numpy 学习笔记
numpy
1 什么是numpy
一个在Python中做科学计算的基础库，重在数值计算，也是大部分Python科学计算库的基础库，多哦用于在大型、多维数组上执行数值运算。
2 numpy基础
创建数组： np.arange的用法arange([start,stop,step], dtype=None)（不包括stop）
import numpy as np
a = np.array([1,2,3,4,5])
b = np.array(range(1,6))
c = np.arange(1,6)
# 上面a,b,c内容相同，注意arange和range的区别
数组的类名：
a = np.array([1,2,3,4,5])
type(a)
数组的类型：
a.dtype
import numpy as np
import random
# numpy中的数据类型
t1 = np.arange(4,10,2)
print(type(t1))#输出int64
t2 = np.array(range(1,4),dtype=float)
print(type(t2))#输出float64
t3 = np.array(range(1,4),dtype=float32)
print(type(t3))#输出float32
t4 = np.array(range(1,4),dtype="i1")
print(t4.dtype) # 输出：int8
# numpy中的bool类型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5) #输出：[ True True False True False False]
print(t5.dtype) # 输出：bool
# 调整数据类型
t6 = t5.astype("int8")
print(t4.dtype) # 输出：int8
# numpy中的小数
t7 = np.array([random.random() for i in range(10)])
print(t7.dtype) #输出：float64
# t7中的小数都保留两位
t8 = np.round(t7,2)
numpy 中常见的更多数据类型
数据类型的操作
指定创建的数组的数据类型：
t5 = np.array([1,1,0,1,0,0],dtype=bool)
修改数组的数据类型：
t6 = t5.astype("int8")
修改浮点型的小数位数：
np.round(t7,2) # 数组名，小数位数
数组的形状
查看数组的形状：a.shape a 是数组名
修改数组的形状：a.reshape()
数组和数的计算
数会对数组中的每个值进行计算
import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
print(a+1)
print(a*3)
数组和数组的计算
import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
b = np.array([[21,22,23,24,25,26],[27,28,29,30,31,32]])
print(a+b)
print(a*b)
当进行运算的两个数组形状一样时，值按对应位置进行计算。
维度不同的数组进行运算时：
广播原则
如果两个数组的后缘维度（即从末尾开始算起的维度）的轴长度相符或其中一方的长度为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。
轴：
在numpy中可以理解为方向，使用0,1,2...数字表示，对于一个一维数组，只有一个0轴，对于2维数组（shape(2,2)），有0轴和1轴，对于三维数组（shape(2,2)），有0,1,2轴
numpy读取数据
CSV：Comma-Separated Value,逗号分隔值文件
显示：表格状态
源文件：换行和逗号分隔行列的格式化文本，每行数据表示一条记录
np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,unpack=False)
- frame：文件、字符串或产生器，可以是.g或bz2压缩文件
- dtype：数据类型，可选，CSV的字符串以什么数据类型读入数组中，默认np.float
- delimiter：分隔字符串，默认是任何空格，读CSV时改完逗号 delimiter=","
- skiprows：跳过前X行，一般跳过第一行表头
- usecols：读取指定的列，索引，元组类型
- unpack：如果为True，读入属性将分别写入不同数组变量，一列数据会组成一行，相当于转置的效果，False读入数据只写入一个数组变量，有多少条数据就有多少行，默认False
numpy中的转置
三种方法：
-
t.transpose() #t是数组名
-
t.T
-
t.swapaxes(1,0) #将0轴和1轴交换
numpy索引和切片
#取行
print(t[2]) # 取第3行
print(t[2,:]) # 取第3行
#取连续多行
print(t[2:]) # 第三行开始的取
print(t[2:,]) # 第三行开始的取
#取不连续多行
print(t[[2,4,6]]) # 取2,5,7行
print(t[[2,4,6],:]) # 取2,5,7行
#取列
print(t[:,0]) # 取第一列
print(t[1,0]) # 取第2行第1列
numpy中数值的修改
t[:,2:3] = 0 修改制定位置的值
t[t<10] = 3 修改符合条件值 numpy中布尔索引
numpy中三元运算符
np.where(t<10,0,10) #将t中小于10的替换为0，否则替换为10。
numpy中的clip（裁剪）
t.clip(10,18) # 小于10的替换为10，大于18的替换为18，但nan不会被替换
数组的拼接
np.vstack(t1,t2) #竖直拼接t1和t2
np.hstack(t1,t2) # 水平拼接
数组的行列交换
t[[1,2],:] = t[[2,1],:] #行交换 第2行和第3行交换
t[:,[0,2]] = t[:,[2,0]] #列交换 第1列和第3列交换
numpy 更多好用的方法
-
获取最大值最小值的位置
np.argmax(t,axis=0) #获取x轴上的最大值
np.argmin(t,axis=1) #获取x轴上的最小值
-
创建一个全0的数组 np.zeros((3,4))
-
创建一个全1的数组 np.ones((3,4))
-
创建一个对角线为1的正方形数组（方阵）：np.eye(3) (边长)
numpy生成随机数
- .rand(d0,d1,...dn) 创建d0-dn维度的均匀分布的随机数组，浮点数，范围从0~1
- .randn(d0,d1,...dn) 创建d0-dn维度的标准正态分布随机数，浮点数0，标准差1
- .randint(low,high,(shape)) 从给定上下限范围选取随机数整数，范围是low,high，形状是shape
- .uniform(low,high,(size)) 产生具有均匀分布的数组，low起始值，high结束值，size形状
- .normal(loc,scale,(size)) 从指定正态分布中随机抽取样本，分布中心是loc（概率分布的均值），标准差是scale，形状是size
- .seed(s) 随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数
numpy的注意点copy和view
- a=b 把b赋给a，a和b会相互影响
- a=b[:]，视图操作，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是一致的
- a = b.copy()，复制，a和b互不影响
numpy 中的nan和inf
nan(NAN,Nan):not a number表示不是一个数字
什么时候numpy会出现nan：
- 当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
- 当做了一个不合适的计算的时候（比如无穷大减无穷大）
numpy中nan的注意点：
- 两个nan是不相等的，np.nan != nan
- 判断数组中nan的个数：np.count_nonzero(t != t)
- nan和任何值计算都为nan
inf(-inf,inf):infinity，inf 表示正无穷，-inf表示负无穷
什么时候出现inf（正、负）
- 一个数除以0
numpy中常用统计函数
- 求和：t.sum(axis=None)
- 均值：t.mean(axis=None) 受群点的影响比较大
- 中值：np.median(t,axis=None)
- 最大值：t.max(axis=None)
- 最小值：t.min(axis=None)
- 极值：np.ptp(t,axis=None) 即最大值和最小值之差
- 标准差：t.std(axis=None)
默认返回多维数组的全部的统计结果，如果知道axis则返回一个当前轴上的结果
