第二章 Python Numpy运用

二、Python Numpy运用

1. 数组创建

• arr1 = np.array([-9,7,4,3]) #数组

• np.arange(0,10,1)

• array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

• np.linspace(1,10,11) #创建等差数列

• np.linspace(1,10,10,endpoint=False) #endpoint：去掉最后一个

• np.logspace(1,5,base=2,num=10) #logspace：创建等比数列

• np.zeros([4,5]) #0数组

• np.ones([4,5]) #1数组

• np.eye(6) #对角线矩阵

• np.diag([4,5,8]) #对角线矩阵
  

2. 数组属性

• arr3.shape #几行几列
• arr3.ndim #数组-纬度
• arr3.size #数组-总元素数
• arr3.dtype #数组-数据类型
  

3. 索引和切片

• arr_change = arr.copy() #赋值，原数据不会发生改变

• arr2[~(arr2 > 3.5)] #“~”取相反

• arr2[[2,1]] #索引第三行和第二行

• arr2[np.ix_([0,-1],[0,1,3])] #第一行和最后一行，第一、二、四列
  

4. 数组形状改变

• arr.reshape(10,2) #返回视图，不会改变原数组的形状
• arr.resize(10,2) #改变原数组的形状
• arr.ravel() #数组按照横向降到一维
• arr.ravel(order = ‘F’) #数组按照纵向降到一维
• arr.flatten() #数组按照横向降到一维
• arr.flatten(order = ‘F’) #数组按照纵向降到一维
• arr_t[np.newaxis,:]
• np.hstack([arr1,arr2]) #横向合并数组
• np.vstack((arr1,arr3)) #纵向合并数组
• np.concatenate((arr1,arr2),axis=1) #横向合并数组
• np.concatenate((arr1,arr3),axis=0) #纵向合并数组
• np.tile(arr4,(4,4)) #复制行列
• arr5 = np.arange(8).reshape(2,2,2) #三维数组

（1）数组形状改变

（2）axin=0 和 axis=1的区别

5. 数组的ufunc广播机制

• np.add(english,np.add(math,chinese)) #add只能做两个数组相加
• np.subtract(math,english) #subtract两个数组相减
• np.divide(weight,np.divide(height,100)**2) #divide两个数组相乘
• np.power(arr2,3) #power幂
• np.unique(s) #unique去重
• np.in1d(s,test) #in1d判断是否有元素
• np.intersect1d(test,s) #intersect1d两个数组的交集
• np.equal(arr1,arr2) #数组是否相同
• np.greater(arr1,arr2) #数组比大小
• np.greater(arr1,arr2).any() #有一个元素相同，True
• np.greater(arr1,arr2).all() #所有元素相同，True
• np.isnan(s1) #判断空

（1）数组的ufunc广播机制

（2）Python广播运算机制

（3）通用函数运算

（4）算术运算

（5）比较运算

6. 排序和排序

• np.sort(s) #排序
• np.array(sorted(s,reverse = True)) #反向
• np.argsort(s) #排完序后，元素在原组中的位置
• s.argmax() #第几位元素是最大的
• s.argmin() #第几位元素是最小的
• arr1.argmax(axis = 1) #横向最大值
• arr1.argmax(axis = 0) #纵向最大值
• np.where(arr2 >3,‘1’,‘0’) #where元素比较，类似if
• np.extract(arr1 > arr2,arr1) #extract输出对的元素

（1）搜索与排序

7. 数据读取和存储

• data = np.genfromtxt(r’E:\Python learn\10 Python数据分析\第二章 Numpy运用\case1.txt’, delimiter=’，’) #文件读取
• np.savetxt(r’E:\Python learn\10 Python数据分析\第二章 Numpy运用\case2.txt’,data,delimiter = ‘,’, fmt=’%.3f’) #文件存储

（1）文件读取

（2）文件存储

（3）Numpy字符串处理

（4）char模块常用函数

8. Numpy随机数生成

• np.random.random(100) #产生0到1之间的浮点数
• np.random.seed(1000) #seed固定随机数
  np.random.random((3,4))
• np.random.rand(2,10) #rand均匀分布，产生的每个数是一样的
• np.random.randint(0,100,size=100) #randint均匀分布,sizeq区间
• np.random.randint(0,100,size=[10,10]) #产生给定范围的随机整数
• np.random.uniform(low=0,high=10,size=100) #产生给定范围的随机数
• np.set_printoptions(precision=3) #控制小数位数
• np.random.normal(1,3,size=100) #正太分布，均值：1，标准差：3
• np.mean(np.random.normal(1,3,size=100000)) #mean均值结果
• np.std(np.random.normal(1,3,size=100000)) #std标准差结果
• np.random.randn(100) #正太分布，均值：0，标准差：1
• np.random.shuffle(s) #shuffle：对数进行随机排序
• np.random.permutation(s) #permutation：对数进行随机排序，直接作用在数组上

（1）Numpy随机数生成

（2）random模块中相关函数

9. Numpy统计相关函数

• data = np.genfromtxt(r’E:\Python learn\10 Python数据分析\第二章 Numpy运用\case4.txt’, delimiter = ‘,’, skip_header=1)
• data.sum() #sum：求和
• data.sum(axis=0) #axis=0，沿着列求和
• data.sum(axis=1) #axis=1，沿着行求和
• data.mean() #求均值
• data.cumsum() #累计求和
• np.percentile(data,10) #计算分位数的方法
• np.median(data) #计算中分位数的方法
• np.ptp(data) #ptp：极差（最大值-最小值）

（1）Numpy统计相关函数

（2）axis=0 和 axis=1的区别

10. Numpy线性代数

• vector = np.dot(a,b) #dot：矩阵相乘
• np.matrix([5,15,25,40]) #矩阵
• np.dot(arr9,arr10) # 矩阵相乘
• np.transpose(arr2) #transpose：数组转置
• arr2_inv = np.linalg.inv(arr2) #linalg：逆矩阵，对矩阵进行求逆
• np.dot(arr2_inv,arr2) #逆矩阵乘以矩阵本身，等于单位矩
• np.set_printoptions(precision=2) #precision：控制小数点位置，科学计数法
• np.set_printoptions(suppress=True)
  #suppress：相当于with，with语句允许开发者创建上下文管理器；
  #上下文管理器就是允许自动地开始和结束一些事情
• np.diag(arr2) #diag：取出对角线上的元素
• X = np.linalg.solve(A,B) #？？？

（1）了解矩阵乘法

（2）了解矩阵的转置和求逆

（3）多元一次方程组求解