Numpy（下）

引言：回顾和概览

Numpy是一个科学计算包。如果你做数据清洗、整合的时候，不一定用到，直接用Pandas就好，Numpy是一个科学计算包，这个包里面的数据类型一种，就是ndarray，所有的计算都是基于这个数据类型，首先就是把其他的数据类型转换为ndarray。在数据类型里，整数32，浮点型32/64先掌握，类型的查看需要掌握，改变数据类型用astype。

矢量化运算比较重要，非常简化了运算。创建常用数组，不是用矩阵运算用的不是很多。空值经常用到。随机数组比较重要，在np.random模块下，你可以做一个文档记一下，比如randint是整数，你只要知道这个包里有什么功能，具体的参数现查就可以，大概知道单词怎么拼就行，实在不行百度也可以。随机数种子比较重要，实现随机的数据是相同的。常用属性中，shape比较常用。

数组的索引和切片是重点。二维的，用逗号分开，定位出一块，定位到行和列，交叉就是定位的坐标。

完全不复制、完全复制和浅复制主要是理解：

  完全不复制：a=b（没有区别）

  完全复制（深复制）：所有的都复制新的，跟原来的没有任何关系。

  浅复制（视图）：多层的时候，只复制最前面的第一层

 

数组的变形元素的顺序是不变的，某一个维度可以用-1代替（小技巧）。resize和reshape是有区别的。ravel是拉伸为一维，转置也比较重要。变形这一块是比较重要的。数组的拼接和分裂，需要掌握。concatenate连接的意思，这里涉及一个新参数，axis，默认的是0。分裂split，第二个参数支持整数和一维数组，列表和元组都可以，效果是一样的。整数代表均分，前提是可以均分。第二个是指定切分。广播和浅复制一样，理解就可以。

 

Numpy运算：整除A//B、取余A%B……

常用函数

规约函数

 

重点：变形有关的，广播原理， 运算函数， 规约函数（对于轴axis 的理解） 

 

一、数组的变形

reshape：请注意，如果希望该方法可行，那么原始数组的大小必须和变形后数组 的大小一致。如果满足这个条件，reshape 方法将会用到原始数组的一 个视图。

resize ：可以直接修改数组本身。

无论是ravel（拉伸）、reshape、T，它们都不会更改原有的数组形状，都是返回一个新的数组。也就是我们之前学过的浅复制。

二、数组的拼接

拼接或连接 NumPy 中的两个数组主要由 np.concatenate实现。axis这里是轴的概念。

三、数组的分裂

使用split，可以指定均匀切割成几份,也可以指定沿着哪个位置进行切割, 还可以指定沿着哪个轴进行切割.

np.split(ary, indices_or_sections, axis=0)

#indices_or_sections当这个参数为整数时，沿着指定的轴，将数组均匀切分

np.split(k,2) #默认axis=0  

np.split(k,1,axis=1)

#指定的切分，传的就不是整数，而是索引值

np.split(k,[1])

np.split(k,[1,3])

四、广播机制

我们都知道，Numpy中的基本运算（加、减、乘、除、求余等等）都是元素级别的，但是这仅仅局限于两个数组的形状相同的情况下。

可是大家又会发现，如果让一个数组加1的话，结果是整个数组的结果都会加1，这是什么情况呢？

 

 五、Numpy运算

1.基本运算

Numpy 中数组上的算术运算符使用元素级别。最后的结果使用新的一个数组来返回。

需要注意的是，乘法运算符*的运算在NumPy数组中也是元素级别的（这与许多矩阵语言不同）。如果想要执行矩阵乘积，可以使用dot函数。

2.常用函数

3.规约函数

下面所有的函数都支持axis来指定不同的轴，用法都是类似的。这个是比较重要的，就是统计函数！

4.掩码提取

#你想提取什么，都可以通过创建布尔数列完成。

and 与 &
or  或 |
not 非 ~

#提取所有小于5的偶数数据
k[ (k<5) & (k%2 ==0) ]

掩码比较重要，在Pandas用的比较多。