
a1 =np.random.randint(1,9,size=(4,3))
print(a1)
print(a1[(a1<7) | (a1>3)]) #输出同时满足 大约7和 大于3的元素,注意条件用（）

五、数组值的替换
5.1类似列表中的数值替换

import numpy as np
a1 =np.arange(12).reshape(3,4) #生成3行4列的二维数组
a1[0,0] =10 #将第一个元素替换为10

5.2 条件替换

import numpy as np
a1 =np.arange(12).reshape(3,4) #生成3行4列的二维数组
a1[a1>5] =10 #将所有大于5的元素替换为10

六、数组的形状操作
包括reshape,resize ,flatten 和vavel四个操作
6.1 reshape和resize属于改变形状的操作，区别在于采用reshape之后，会生成新的数组，原数组的形状不发生变化，示例如下：

import numpy as np
a1 =np.arange(12).reshape(3,4) #生成3行4列的二维数组
print(a1)
a2 =a1.reshape(2,6)
print(a2)
print(a1)

如果采用resize方法，不存在返回值，故会发生变化

import numpy as np
a1 =np.arange(12).reshape(3,4) #生成3行4列的二维数组
print(a1)
a1.resize(2,6)
print(a1)

6.2 转换为一维数组
将数组转换为一维数组，可以采用flatten和ravel()两个函数，方法是一样的，结果也都不会改变原来数组的形状，但区别在于前者如果修改数组中的元素，不会改变原数组，但后者如果修改，会对原数组的数值造成改变，示例如下：

import numpy as np
a1 =np.arange(12).reshape(3,4) #生成3行4列的二维数组
print(a1)
a2=a1.ravel()
a3 =a1.flatten()
print(a2)
print(a3)

七、数组的叠加
当两个数组需要组合的时候，需要考虑他们的结构，需要在叠加的方向上结构保持一致，比如3行5列的数组，和3行4列的数组，如果水平方向叠加是可以的，但如果垂直方向叠加则无法实现，比如下图的实例，自己体会下
能用到的函数有3个，
vstack：垂直方向叠加，上下方向
hstack：水平方向叠加 ，左右方向
concatenate： 两个方向都可以，需要指定轴
具体示例如下：

import numpy as np
a1 =np.random.randint(0,9,size=(4,3)) #4行3列
a2 =np.random.randint(0,9,size=(4,2)) #4行2列
a3 =np.hstack([a1,a2]) #水平方向，左右叠加

import numpy as np
a1 =np.random.randint(0,9,size=(4,3)) #4行3列
a2 =np.random.randint(0,9,size=(2,3)) #2行3列
a3 =np.vstack([a1,a2]) #垂直方向，上下叠加

import numpy as np
a1 =np.random.randint(0,9,size=(4,3)) #4行3列
a2 =np.random.randint(0,9,size=(2,3)) #2行3列
a3 =np.concatenate([a1,a2],axis=0) #axis=0等同于vstack,axis=1 等同于hstack

八、数组的分割
当需要把一个数组进行拆分时，用到的函数同样有3个：
vsplit:水平方向分割
hslpit:垂直方向分割
split:需要选择分割的轴
与叠加的方法类似，区别在于，如果只指定一个变量，相当于平均分割，需要计算是否可以等分，当然也可以不平均分割，指定好分割的方向和分割的点即可！示例如下：

import numpy as np
a1 =np.random.randint(0,9,size=(6,3)) #6行3列
a2 =np.vsplit(a1,3) #水平方向，平均分成3组，相当于每2行1组
a3 =np.vsplit(a1,(1,3)) #水平方向，相当于第1行和第3行分隔，1行一组，2-3行一组，剩下的1组
a4 =np.hsplit(a1,3) #垂直方向，平均分成3组，相当于每1列1组

九、数组的转置
当我们需要把一个数组的行列互换时，比如3行5列，换成5行3列的时候，就会用到数组的转置，这里用到2个方法
.T：数组转置，修改数值不影响原数组的数值
.transpose():数组转置，修改数值会影响原有的数值
示例如下：

import numpy as np
a1 =np.random.randint(0,9,size=(6,3)) #6行3列
a2 =a1.transpose() #转置变为3行6列
a3 =a1.T #转置变为3行6列

十、浅拷贝(view)和深拷贝(copy)的区别
numpy的数组复制中，存在2种拷贝的方式，一种是浅拷贝，类似复制了一个view,类似window中的快捷方式，也就意味着，虽然是拷贝，但如果你修改拷贝之后的数组，原数组仍然是要变化的；
第二种拷贝是深拷贝，区别于浅拷贝，自然是新的数组修改不会影响原来的数组，实例如下：

import numpy as np
a1 =np.random.randint(0,9,size=(6,3)) #6行3列
a2 =a1.view() #浅拷贝
print(a1)
a2[0,0] =1000 #修改a2中的数据，a1也会修改
print(a1)

import numpy as np
a1 =np.random.randint(0,9,size=(6,3)) #6行3列
a2 =a1.copy() #深拷贝
print(a1)
a2[0,0] =1000 #修改a2中的数据，a1不会修改
print(a1)

十一、文件操作
对于数据处理而言，经常会用到对文件的相关操作，其中使用最多的大概就是csv文件，关于csv文件的操作分为保存和读取两部分，具体如下：
10.1文件的保存
np.savetxt(“文件名”,数组，delimiter=’, ‘，header，comment =’’,fmt ="%d"))
文件名：要保存的文件名
数组：数组变量
delimiter= ：指定数据的分隔符，csv文件保存习惯用逗号
header:可以根据情况添加表头,注意用上面提到的分隔符进行分隔
fmt:要保存的数据结构，比如fmt="%d"
10.2文件的读取
同保存类似，方法如下：
np.loadtxt(文件名，数组，分隔符，跳过的内容skiprows)
区别在于，如果希望表头是汉字，而不是数据，是无法读取的，需要跳过前面的几行，用到skiprows参数，根据需要设置即可
10.3numpy独有的数据存储方式
np.save(文件名) —后缀名.npy，可以不加后缀名
np.savez(文件名) —压缩文件
np.load(文件名) —读取文件
限制：不可以存取不同的数组类型，比如浮点和数字不能同时存储，另外，excel是打不开的，也算是安全性相对较高
优点：可以存取多维数组，比如三维数组以上的，而这些是excel无法存储的

今日总结如上，供大家参考！码字不易，如果你读到了这里，可以给个赞了！^-