python之numpy的基本使用

numpy概述

numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级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与pandas作为python分析数据的两个重要包。主要使用如下：

一、创建ndarray数组

import numpy as np

=====================

print('使用列表生成一维数组:')
data = [1,2,3,4,5,6]
x = np.array(data)
print(x)
print('数据类型：',x.dtype)

-------------------------------------

使用列表生成一维数组:

[1 2 3 4 5 6]

数据类型： int32

======================

print('使用列表生成二维数组')
data = [[1,2],[3,4],[5,6]]
x = np.array(data)
print(x)
print('数组维度：',x.ndim)
print('各个维度的长度：',x.shape)

--------------------------------------------

使用列表生成二维数组

[[1 2] [3 4] [5 6]]

数组维度： 2

各个维度的长度： (3, 2)

=========================

# 使用zeros/ones/empty创建数组
x = np.zeros(6)
print('创建一维长度为6的，元素都是0一维数组')
print(x)
x = np.zeros((2,3))
print('创建一维长度为2，二维长度为3的二维0数组')
print(x)
x = np.ones((2,3))
print('创建一维长度为2，二维长度为3的二维1数组')
print(x)
x = np.empty((3,3))
print('================')
print(x)

------------------------------------------------------------------

================

[0. 0. 0. 0. 0. 0.]

================

[[0. 0. 0.] [0. 0. 0.]]

================

[[1. 1. 1.] [1. 1. 1.]]

================

[[1.08694e-322 0.00000e+000 0.00000e+000]

[0.00000e+000 0.00000e+000 5.07899e-321]

[0.00000e+000 0.00000e+000 3.23816e-319]]

======================================

print('使用arrange生成连续元素')
print(np.arange(6)) # [0,1,2,3,4,5,] 开区间
print(np.arange(0,6,2)) # [0, 2，4]

--------------------------------------------------------------

使用arrange生成连续元素

[0 1 2 3 4 5]

[0 2 4]

======================================

二、指定ndarray数组元素的类型

print('生成指定元素类型的数组:设置dtype属性')
x = numpy.array([1,2.6,3],dtype = numpy.int64)
print(x) # 元素类型为int64
print(x.dtype)
x = numpy.array([1,2,3],dtype = numpy.float64)
print(x) # 元素类型为float64
print(x.dtype)

-------------------------------------------------------

生成指定元素类型的数组:

设置dtype属性 [1 2 3]

int64

[1. 2. 3.]

float64

====================================

三、ndarray的矢量化计算

print('ndarray数组与标量/数组的运算:')
x = np.array([1,2,3])
print(x*2) # [2 4 6]
print(x>2) # [False False True]
y = np.array([3,4,5])
print(x+y) # [4 6 8]
print(x>y) # [False False False]

------------------------------------------------

ndarray数组与标量/数组的运算:

[2 4 6]

[False False True]

[4 6 8]

[False False False]

四、ndarray数组的基本索引和切片

print('ndarray的切片:')
x = np.array([1,2,3,4,5])
print(x[1:3]) # [2,3] 右边开区间
print(x[:3]) # [1,2,3] 左边默认为 0
print(x[1:]) # [2,3,4,5] 右边默认为元素个数
print(x[0:4:2]) # [1,3] 下标递增2

-----------------------------------

ndarray的切片:

[2 3]

[1 2 3]

[2 3 4 5]

[1 3]

五、ndarray数组的布尔索引和花式索引

print 'ndarray的布尔型索引' x = numpy.array([3,2,3,1,3,0]) # 布尔型数组的长度必须跟被索引的轴长度一致 y = numpy.array([True,False,True,False,True,False]) print x[y] # [3,3,3] print x[y==False] # [2,1,0]

六、ndarray数组的转置和轴对换

print('ndarray的布尔型索引')
x = np.array([3,2,3,1,3,0])
# 布尔型数组的长度必须跟被索引的轴长度一致
y = np.array([True,False,True,False,True,False])
print(x[y]) # [3,3,3]
print(x[y==False]) # [2,1,0]

---------------------------------------------------

ndarray的布尔型索引

[3 3 3]

[2 1 0]

================================

print('ndarray的花式索引:使用整型数组作为索引')
x = np.array([1,2,3,4,5,6])
print(x[[0,1,2]]) # [1 2 3]
print(x[[-1,-2,-3]]) # [6,5,4]

----------------------------------------------------

ndarray的花式索引:

使用整型数组作为索引

[1 2 3]

[6 5 4]

六、ndarray数组的转置和轴对换

print('ndarray数组的转置和轴对换')
k = np.arange(9) #[0,1,....8]
m = k.reshape((3,3)) # 改变数组的shape复制生成2维的，每个维度长度为3的数组
print(k) # [0 1 2 3 4 5 6 7 8]
print(m) # [[0 1 2] [3 4 5] [6 7 8]]
# 转置(矩阵)数组：T属性 : mT[x][y] = m[y][x]

print(m.T) # [[0 3 6] [1 4 7] [2 5 8]]

----------------------------------------------------

ndarray数组的转置和轴对换

[0 1 2 3 4 5 6 7 8]

[[0 1 2]

[3 4 5]

[6 7 8]]

[[0 3 6]

[1 4 7]

[2 5 8]]

七、ndarray通用函数

print('一元ufunc示例')
x = np.arange(6)
print(x) # [0 1 2 3 4 5]
print(np.square(x)) # [ 0 1 4 9 16 25]
x = np.array([1.5,1.6,1.7,1.8])
y,z = np.modf(x)
print(y) # [ 0.5 0.6 0.7 0.8]
print(z) # [ 1. 1. 1. 1.]

---------------------------------------------

一元ufunc示例

[0 1 2 3 4 5]

[ 0 1 4 9 16 25]

[0.5 0.6 0.7 0.8]

[1. 1. 1. 1.]

=========================

print('二元ufunc示例')
x = np.array([[1,4],[6,7]])
y = np.array([[2,3],[5,8]])
print(np.maximum(x,y)) # [[2,4],[6,8]]
print(np.minimum(x,y)) # [[1,3],[5,7]]

----------------------------------------

二元ufunc示例

[[2 4]

[6 8]]

[[1 3]

[5 7]]

八、NumPy的where函数使用

print('where函数的使用')
cond = np.array([True,False,True,False])
x = np.where(cond,-2,2)
print(x) # [-2 2 -2 2]
cond = np.array([1,2,3,4])
x = np.where(cond>2,-2,2)
print(x) # [ 2 2 -2 -2]

--------------------------------------

where函数的使用

[-2 2 -2 2]

[ 2 2 -2 -2]

九、ndarray常用的统计方法

print('numpy的基本统计方法')
x = np.array([[1,2],[3,3],[1,2]]) #同一维度上的数组长度须一致
print(x.mean()) # 2
print(x.mean(axis=1)) # 对每一行的元素求平均
print(x.mean(axis=0)) # 对每一列的元素求平均
print(x.sum()) #同理 12
print(x.sum(axis=1)) # [3 6 3]
print(x.max()) # 3
print(x.max(axis=1)) # [2 3 2]
print(x.cumsum()) # [ 1 3 6 9 10 12]
print(x.cumprod()) # [ 1 2 6 18 18 36]

---------------------------------------------------------------

numpy的基本统计方法

2.0

[1.5 3. 1.5]

[1.66666667 2.33333333]

12

[3 6 3]

3

[2 3 2]

[ 1 3 6 9 10 12]

[ 1 2 6 18 18 36]

十、ndarray数组的去重以及集合运算

print('ndarray的唯一化和集合运算')
x = np.array([[1,6,2],[6,1,3],[1,5,2]])
print(np.unique(x)) # [1,2,3,5,6]
y = np.array([1,6,5])
print(np.in1d(x,y)) # [ True True False True True False True True False]
print(np.setdiff1d(x,y)) # [2 3]
print(np.intersect1d(x,y)) # [1 5 6]

-----------------------------------------------------------------------------

ndarray的唯一化和集合运算

[1 2 3 5 6]

[ True True False True True False True True False]

[2 3]

[1 5 6]

十一、numpy中的线性代数

print('线性代数')
import numpy.linalg as nla
print('矩阵点乘')
x = np.array([[1,2],[3,4]])
y = np.array([[1,3],[2,4]])
print(x.dot(y)) # [[ 5 11][11 25]]
print(np.dot(x,y)) # # [[ 5 11][11 25]]
print('矩阵求逆')
x = np.array([[1,1],[1,2]])
y = nla.inv(x) # 矩阵求逆（若矩阵的逆存在）
print(x.dot(y)) # 单位矩阵 [[ 1. 0.][ 0. 1.]]
print(nla.det(x)) # 求行列式

-----------------------------------------------------

线性代数 矩阵点乘

[[ 5 11]

[11 25]]

[[ 5 11]

[11 25]]

矩阵求逆

[[1. 0.]

[0. 1.]]

1.0

十二、numpy中的随机数生成

print('numpy.random随机数生成')
import numpy.random as npr

x = npr.randint(0,2,size=100000) #抛硬币
print((x>0).sum()) # 正面的结果
print(npr.normal(size=(2,2))) #正态分布随机数数组 shape = (2,2)

--------------------------------------------------------------------------------

numpy.random随机数生成

49926

[[ 0.88998854 -0.90708005]

[-0.47882069 -1.34716287]]

十三、ndarray数组重塑

print('ndarray数组重塑')
x = np.arange(0,6) #[0 1 2 3 4 5]
print(x) #[0 1 2 3 4 5]
print(x.reshape((2,3))) # [[0 1 2][3 4 5]]
print(x) #[0 1 2 3 4 5]
print(x.reshape((2,3)).reshape((3,2))) # [[0 1][2 3][4 5]]

-----------------------------------------

ndarray数组重塑
[0 1 2 3 4 5]
[[0 1 2]
[3 4 5]]
[0 1 2 3 4 5]
[[0 1]
[2 3]
[4 5]]

十四、ndarray数组的拆分与合并

print('数组的合并与拆分')
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.array([[7, 8, 9], [10, 11, 12]])
print(np.concatenate([x, y], axis = 0))
# 竖直组合 [[ 1 2 3][ 4 5 6][ 7 8 9][10 11 12]]
print(np.concatenate([x, y], axis = 1))

-----------------------------------------------------

数组的合并与拆分

[[ 1 2 3]

[ 4 5 6]

[ 7 8 9]

[10 11 12]]

[[ 1 2 3 7 8 9]

[ 4 5 6 10 11 12]]

十五、数组的元素重复操作

print('数组的元素重复操作')
x = np.array([[1,2],[3,4]])
print(x.repeat(2)) # 按元素重复 [1 1 2 2 3 3 4 4]
print(x.repeat(2,axis=0)) # 按行重复 [[1 2][1 2][3 4][3 4]]
print(x.repeat(2,axis=1)) # 按列重复 [[1 1 2 2][3 3 4 4]]

--------------------------------------------------------------------

数组的元素重复操作

[1 1 2 2 3 3 4 4]

[[1 2]

[1 2]

[3 4]

[3 4]]

[[1 1 2 2]

[3 3 4 4]]

_________________________________________

BY：HW-CJ