numpy 使用总结

1. # 掩码数据 -- 表示掩码 ，作用：为了存储时所占用内存更小

   A = np.array(range(20, 30))
   a_mask = A < 25
   print(a_mask)   # [ True  True  True  True False False False False False False]
   ym = np.ma.array(A, mask=a_mask, fill_value=-999999)  # 默认填充值
   print(ym)

     参考：https://blog.csdn.net/weixin_43569478/article/details/108079869

2. # 打印掩码类型

   print(ym.mask)

3. # 判断元素是否是掩码 --

   print(ym[0] is np.ma.masked)

4. # 确定输入是否具有掩码值

   print(np.ma.is_masked(ym))

5. # 此函数不检查输入内容，仅检查类型为MaskType    如 ym.mask

   print(np.ma.is_mask(ym.mask))

6. # 合并数组   

   #TODO 注意这里的合并数组必须放到一个集合中 也可以说是按行或列拼接为新数组
   AA = np.concatenate([A, np.array([np.nan, np.nan])])
   print(AA)

     

   a = np.arange(0, 10)
   b = np.arange(1, 11)
   c = np.arange(2, 12)
   
   print(np.vstack((a, b, c)).T)
   print(np.stack((a, b, c), axis=-1))

7. # 获取值为 nan 的

   print(AA[np.isnan(AA)])

8. # 获取值不为 nan 的

   print(AA[~np.isnan(AA)])

9. # 判断 24 < AA < 28 的值

   # TODO 记得加括号哦
   print(AA[(AA > 24) & (AA < 28)])

10. # 获取判断是掩码数据的bool值列表
    

    isym = np.array(list(map(lambda v: v is np.ma.masked, ym)))
    print(isym)
    # 获取掩码值的下标
    isymind = np.where(isym == True)
    
    # 这种方法就不用上面的两步才能完成了
    isymind = np.where(ym == np.ma.masked)
    print(isymind)
    
    # 修改掩码值为 0
    ym[isymind[0]] = 0
    print(ym)

11. 二维数据判断大于小于，并取值
    

    # lats, lons, data 都是二维数据
    t_index = np.logical_and(lats >= lat[0], lats <= lat[1])
    n_index = np.logical_and(lons >= lon[0], lons <= lon[1])
    index = np.logical_and(t_index == True, n_index == True)
    tidx = np.where(index == True)
    print(tidx)
    la = lats[tidx]
    lo = lons[tidx]
    dd = data[tidx]
    print(la)
    print(lo)
    print(dd)

     

12. 行列互换 

    # 生成倒序数组
    print(np.linspace(10,1,10))
    # 行列互换
    s = np.arange(20).reshape(4,5)
    print(s)
    print(s.T)

     

13. dtype函数创建"新"类型

    from numpy import *
    #创建一个数据类型 t
    t = dtype([("name", str_, 40), ("age", uint8), ("math", uint8)])
    # 创建数组x，数组元素类型为 t
    x = array([("liming", 35, 78),("yangmi", 31, 58)], dtype = t)
    print (x)
    print (x[0]["name"])
    print (x[1]["math"])
    
    
    t = dtype([("name", "S40"), ("age", "u8"), ("math", "f")])
    y = array([("liming", 44, 98),("yangmi", 32, 58)], dtype = t)
    print(t)
    print (y[1]["age"])
    print (y["age"])
    print (y[0])
    
    # [('liming', 35, 78) ('yangmi', 31, 58)]
    # liming
    # 58
    
    
    # [('name', 'S40'), ('age', '<u8'), ('math', '<f4')]
    # 32
    # [44 32]
    # (b'liming', 44, 98.)
    
    # 从结果可以看出，对于这种复合的类型可以按行(记录)访问print y[0]，也可以按列(字段)访问print y["age"]

     
    

14. extract 根据某个条件从数组中抽取元素，返回满条件的元素。

    import numpy as np 
     
    x = np.arange(9.).reshape(3,  3)  
    print ('我们的数组是：')
    print (x)
    # 定义条件, 选择偶数元素
    condition = np.mod(x,2)  ==  0  
    print ('按元素的条件值：')
    print (condition)
    print ('使用条件提取元素：')
    print (np.extract(condition, x))

     

15. argwhere  where  查找等于指定元素的下标
    

    lat = np.array([1,2,3,60,70,80])
    print(np.argwhere(lat == 60))
    print(np.where(lat == 60))

     

16. flip 数组上下左右反转

    np.flip()

    np.flipud() # 上下
    np.fliplr() # 左右

     

17. maxinum    X 与 Y 逐位比较取其大者
    

    # 数据每个值和 0 比较，取大值（data中值大于 0，返回大值 data中值，data中值小于0，返回大值 0）
    data = np.maximum(data, 0)

     

18. 百分位计算
    

    np.percentile(数组, 100) # 计算数组，第100的百分位数值

          

 

         仅供参考，欢迎评论交流