python数据分析实战---Numpy科学计算工具
Numpy基本认识
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
Numpy基础数据结构
NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
NumPy 的数组中比较重要 ndarray 对象属性有：
| 属性 | 说明 |
|---|---|
| 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 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
| ndarray.flags | ndarray 对象的内存信息 |
| ndarray.real | ndarray元素的实部 |
| ndarray.imag | ndarray 元素的虚部 |
| ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 |
import numpy ar = numpy.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]]) print(ar) print(ar.ndim) print(ar.shape) print(ar.size) print(ar.itemsize) print(ar.data) print(ar.dtype) print(ar.flags) print(ar.real) print(ar.imag) 结果： [[1 2 3 4 5] [2 3 4 5 6] [3 4 5 6 7]] 2 (3, 5) 15 4 <memory at 0x00000000056EF748> int32 C_CONTIGUOUS : True F_CONTIGUOUS : False OWNDATA : True WRITEABLE : True ALIGNED : True WRITEBACKIFCOPY : False UPDATEIFCOPY : False [[1 2 3 4 5] [2 3 4 5 6] [3 4 5 6 7]] [[0 0 0 0 0] [0 0 0 0 0] [0 0 0 0 0]]
创建数组
array()函数 括号内可以是list，元组、数组、生成器等
ar = np.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]]) ar1 = np.array(range(10)) ar2 = np.array(10) ar3 = np.array([[1,2,3,4,5],[2,3,4,5,6],['a','b','c','d']]) print(ar) print(ar1) print(ar2) print(ar3) 输出结果： [[1 2 3 4 5] [2 3 4 5 6] [3 4 5 6 7]] [0 1 2 3 4 5 6 7 8 9] 10 [list([1, 2, 3, 4, 5]) list([2, 3, 4, 5, 6]) list(['a', 'b', 'c', 'd'])]
arange()函数 类似于range(),在给定间隔内返回均匀间隔的值
print(np.arange(10)) print(np.arange(10.0)) print(np.arange(5,12)) print(np.arange(5.0,12.3)) 输出结果： [0 1 2 3 4 5 6 7 8 9] [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] [ 5 6 7 8 9 10 11] [ 5. 6. 7. 8. 9. 10. 11. 12.]
print(numpy.linspace(5,14,num=10)) #返回在间隔【开始，停止】上计算的num个均匀间隔的样本 print(numpy.linspace(5,14,num=11)) print(numpy.zeros((4,4),dtype=numpy.int)) #创建指定大小的数组，数组元素以 0 来填充 ar = numpy.array([range(10),range(10,20)]) print(numpy.zeros_like(ar)) print(ar) print(numpy.ones((2,3),dtype=numpy.int)) #创建指定大小的数组，数组元素以 1 来填充 #ones_like()和zeros_like()相似 print(numpy.eye(3,dtype=numpy.int)) #创建一个正方的N+N的单位矩阵，对角线值位1，其余的值为0 输出结果： [ 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.] [ 5. 5.9 6.8 7.7 8.6 9.5 10.4 11.3 12.2 13.1 14. ] [[0 0 0 0] [0 0 0 0] [0 0 0 0] [0 0 0 0]] [[0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0]] [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] [[1 1 1] [1 1 1]] [[1 0 0] [0 1 0] [0 0 1]]
Numpy通用函数
翻转数组 numpy.T
修改数组形状 numpy.reshape
返回指定形态新数组 numpy.resize
import numpy as np ar = np.arange(10) ar1 = np.zeros((2,4)) print(ar) print(ar1) print(ar.T) print(ar1.T) ar2 = np.arange(12) ar3 = np.arange(12).reshape(3,4) print(ar2) print(ar3) print(np.resize(ar3,(4,4))) 输出结果： [0 1 2 3 4 5 6 7 8 9] [[0. 0. 0. 0.] [0. 0. 0. 0.]] [0 1 2 3 4 5 6 7 8 9] [[0. 0.] [0. 0.] [0. 0.] [0. 0.]] [ 0 1 2 3 4 5 6 7 8 9 10 11] [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [ 0 1 2 3]]
数组的复制 copy（）
ar = np.arange(10) print(ar) ar1 = ar ar1[2]=100 print(ar,ar1) ar3 = ar.copy() ar3[3]=998 print(ar,ar3) 输出结果： [0 1 2 3 4 5 6 7 8 9] [ 0 1 100 3 4 5 6 7 8 9] [ 0 1 100 3 4 5 6 7 8 9] [ 0 1 100 3 4 5 6 7 8 9] [ 0 1 100 998 4 5 6 7 8 9]
数组的字符转换
ar2 = numpy.array(range(16)).reshape(4,4) ar3 = ar2.astype(numpy.str) print(ar3) 输出结果： [['0' '1' '2' '3'] ['4' '5' '6' '7'] ['8' '9' '10' '11'] ['12' '13' '14' '15']]
连接数组
ar = np.array([[1,2,3],[4,5,6]]) ar1 = np.array([[7,8,9],[10,11,12]]) ar2 = np.stack((ar,ar1),0) #沿新轴连接数组序列 ar3 = np.hstack((ar,ar1))# 横向连接 ar4 = np.vstack((ar,ar1))#纵向连接 print(ar2,ar3,ar4) 输出结果： [[[ 1 2 3] [ 4 5 6]] [[ 7 8 9] [10 11 12]]] [[ 1 2 3 7 8 9] [ 4 5 6 10 11 12]] [[ 1 2 3] [ 4 5 6] [ 7 8 9] [10 11 12]]
分割数组
ar = np.arange(16).reshape(4,4)
ar1 = np.vsplit(ar,2) #纵向拆分
ar2 = np.hsplit(ar,2) #横向拆分
print(ar)
print(ar1)
print(ar2)
输出结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]), array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]
[array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]]), array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])]
数组的计算
ar2 = numpy.array(range(16)).reshape(4,4) ar3 = ar2.astype(numpy.str) print(ar3) ar4 = ar2*10+100 print(ar4) print(ar4.mean()) #求平均值 print(ar4.sum()) #求总值 输出结果： [['0' '1' '2' '3'] ['4' '5' '6' '7'] ['8' '9' '10' '11'] ['12' '13' '14' '15']] [[100 110 120 130] [140 150 160 170] [180 190 200 210] [220 230 240 250]] 175.0 2800
Numpy索引和切片
基本索引及切片
import numpy as np #一维数组索引 类似于list ar = np.arange(20) # print(ar[2]) # print(ar[3:5]) # print(ar[::2]) #二维数组以及多维数组的逻辑和一维的一样 ar1 = ar.reshape(4,5) # print(ar1) print(ar1[2][2]) print(ar1[2:4][0][2]) print(ar1[:2]) 输出结果： 12 12 [[0 1 2 3 4] [5 6 7 8 9]]
布尔型的索引及切片
ar = np.arange(12).reshape(3,4) print(ar) i = np.array([True,False,True]) j = np.array([True,False,True,False]) print(i) print(j) print(ar[i,:]) #在行中判断，只保留True的值 print(ar[:,j]) #在第二维度中判断，只保留True的值 print(ar[ar>5]) #生成一个新的数组 输出结果： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [ True False True] [ True False True False] [[ 0 1 2 3] [ 8 9 10 11]] [[ 0 2] [ 4 6] [ 8 10]] [ 6 7 8 9 10 11]
Numpy随机数
print(np.random.normal(size=(4,4))) #随机数生成 print(np.random.rand(4)) #生成一个【0-1】之间的随机浮点数或者是N维数组 ---均匀分布 print(np.random.rand(2,4)) print(np.random.randn(4)) #生成一个【0-1】之间的随机浮点数或者是N维数组 ---正态分布 print(np.random.randn(2,4)) print(np.random.randint(5)) #生成一个整数或者N维整数数组 print(np.random.randint(10,50,size=(4,4)))
Nmupy数据输入和输出
ar = numpy.random.randint(0,100,size=(10,10))
numpy.savetxt("savetxt.txt",ar,delimiter=",",fmt="%i") #数据的输出
txt_load = numpy.loadtxt("savetxt.txt",delimiter=',') #数据的输入
print(txt_load)
# print(ar)
相关链接：
- NumPy 官网 http://www.numpy.org/
- NumPy 源代码 https://github.com/numpy/numpy
- Numpy 教程 https://www.runoob.com/numpy/numpy-tutorial.html
