Python 数据科学库之Numpy入门学习
Numpy库
介绍
NumPy是Python中科学计算的基础包。 它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。 NumPy包的核心是 ndarray 对象。
基础
创建矩阵
import numpy as np
a1=np.array([1,2,3,4,5,6,7])
print(a1)
print(type(a1))
a2=np.array(range(10))
print(a2)
print(type(a2))
a3=np.arange(10)
print(a3)
print(type(a3))
[1 2 3 4 5 6 7]
[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
数据类型
#numpy的数据类型
#1.默认数据类型
a4=np.array(range(1,11))
print(a4)
print(a4.dtype)
#2.设置数据类型
a5=np.array(range(1,11),dtype="int64")
print(a5)
print(a5.dtype)
a6=np.array([1,1,1,0,0,0,1],dtype="bool")
print(a6)
print(a6.dtype)
[ 1 2 3 4 5 6 7 8 9 10]
int32
[ 1 2 3 4 5 6 7 8 9 10]
int64
[ True True True False False False True]
bool
numpy矩阵元素为小数
import random
#numpy中的小数
#1.随机生成小数矩阵
a7=np.array([10*random.random() for i in range(10)])
print(a7)
print(a7.dtype)
#2.保留小数点后n位
a8=np.round(a7,2)
print(a8)
print(a8.dtype)
[6.46665436 7.30882277 4.49303366 9.98697614 4.21035976 2.56750555
4.63963177 9.07470549 9.73631922 7.11534145]
float64
[6.47 7.31 4.49 9.99 4.21 2.57 4.64 9.07 9.74 7.12]
float64
numpy矩阵的形状
#矩阵的形状
t1=np.array([1,2,3,4,5,6])
print(t1.shape)
t2=np.array([[1,2,3],[4,5,6]])
print(t2.shape)
t3=np.array([[[1,2,3],[4,5,6]],[[5,6,7],[8,9,10]]])
print(t3.shape)
t4=t3.reshape(3,4)#行*列必须等于矩阵元素个数 reshape()返回的是一个矩阵
print(t4)
t5=np.arange(24).reshape(2,3,4)
print(t5)
#多维矩阵的行列数t5.shape[0] t5.shape[1] t5.shape[2]
#多维转1维
#1.reshape
t6=t5.reshape(t5.shape[0]*t5.shape[1]*t5.shape[2])
print(t6)
#2.flatten
t7=t5.flatten()
print(t7)
(6,)
(2, 3)
(2, 2, 3)
[[ 1 2 3 4]
[ 5 6 5 6]
[ 7 8 9 10]]
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
numpy矩阵的运算
#numpy的运算
#1.与整数运算
t7=t7+2
print(t7)
t7=t7*2
print(t7)
t7=t7/2
print(t7)
#t7=t7/0
#print(t7)#0/0=nan 实数/0=inf
#2.与矩阵运算
#加减计算
t7=t7.reshape(4,6)
t8=np.arange(6)
t8=t7-t8
print(t8)
t9=np.arange(4).reshape(4,1)
t9=t7-t9
print(t9)
#乘除
t10=np.array(range(1,5)).reshape(4,1)
t10=t7/t10
print(t10)
[ 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25]
[ 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50]
[ 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19.
20. 21. 22. 23. 24. 25.]
[[ 2. 2. 2. 2. 2. 2.]
[ 8. 8. 8. 8. 8. 8.]
[14. 14. 14. 14. 14. 14.]
[20. 20. 20. 20. 20. 20.]]
[[ 2. 3. 4. 5. 6. 7.]
[ 7. 8. 9. 10. 11. 12.]
[12. 13. 14. 15. 16. 17.]
[17. 18. 19. 20. 21. 22.]]
[[2. 3. 4. 5. 6. 7. ]
[4. 4.5 5. 5.5 6. 6.5 ]
[4.66666667 5. 5.33333333 5.66666667 6. 6.33333333]
[5. 5.25 5.5 5.75 6. 6.25 ]]
进阶
numpy的转置（假设a为矩阵）
a.transpose()
a.T
a.swapaxes(1,0)#参数为taxi
numpy布尔索引
a=a<10 返回元素为bool值的矩阵。
小于10为true，大于等于10为false
a[a<10]=0 把矩阵中小于10的元素改为0
numpy的三元运算符
np.where(a<x,x1,x2) 小于x的改为x1，大于等于x改为x2
numpy的裁剪clip
a.clip(a,b)小于a的替换为a，大于b的替换为b
numpy的拼接
竖直拼接
np.vstack((a,b)) a,b为两个矩阵
水平拼接
np.hstack((a,b)) a,b为两个矩阵
numpy矩阵行列交换
a[[x,y],:]=a[[y,x],:] #x,y为交换的两行
a[[1,2],:]=a[[2,1],:]
a[:,[x,y]]=a[:,[y,x]] #x,y为交换的两列
a[:,[1,2]]=a[:,[y,x]]
numpy常用统计函数
求和sum
a.sum(axis=None)
均值mean
np.mean(a,axis=None) #求a的均值
中值median
np.median(a,axis=None) #求a的中值
最大值max
a.max(axis=None)
最小值min
a.min(axis=None)
标准差sid 标准差越大代表数据跟平均值间波动越大
a.sid(axis=None)
numpy创建0 1矩阵
创建全0矩阵
np.zeros((x,y)) #创建一个x*y的全0矩阵
创建全1矩阵
np.zeros((x,y)) #创建一个x*y的全1矩阵
创建对角线为1的方阵
np.eye(x) #创建对角线为1的x*x方阵
numpy随机生成数
.random.rand(d0,d1,...dn)#创建d0...dn维度均为分布的随阵，浮点数（0-1)）
.random.randn(d0,d1,...dn)#创建d0...dn维度标准正太分布的随阵，浮点数 平均数0，标准差1）
.random.ranint(low,high,(shape))#给定上下限随机整数范围为low，high，形状是shape
.random.uniform(low,high,(size))#产生有均匀分布的矩阵low为起始值，high为结束值，size为形状
.random.normal(loc,scale,(size))#从正态分布中随机抽取样本，分布中心是loc（均值），标准差是scale，形状是size）
.random.seed(s)# 随机数种子，s是给定种子值。每次产生相同值
numpy copy和view
a=b #相互影响 两个矩阵有一个改变另一个跟着改变
a=b[:] #视图 一种切片，会创建新的对象a，但是a的数据由b保管，相互影响
a=b.copy()#复制，a和b互不影响
numpy nan的注意点
两个nan互不相等 np.nan!=np.nan
count=np.count_nonzero(a!=a) 返回矩阵中nan个数
np.isnan(a)判断矩阵元素是否为nan 返回bool矩阵
nan与任何值计算都为nan