numpy库学习---个人总结笔记
目录
一.前言
二.numpy库基础知识
2.1数组的芝士：
2.2 创建数组
2.3改变数组形状
2.4数组的运算
2.4.1数组与实数的运算
2.4.2数组与数组的运算
三.numpy读取数据
3.1基本概念（轴）
3.2 numpy读取数据
3.3 numpy转置方法（补充）
四. numpy的索引与切片
4.1常见的切片索引需求
4.2 numpy中数值的修改
4.3 布尔索引
4.4 三元运算符(where)和裁剪(clip)
4.5 numpy中的nan和inf
4.6 numpy中常见的统计方法
4.7 numpy应用实例（数据处理）
五. 数组的拼接
5.1 拼接的方式（水平/竖直）
六.numpy生成随机数
6.1常用参数
6.2 numpy的注意点
一.前言
笔记学习内容主要来源：NumPy 教程 | 菜鸟教程 (runoob.com)，其中个别函数具体使用方法可参考网页中的内容。
numpy库的应用：通常与scipy(scientific python)和matplotlib(绘图库)结合使用，这种组合主要是为了替代matlab，有助于我们用python学习数据科学和机器学习。
二.numpy库基础知识
nadarry：数组
2.1数组的芝士：
1.数据类型（dtype）#类似python中的数据类型，可进行选择，例如：bool;int;float;complex；
2.数组形状（shape）#用来描述数组中的数据为几行几列。
数组的常用属性：
| ndarray.ndim | 秩，即轴的数量或维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
示例
import numpy as np
a=np.array(range(10),dtype=int) #dtype可以指定数据类型，如float#
print(a)
print(a.shape) #输出数据形状
b=a.reshape((2,5)) #改变a的数据形状为2行5列
print(b)
print(b.shape)
print(a.dtype) #输出a中的数据类型
print(type(a))输出：
[0 1 2 3 4 5 6 7 8 9]
(10,) #代表一维数据，1行10列
[[0 1 2 3 4]
[5 6 7 8 9]]
(2, 5)
int32
2.2 创建数组
代码：
#三种方法如下：
import numpy as np
a=np.array([1,2,2,3,4]) #方法一
b=np.array(range(1,10)) #方法二
a=np.array([[1,2,2,3,4],[2,3,4]]) #方法二，必须放在一个【】中，否则会报错
c=np.arange(1,6) #方法三
print(a)
print(b)
print(c)输出：
[1 2 2 3 4]
[1 2 3 4 5 6 7 8 9]
[list([1, 2, 2, 3, 4]) list([2, 3, 4])]
[1 2 3 4 5]2.3改变数组形状
shape 和 reshape
import numpy as np
a=np.array([[1,2,3],[4,5,6]])
print(a)
print(a.shape) #获取a的数组形状
#改变数组形状需注意改变后的大小不变
a1=a.reshape((3,2)) #将a改为3行2列
a2=a.reshape((6,)) #将a改为一维
a3=a.reshape((6,1)) #将a改为6行1列
a4=a.reshape((1,6)) #将a改为1行6列
a5=a.reshape((a.shape[0]*a.shape[1],)) #a.shape[0]和a.shape[1]分别代表行和列
a6=a.flatten() #将a转为一维形状
print(a1)
print(a2)
print(a3)
print(a4)
print(a5)
print(a6)输出：
[[1 2 3]
[4 5 6]]
(2, 3)
[[1 2]
[3 4]
[5 6]]
[1 2 3 4 5 6]
[[1]
[2]
[3]
[4]
[5]
[6]]
[[1 2 3 4 5 6]]
[1 2 3 4 5 6]
[1 2 3 4 5 6]2.4数组的运算
运算：加减乘除；分为数组与实数的运算，数组与数组的运算；代码示例如下
2.4.1数组与实数的运算
import numpy as np
#创建一个数组
a=np.array([[0,1,2,3,4,5],
[6,7,8,9,10,11],
[12,13,14,15,16,17],
[18,19,20,21,22,23]])
#数组与实数的加法：将数组的每一个数都相加
print(a+2)
#数组与实数的乘法：将数组的每一个数都相乘
print(a*2)
#数组与实数的除法：将数组的每一个数都相除;可以对0进行运算(其中inf：无穷大；nan:非实数)
print(a/2)
print(a/0)输出
[[ 2 3 4 5 6 7]
[ 8 9 10 11 12 13]
[14 15 16 17 18 19]
[20 21 22 23 24 25]]
[[ 0 2 4 6 8 10]
[12 14 16 18 20 22]
[24 26 28 30 32 34]
[36 38 40 42 44 46]]
[[ 0. 0.5 1. 1.5 2. 2.5]
[ 3. 3.5 4. 4.5 5. 5.5]
[ 6. 6.5 7. 7.5 8. 8.5]
[ 9. 9.5 10. 10.5 11. 11.5]]
[[nan inf inf inf inf inf]
[inf inf inf inf inf inf]
[inf inf inf inf inf inf]
[inf inf inf inf inf inf]]2.4.2数组与数组的运算
import numpy as np
#创建一个数组
a=np.array([[0,1,2,3,4,5],
[6,7,8,9,10,11],
[12,13,14,15,16,17],
[18,19,20,21,22,23]])
#创建一个形状相同的数组进行运算
b=np.arange(100,124).reshape((4,6))
print(a+b) #对应元素相加或乘除，这里就不演示了
#创建不同维度的数组进行运算
c=np.arange(0,6)
print(a+c) #因为列相同所以每列可以进行运算
d=np.arange(0,4).reshape((4,1))
print(a+d) #因为行数相同所以也可以进行运算，即每行进行相加减
#总结：只要运算的数组行与列其中存在相同就可以运算满足广播原则，对于三维只要存在某个空间形状相同也可以进行运算。
###广播原则如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播兼容的。
#广播会在缺失和（或）长度为1的维度上进行。 这句话乃是理解广播的核心。 广播主要发生在两种情况，一种是两个数组的维数不相等，但是它们的后缘维度的轴长相符，
#另外一种是有一方的长度为1。输出
[[100 102 104 106 108 110]
[112 114 116 118 120 122]
[124 126 128 130 132 134]
[136 138 140 142 144 146]]
[[ 0 2 4 6 8 10]
[ 6 8 10 12 14 16]
[12 14 16 18 20 22]
[18 20 22 24 26 28]]
[[ 0 1 2 3 4 5]
[ 7 8 9 10 11 12]
[14 15 16 17 18 19]
[21 22 23 24 25 26]]三.numpy读取数据
3.1基本概念（轴）
axis：可以理解为方向，使用数字0，1，2等数字表示，对于一维数组，只有一个0轴；对于2维数组（shape(2,2)），有0轴和1轴，引入这个概念是为了计算数组的平均值的时候，可以进行指定是哪个方向上的数字的平均值。例如：
np.arange(0,10).reshape((2,5))
#reshape中2表示0轴上长度为2，5表示1轴上长度为5.3.2 numpy读取数据
np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)#参数：
- frame：文件/字符串或路径，可以是.gz或bz2压缩文件
- dtype：数据类型，可选。
- delimiter：分隔字符串，默认是空格，可以改为逗号
- skiprows：跳过前x行
- usecols：读取指定的列，索引，元组类型
- unpacks：默认False，可以理解为有多少数据就有多少行；如果为True，读入属性将分别写入不同数组变量，可以理解为转置开关。
示例编写：
import numpy as np
file_path="C:\Program Files\Python38" #文件路径相当于那个frame
a=np.loadtxt(file_path,delimiter=",",dtype="int") #定义参数
print(a)
#这里没有提供相应的文件，只是简单示例编写方法。
3.3 numpy转置方法（补充）
#补充一下numpy中转置的三种方法（除了改变unpack）：
- a.swapaxes(1,0) #这里的1，0代表轴
- a.transpose()
- a.T
import numpy as np a=np.array(range(18)).reshape((3,6)) print(a) b=a.transpose() c=a.T d=a.swapaxes(1,0) print("*"*100) print(b) print("*"*100) print(c) print("*"*100) print(d)输出：
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]]
****************************************************************************************************
[[ 0 6 12]
[ 1 7 13]
[ 2 8 14]
[ 3 9 15]
[ 4 10 16]
[ 5 11 17]]
****************************************************************************************************
[[ 0 6 12]
[ 1 7 13]
[ 2 8 14]
[ 3 9 15]
[ 4 10 16]
[ 5 11 17]]
****************************************************************************************************
[[ 0 6 12]
[ 1 7 13]
[ 2 8 14]
[ 3 9 15]
[ 4 10 16]
[ 5 11 17]]四. numpy的索引与切片
4.1常见的切片索引需求
注意：numpy中的索引和python中类似，也是从0开始；
直接上代码示例：
import numpy as np
# a=np.array(range(18)).reshape((3,6))
a=np.array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
print(a)
#取一行或多行
print("*"*100)
print(a[1]) #第二行
print("*"*100)
print(a[1:3]) #取连续多行
print("*"*100)
print(a[[0,2]]) #取不连续多行，注意其中有两个【】
#取一列或多列
print("*"*100)
print(a[:,2]) #取第三列；取列的方法在下面会详细介绍；
print("*"*100)
print(a[:,2:4])
#取多行和多列：取的是交叉的点
print("*"*100)
print(a[0:2,1:3])
#取多个不相邻的点
print(a[[1,1],[1,2]]) #取出的是（1，1）；（1，2）对应的点？？4.2 numpy中数值的修改
import numpy as np
# a=np.array(range(18)).reshape((3,6))
a=np.array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
a[:,1:3]=0 #将切片数据赋值为0
print(a)
print("*"*100)
print(a<5) #a中小于5的为true输出：
[[ 0 0 0 3]
[ 4 0 0 7]
[ 8 0 0 11]]
*******************************************************************************************
[[ True True True True]
[ True True True False]
[False True True False]]4.3 布尔索引
import numpy as np
# a=np.array(range(18)).reshape((3,6))
a=np.array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
a[a<5]=0
print(a)输出
[[ 0 0 0 0]
[ 0 5 6 7]
[ 8 9 10 11]]4.4 三元运算符(where)和裁剪(clip)
注意：一个是np.where;另一个为a.clip；使用方法不同。
import numpy as np
a=np.arange(24).reshape((4,6))
b=np.where(a<10,0,10) #numpy的三元运算符,将a中小于10的数赋值为0，大于的赋值为10
print(b)
print("*"*80)
c=a.clip(10,18) #裁剪，小于10替换为10，大于18替换为18；
print(c)输出：
[[ 0 0 0 0 0 0]
[ 0 0 0 0 10 10]
[10 10 10 10 10 10]
[10 10 10 10 10 10]]
********************************************************************************
[[10 10 10 10 10 10]
[10 10 10 10 10 11]
[12 13 14 15 16 17]
[18 18 18 18 18 18]]4.5 numpy中的nan和inf
- nan：not a number：不是一个数字；当打开一个文件时，文件数据缺失的部分就为nan，或者做一个不合适的计算的时候（比如inf减去inf）
- inf：表示正无穷大；-inf表示负无穷大
注意：nan和inf的数据类型为float；如果想进行数据转换，需要进行先将数据dtype设置为float
import numpy as np
# 两个nan是不相等的
print(np.nan==np.nan)
print(np.nan!=np.nan)
#利用以上特性可以计算出数据中nan的个数
a=np.array([1.,3.,np.nan])
print(np.count_nonzero(a!=a)) #count_nonzero:统计非0的数据的个数
#将判断为nan的数值赋值为0：对数据进行判断：用isnan（）：统计数据中为nan的个数时用
a[np.isnan(a)]=0
print(a)输出：
False
True
1
[1. 3. 0.]nan的处理：在数据分析中如果出现nan时：一般将其所在行删除，或者将nan位置的数值替换为该列的平均值，选择后者一般不影响数据的完整性。因此下一节介绍一些常用的numpy中的统计方法
4.6 numpy中常见的统计方法
- 求和：a.sum(axis=None) #nan和任何值的运算结果都为nan。
- 均值：a.mean(a,axis=None)
- 中值：np.median(a,axis=None)
- 最大/小值：a.max/min(axis=None)
- 极值：np.ptp(a,axis=None) #最大值和最小值的差
- 标准差：a.std(axis=None) #代表这些数值接近平均值反映数据的波动稳定情况，越大表示波动越大。
import numpy as np
a=np.array([[0,1,2,3],
[4,5,6,7],
[8,9,np.nan,10]])
#sum
print(a.sum(axis=0)) #求和列
print(a.sum()) #总求和
#median
print(np.median(a,axis=0)) #求中值输出：
[12. 15. nan 20.]
nan
[ 4. 5. nan 7.]4.7 numpy应用实例（数据处理）
import numpy as np
def fill_ndarray(a):
for i in range(a.shape[1]): #遍历每一列
tem_col=a[:,i] #当前列
nan_num=np.count_nonzero(tem_col!=tem_col)
if nan_num !=0: #不为0，说明当前列有nan
tem_not_nan_col=tem_col[tem_col==tem_col] #当前列不为nan的array
#选当前为nan的位置，将不为nan的均值赋值给nan
tem_col[np.isnan(tem_col)]=tem_not_nan_col.mean()
return a
if __name__=="__main__":
a = np.arange(12).reshape((3, 4)).astype("float") #astype将数据类型设置为float
a[1, 2:] = np.nan
print(a)
print("*"*80)
a=fill_ndarray(a)
print(a)输出：
[[ 0. 1. 2. 3.]
[ 4. 5. nan nan]
[ 8. 9. 10. 11.]]
********************************************************************************
[[ 0. 1. 2. 3.]
[ 4. 5. 6. 7.]
[ 8. 9. 10. 11.]]五. 数组的拼接
5.1 拼接的方式（水平/竖直）
import numpy as np
a=np.array([[1,2,3,4],
[5,6,7,8]])
b=np.array([[9,10,11,12],
[13,14,15,16]])
#竖直拼接vstack
print(np.vstack((a,b)))
#水平拼接 hstack
print("*"*80)
print(np.hstack((a,b)))输出：
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]
[13 14 15 16]]
********************************************************************************
[[ 1 2 3 4 9 10 11 12]
[ 5 6 7 8 13 14 15 16]]5.2 交换行/列
目的：为了两个数据的数据处理
import numpy as np
a=np.arange(12,24).reshape((3,4))
print(a)
print("*"*80)
#行交换
a[[1,2],:]=a[[2,1],:]
print(a)
print("*"*80)
#列交换
a[:,[0,2]]=a[:,[2,0]]
print(a)
print("*"*80)
#补充：构造全为0/1的数组
b=np.zeros((2,3))
c=np.ones((3,3))
print(b)
print(c)
print("*"*80)
#创建一个全为1的正方形数组eye（）
d=np.eye(3)
print(d)
print("*"*80)
#获取最大最小值的位置
print(a)
print(np.argmax(a,axis=0))
print(np.argmin(a,axis=1))输出：
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
********************************************************************************
[[12 13 14 15]
[20 21 22 23]
[16 17 18 19]]
********************************************************************************
[[14 13 12 15]
[22 21 20 23]
[18 17 16 19]]
********************************************************************************
[[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
********************************************************************************
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
********************************************************************************
[[14 13 12 15]
[22 21 20 23]
[18 17 16 19]]
[1 1 1 1]
[2 2 2]
六.numpy生成随机数
6.1常用参数
- .rand(d0,d1,d2,,,,dn)：创建d0到dn维度的均匀分布的随机数组，浮点数，范围：0-1
- .randn(d0,d1,d2,,,,dn)：创建d0到dn维度的标准正态分布随机数，浮点数，平均数0，标准差1
- .randint(low,high,(shape))：从给定上下限范围选取随机整数，范围是low，high，形状时shape
- .uniform(low,high,(size))：产生均匀分布的数组，low起始值，high结束值，size形状
- .seed（s）：随机数种子，作用同python
6.2 numpy的注意点
- a=b 完全不复制，a和b相互影响
- a=b[:]，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时一致的
- a=b.copy()，复制，a和b互不影响。