numpy简单入门

声明：本文大量参考https://www.dataquest.io/mission/6/getting-started-with-numpy（建议阅读原文）

 

读取文件

有一个名为world_alcohol.csv的文件，文件格式如下

Year,WHO region,Country,Beverage Types,Display Value 1986,Western Pacific,Viet Nam,Wine,0 1986,Americas,Uruguay,Other,0.5 1985,Africa,Cte d'Ivoire,Wine,1.62

文件内容的含义：（这是一份全球的饮料消耗记录表，第一列的意思是记录的年份，第二列指的是饮料的出产地，第三列指的是饮料的消耗地，第四列指的是饮料的类型，第五列指的是饮料的每人平均消耗量）

 

现在使用numpy的genfromtxt()函数来读取该文件，delimiter参数是用来指定每一行用来分隔数据的分隔符

import numpy

world_alcohol = numpy.genfromtxt('world_alcohol.csv', delimiter=',')

print(world_alcohol)

此时读取到的内容如下：

[[             nan              nan              nan              nan                nan] [  1.98600000e+03              nan              nan              nan     0.00000000e+00] [  1.98600000e+03              nan              nan              nan     5.00000000e-01] ...,  [  1.98600000e+03              nan              nan              nan     2.54000000e+00] [  1.98700000e+03              nan              nan              nan     0.00000000e+00] [  1.98600000e+03              nan              nan              nan     5.15000000e+00]]

 

这是因为numpy在读取元素时，默认是按照float格式来读取的，对于不能转换为float类型的数据会读取为nan（not a number），对于留空的数据则显示为na（not available），为了正确的读取数据，可以通过增加参数：

1. dtype参数用来指定读取数据的格式，这里的U75表示将每一个数据都读取为75个byte的unicode数据格式
2. skip_header参数用来跳过文件的第一行
3. delimiter参数用来指定每行数据的分隔符

import numpy

world_alcohol = numpy.genfromtxt('world_alcohol.csv', dtype='U75', skip_header=True, delimiter=',')

print(world_alcohol)

 

数组

可以通过array()函数来创建一个数组，在这里向量指的是变量只有一个列表，矩阵指的是具有多个列表的列表

创建一个向量：vector = numpy.array([10, 20, 30])

创建一个矩阵：matrix = numpy.array([[5,10,15],[20,25,30],[35,40,45]])

 

数组的属性：

1. shape属性描述了该数组的结构

print(vector.shape) 输出结果： （3，） 这是一个元组，表示vector变量是一个只有一行的向量，具有3个元素 print(matrix.shape) 输出结果： （3，3）表示matrix变量是一个3 × 3的矩阵，具有3行3列共9个元素

2. dtype属性描述了元素的数据类型

print(vector.shape) 输出结果： int64

数据类型大致有以下几种：

1. bool -- 布尔类型，True或者False
2. int -- 整型，分为int16, int32, int64，后面的数字表明数值的长度
3. float -- 浮点型，分为float16, float32, float64，后面的数字表明数值的长度
4. string -- 字符串类型，分为string或者unicode，它们的差异在于存储字符的方式

 

索引和分片

谨记一点：数组的索引是从0开始的

matrix = numpy.array([

       [5,10,15],

       [20,25,30],

       [35,40,45]

       ])

print(matrix[1][1])  # 两种方式都可以索引数据，输出结果都是25，注意这里索引的是第二行第二个

print(matrix[1,1])

可以类似于使用切片来操作数据（将切片操作符 ： 理解为‘全部’）

print(matrix[:,0]) # 输出全部行,第一列的数据 [ 5 20 35]

print(matrix[0,:]) # 输出第一行,全部列的数据 [ 5 10 15]

print(matrix[:,0:2]) # 输出全部行,前2列的数据[  [5, 10],  [20, 25],  [35, 40]  ]

print(matrix[1:3,:]) # 输出第2和第3行的全部列的数据 [  [20, 25, 30],  [35, 40, 45]  ]

print(matrix[1:3,1]) # 输出第2，3行的第1列数据 [ [10],  [25] ]

 

数组比较

将数组与一个值相比较的时候，实际上是把数组内的每个值都与该值比较，然后返回一个布尔值列表

vector = numpy.array([5, 10, 15, 20])

vector == 10

返回的是：[False, True, False, False]

对于矩阵也如此

matrix = numpy.array([

                    [5, 10, 15], 

                    [20, 25, 30],

                    [35, 40, 45]

                 ])

matrix == 25

结果如下：[

    [False, False, False], 

    [False, True,  False],

    [False, False, False]

]

数组比较中还可以使用多条件

vector = numpy.array([5, 10, 15, 20])

equal_to_ten_and_five = (vector == 10) & (vector == 5)

输出：[False, False, False, False]

equal_to_ten_or_five = (vector == 10) | (vector == 5)

输出：[True, True, False, False]

 

数组比较的最大用处是

一、用来选择数组或矩阵中的元素

matrix = numpy.array([

                [5, 10, 15], 

                [20, 25, 30],

                [35, 40, 45]

             ])

    second_column_25 = (matrix[:,1] == 25)

print(matrix[second_column_25, :])

作用：提取出matrix中第二列中等于25的所有行，结果为[20, 25, 30]

二、替换元素

vector = numpy.array([5, 10, 15, 20])

equal_to_ten_or_five = (vector == 10) | (vector == 5)

vector[equal_to_ten_or_five] = 50

print(vector)

输出：[50, 50, 15, 20]

原理如下：

 

常用于替换空元素

譬如将world_alcohol中的第五列中的留空的数据都替换为字符串0：

is_value_empty = world_alcohol[:, 4] == ' '

world_alcohol[is_value_empty, 4] = '0'

 

 

数据类型转换

通过使用astype()函数来转换一个数组的数据类型

vector = numpy.array(["1", "2", "3"])

vector = vector.astype(float)

print(vector)

结果：[1.0, 2.0, 3.0]

 

 

简单的运算

参考numpy的手册：http://docs.scipy.org/doc/numpy-1.10.1/index.html

挑出几个重要的运算函数：

1. l sum() -- 计算一个向量中的全部元素的总和，或者是一个矩阵中的一个维度的总和
2. l mean() -- 同上，计算的是平均值
3. l max() -- 同上，计算的是最大值

vector = numpy.array([5, 10, 15, 20])
vector.sum()

结果为：50

matrix = numpy.array([

                [5, 10, 15], 

                [20, 25, 30],

                [35, 40, 45]

             ])

matrix.sum(axis=1)

结果：[30, 75, 120]

对于矩阵来说，需要指定axis参数，该参数等于1时表示计算的是每行，等于0时表示计算的是每列的总和

练习

使用world_alcohol.csv文件，计算在1986年里每个国家的饮料消耗量

import numpy

world_alcohol = numpy.genfromtxt('world_alcohol.csv', dtype='U75', skip_header=True, delimiter=',')

totals = {}

year = world_alcohol[world_alcohol[:, 0] == '1989', :]  # 选择1989年的数据集

countries = set(world_alcohol[:,2])  # 选择全部国家

for each in countries: # 分别计算每个国家

    consumption = year[year[:,2] == each, :]  

    consumption[consumption[:, 4] == '',4] = '0'

    temp = consumption[:,4].astype(float)  # 将留空的数据转变为浮点数0参与运算

    country_consumption = temp.sum() 

    totals[each] = country_consumption

 

总结

使用numpy的比直接对一个列表集合的运算更加方便，主要优于以下几点：

1. 更容易对数据进行计算
2. 可以快速地进行数据索引和分片
3. 可以快速地转换数据类型

然而，numpy有一些不足之处：

1. 在同一个数据集中的数据必须具有相同的数据类型，在处理多数据集时会变得很困难
2. 行和列都需要使用数字来索引，而不能使用别名，这样容易造成混淆

 

而Pandas解决了Numpy的几点不足