NumPy相关知识点汇总

ndarray的属性

ndarray就是NumPy最具特色的一点，被称为N维数组对象，其实就是一个N维数组，下面先随便定义一个array，说说他的相关属性吧。

import numpy as np
score=np.array([[7, 37, 81, 90, 45],
        [43, 26, 29, 27, 77],
        [49, 64, 29, 82, 60],
        [38, 0, 26, 20, 44],
        [89, 0, 33, 83, 94],
        [88, 11, 61, 4, 56],
        [18, 69, 25, 98, 56],
        [91, 59, 91, 76, 32]])

ndarray的形状

score.shape# (8,5)

ndarray的维度

score.ndim

ndarray的元素数量

score.size

ndarray的类型

score.dtype

生成数组的方法

生成0和1

np.zeros()

# 生成0和1的数组
np.zeros(shape=(3, 4), dtype="float32")

输出：

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]], dtype=float32)

np.ones()

np.ones(shape=(2, 3), dtype=np.int32)

输出：

array([[1, 1, 1],
       [1, 1, 1]])

从现有数组中生成

np.array

data1=np.array(score)

np.copy

data2=np.copy(score)

np.asarray(浅拷贝)

改变原数组的值后，生成的数组也会被改变

data3=np.asarray(score)

生成固定范围的数组

np.linspace(0,10,100)

[0, 10]等距离的100个数

np.arange()

np.arange(0, 11, 5)

输出：

array([ 0,  5, 10])

range(a, b, c)

[a ,b) c是步长

生成随机数组

均匀分布

data1=np.random.uniform(low=-1, high=1, size=1000000)

数据图像：
在这里插入图片描述显示数据图像的代码：

import matplotlib.pyplot as plt
# 创建画布
plt.figure(figsize=(20, 8), dpi=80)
# 绘制直方图
plt.hist(data1, 1000)
#显示图像
plt.show()

正态分布

data2=np.random.normal(loc=1.75, scale=0.1, size=1000000)#loc均值，scale标准差

数据图像：
在这里插入图片描述绘图代码：

import matplotlib.pyplot as plt
# 创建画布
plt.figure(figsize=(20, 8), dpi=80)
# 绘制直方图
plt.hist(data2, 1000)
#显示图像
plt.show()

切片

1.先生成一组数据；

stock_change=np.random.normal(loc=0, scale=1, size=(8, 10))

数据展示:
array([[-1.23069929, -0.09689858, 0.34533148, -1.21129873, -0.49555038,
-1.15395071, -0.35045563, -0.19777101, 1.58952968, 0.33511842],
[-0.11232624, -1.51017588, 0.45292765, -1.60198671, -0.17582026,
-0.87866601, 0.83254436, -0.17215236, 0.35663974, 1.0173457 ],
[ 0.76208493, 2.01926225, 0.26000738, -0.2412584 , 0.10541199,
0.05698847, 0.65372375, 1.20697029, -0.41501513, 0.63331921],
[ 1.39089225, -1.3000879 , 0.37726128, -1.35670391, 1.26396375,
0.37078607, 0.54823076, 1.27194705, 0.03629491, 1.13593746],
[-0.02291549, 0.95949581, -0.38881878, -1.11513863, 0.82017542,
-0.34096471, -1.00410163, -0.93113913, -1.3155623 , 0.02619724],
[ 0.18065202, -0.61370958, 0.7928718 , -1.01097122, -0.77427605,
0.91698914, 0.67400046, -0.09777629, -0.33256196, 0.57330873],
[-0.39856787, 0.75992096, -0.68918329, 0.89445347, 0.0327467 ,
0.0996788 , -0.49912995, -0.89001777, -1.25522405, 0.27481911],
[-0.05903677, -1.37252017, -0.78561022, -1.19413853, 0.62745735,
0.12389948, -0.25296184, -1.74770253, -0.5348701 , -0.84352973]])

2.切片；

stock_change[0, 0:3]#第一个括号的前三个数据

结果展示：
array([-1.23069929, -0.09689858, 0.34533148])

形状修改

注：下面所用到的stock_change为自定义的一个数组。

ndarray.reshape()返回新的ndarray,原始数据没有改

stock_change.reshape((10, 8))#修改形状

输出展示：
array([[-1.23069929, -0.09689858, 0.34533148, -1.21129873, -0.49555038,
-1.15395071, -0.35045563, -0.19777101],
[ 1.58952968, 0.33511842, -0.11232624, -1.51017588, 0.45292765,
-1.60198671, -0.17582026, -0.87866601],
[ 0.83254436, -0.17215236, 0.35663974, 1.0173457 , 0.76208493,
2.01926225, 0.26000738, -0.2412584 ],
[ 0.10541199, 0.05698847, 0.65372375, 1.20697029, -0.41501513,
0.63331921, 1.39089225, -1.3000879 ],
[ 0.37726128, -1.35670391, 1.26396375, 0.37078607, 0.54823076,
1.27194705, 0.03629491, 1.13593746],
[-0.02291549, 0.95949581, -0.38881878, -1.11513863, 0.82017542,
-0.34096471, -1.00410163, -0.93113913],
[-1.3155623 , 0.02619724, 0.18065202, -0.61370958, 0.7928718 ,
-1.01097122, -0.77427605, 0.91698914],
[ 0.67400046, -0.09777629, -0.33256196, 0.57330873, -0.39856787,
0.75992096, -0.68918329, 0.89445347],
[ 0.0327467 , 0.0996788 , -0.49912995, -0.89001777, -1.25522405,
0.27481911, -0.05903677, -1.37252017],
[-0.78561022, -1.19413853, 0.62745735, 0.12389948, -0.25296184,
-1.74770253, -0.5348701 , -0.84352973]])

ndarray.resize()无返回值，原始数据已改

注：结果与reshape()相同

stock_change.resize((10, 8))#无返回值

ndarray.T矩阵转置

stock_change.T#转置

结果展示：
array([[-1.23069929, -0.11232624, 0.76208493, 1.39089225, -0.02291549,
0.18065202, -0.39856787, -0.05903677],
[-0.09689858, -1.51017588, 2.01926225, -1.3000879 , 0.95949581,
-0.61370958, 0.75992096, -1.37252017],
[ 0.34533148, 0.45292765, 0.26000738, 0.37726128, -0.38881878,
0.7928718 , -0.68918329, -0.78561022],
[-1.21129873, -1.60198671, -0.2412584 , -1.35670391, -1.11513863,
-1.01097122, 0.89445347, -1.19413853],
[-0.49555038, -0.17582026, 0.10541199, 1.26396375, 0.82017542,
-0.77427605, 0.0327467 , 0.62745735],
[-1.15395071, -0.87866601, 0.05698847, 0.37078607, -0.34096471,
0.91698914, 0.0996788 , 0.12389948],
[-0.35045563, 0.83254436, 0.65372375, 0.54823076, -1.00410163,
0.67400046, -0.49912995, -0.25296184],
[-0.19777101, -0.17215236, 1.20697029, 1.27194705, -0.93113913,
-0.09777629, -0.89001777, -1.74770253],
[ 1.58952968, 0.35663974, -0.41501513, 0.03629491, -1.3155623 ,
-0.33256196, -1.25522405, -0.5348701 ],
[ 0.33511842, 1.0173457 , 0.63331921, 1.13593746, 0.02619724,
0.57330873, 0.27481911, -0.84352973]])

类型修改

ndarray.astype(type)

stock_change.astype("int32")

ndarray序列化到本地（ndarray.tostring()）

stock_change.tostring()

数组去重

temp=np.array([[1,2,3,4], [3,4,5,6]])
np.unique(temp)

输出展示：
array([1, 2, 3, 4, 5, 6])

set(temp.flatten())

注：flatten()函数作用为降维。

输出展示：
{1, 2, 3, 4, 5, 6}

ndarray运算

逻辑运算

#逻辑判断， 大于0.5为True, 否则为False
stock_change>0.5

结果展示：
array([[False, False, False, False, False, False, False, True, False,
True],
[False, True, False, False, False, False, False, False, False,
False],
[False, False, False, False, True, False, True, False, False,
False],
[False, False, False, True, False, True, False, False, True,
False],
[False, False, False, False, False, True, True, False, False,
False],
[False, True, True, True, False, True, False, False, True,
False],
[False, False, False, False, True, False, False, True, True,
False],
[False, False, True, False, False, False, False, True, False,
False]])

bool索引

#所有大于0.5的改为1.1（bool索引）
stock_change[stock_change>0.5]=1.1

通用判断函数

np.all()（只要有一个false就返回false，只有全是true才返回true）

# 判断stack_change[0:2 0:5]全是上涨的
np.all(stock_change[0:2,0:5]>0)

np.any()（只要有一个true就返回true，只有全是false才返回false）

# 判断stack_change[0:2 0:5]是否有上涨的
np.any(stock_change[0:2, 0:5])

np.where(bool数组，若为true则该的值，若为false则该的值)

np.where(temp>0, 1, 0)

np.logical_and(范围)

# 复杂运算
np.logical_and(temp>0.5, temp<1)

logical_or(范围）

np.logical_or(temp>0.5, temp<-0.5)

统计运算

统计指标函数
- min, max, mean, median, var, std
- np.函数名
- ndarray.方法名

temp.max()
np.max(temp)
temp.max(axis=0)# 按列求最大值
np.max(temp, axis=1)# 按行求最大值

返回最大值、最小值所在位置
- np.argmax(temp, axis=)
- np.argmin(temp, axis=)

 np.argmax(temp, axis=1)#最大值所在的位置

数组间运算

统一加/减/乘/除一个数字；

score1+10

广播机制

维度相等
shape（其中相对应的一个地方为1）
数据：

score
array([[1],
       [5]], dtype=int64)
score1
array([[5, 0, 3, 2, 0, 2],
       [1, 5, 4, 4, 3, 4]], dtype=int64)

score1+score
#array([[ 6,  1,  4,  3,  1,  3],
#       [ 6, 10,  9,  9,  8,  9]], dtype=int64)
score1*score
#array([[ 5,  0,  3,  2,  0,  2],
#       [ 5, 25, 20, 20, 15, 20]], dtype=int64)

矩阵运算

$(m * n) * (n * l) = (m, l)$
矩阵和二维数组的区别
- 矩阵可以用二维数组存储，但是二维数组不一定是矩阵
矩阵存储
- ndarray 二维数组
  - 矩阵乘法
    - np.matmul(a, b)
    - np.dot(a, b)
    - a@b
- matrix 数据结构
  - 矩阵乘法
    - a * b

matrix存储矩阵

np_mat=np.mat([[85, 91],
       [85, 84],
       [79, 90],
       [95, 82],
       [75, 85],
       [84, 87],
       [79, 93],
       [82, 79]])

ndarray存储矩阵

b=np.array([[0.3], [0.7]])

矩阵乘积

np.matmul(a, b)

np.dot(a, b)

a@b

合并与分割

拼接
- 水平拼接
  - np.hstack((a, b))
  - np.concatenate((a, b), axis=1)
- 竖直拼接
  - np.vstack((a, b))
  - np.concatenate((a, b), axis=0)
分割
- np.split(a, b)(把a分成b份)

posted @ 2020-03-25 21:42 ccql 阅读(6) 评论(0) 编辑收藏举报来源

刷新页面返回顶部

ccql