numpy

自学整理记录，大神见笑

为什么学习numpy

• 快速
• 方便
• 科学计算的基础库

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，多用于在大型、多维数组上执行数值运算
• 导包

import numpy as np

numpy基础操作

• 创建数组,生成ndarray

t1 = numpy.arange(3)
t2 = numpy.arange(3, 7)
t3 = numpy.arange(3, 7, 2)
t4 = numpy.arange(0, 1, 0.1)
t5 = numpy.arange(3.0)
print(t1)
print(t2)
print(t3)
print(t4)
print(t5)
输出：array([0, 1, 2])
array([3, 4, 5, 6])
array([3, 5])
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
array([ 0., 1., 2.])

• 注：array([0, 1, 2])这种格式就是ndarray

• 注：np.arange(10)是numpy特有方法，等于np.array(range(10))

• 查看ndarray中的元素数据类型

t1 = numpy.arange(3)
t1.dtype

• numpy有特有数据类型

numpy数据类型.jpg

• 指定ndarray中的元素数据类型

np.arange(4,dtype="float32")

• 调整ndarray中元素的数据类型

t1 = np.arange(4,dtype="float32")
t2 = t1.astype("bool")

• 限制小数位数

t1 = np.array([random.random() for i in range(10)])
np.round(t1, 2)

• 注：round第二个参数就表示保留几位小数

数组的形状

• 查看数组的形状

a = numpy.array([1, 2, 3])
b = numpy.array([[1, 2, 3],[4, 5, 6]])
print(a.shape)
print(b.shape)
输出：(3,)
(2,3)

• 修改数组的形状

t1 = numpy.arange(12)
print(t1.reshape((3, 4)))
输出：([[0,1,2,3], [4,5,6,7], [8,9,10,11]])

• 注：reshape有返回值，不会改变原来t1的形状

• 注：变成一维数组传(24,),24为所有元素的个数

• 将其他形状数组展开成一维数组

t1 = numpy.arange(12).reshape((3, 4)
t1.flatten()

• 将数组转置

t1 = np.arange(12).reshape(3,4)
t1.transpose()
t1.T
t1.swapaxes(1,0)

• 注：转置就是将数组按对角线为中心交换数据

• 注：转置有上面三种方法

• 计算

t1 = numpy.arange(12).reshape((3, 4)
print(t1 + 2)
print(t1 - 2)
print(t1 * 2)
print(t1 / 2)

• 注：t1中每个值都会去计算加减乘除
• 注：t1 / 0,如果t1元素的值是0，则返回nan；如果不是0，则返回inf

t1 = numpy.arange(12).reshape((3, 4)
t2 = numpy.arange(100,112).reshape((3, 4)
print(t1 + t2)
print(t1 - t2)
print(t1 * t2)
print(t1 / t2)

• 注：对应位置的元素做计算
• 注：维度不同的数组进行计算，符合广播原则就可以计算；没有对应就会报错ValueError: operands could not be broadcast together with shapes
• 注：广播原则：如果两个数组的后缘维度的轴长度相等或其中一方的长度为1，即认为广播兼容，可以计算

轴

• 在numpy中使用0,1,2...数字表示，一维数组只有一个0轴；二维数组(shape(0,0))有0轴和1轴；三维数组(shape(0,0,0))有0轴和1轴和2轴

二维数组轴.jpg

三维数组轴.jpg

numpy读取数据

• numpy实际中不会用读取数据库数据功能，因为pandas中有更强大的方法是，了解即可

• csv文件,逗号分隔文件，csv文件里所有的数据都是用逗号隔开的

• 读取

np.loadtxt(frame,dtype="float",delimiter=None,skiprows=0,usecols=None,unpack=False)

参数	解释
frame	路径
dtype	元素数据类型，默认会把较大的数据转化为科学计数的方式
delimiter	以什么分隔，不指定会报错
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	默认False，如果是True则转置

numpy索引和切片

• 取单行

t1[2]

• 取连续多行

t1[2:]

• 取不连续多行

t1[[2,8,10]]

• 取单列

t1[:,0]

• 取连续多列

t1[:,2:]

• 取不连续多列

t1[:,[2,6,8]]

• 同时取单行和单列

t1[2,3]

• 同时取多行和多列

t1[2:5,1:4]

• 注：冒号：左闭右开

• 取多个不相邻的点

t1[[0,2,3],[0,1,3]]

• 注：取的是坐标(0,0)(2,1)(3,3)三个点

• 修改numpy中的数值

t1[:,2:4] = 0

• 注：取到对应的行、列、点赋值即可

• 修改筛选出来的条件的值

t1[t1 < 10] = 10

• 注：上面表示所有小于10的点修改为10

• numpy中三元运算符

np.where(t < 10, 0, 10)

• 注：表示所有小于10的数替换为0，大于等于10的数替换为10

• numpy中的clip(裁剪)

t.clip(10, 18)

• 注：表示把小于10的都替换为10，大于18的都替换为18

• 把值替换为nan

t1.astype(float)
t2[3,3] = np.nan

• 注：如果直接执行第二句代码，可能会报错ValueError:cannot convert float NaN to integer，表示不能将int类型的nan赋值给float，nan是float类型

数组的拼接

• 竖直拼接

t1 = array([[0,1,2],[3,4,5]])
t2 = array([[6,7,8],[9,10,11]])
np.vstack((t1, t2))
结果是array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])

• 水平拼接

t1 = array([[0,1,2],[3,4,5]])
t2 = array([[6,7,8],[9,10,11]])
np.hstack((t1, t2))
结果是array([[0,1,2,6,7,8],[3,4,5,9,10,11]])

数组的行列交换

• 行交换

t1[[1,2],:] = t1[[2,1],:]

• 列交换

t1[:,[1,2]] = t1[:,[2,1]]

numpy更多方法

• 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的数组

np.eye(10)

• 注：10参数为10行10列

• 获取最大值，最小值的位置

np.argmax(t, axis=0)
np.argmin(t, axis=0)

• 注：axis=0，表示列；axis=1，表示行

numpy生成随机数

参数	解释
np.random.rand(d0,d1,...dn)	创建d0到dn维度均匀分布的随机数数组
np.random.randn(d0,d1,...dn)	创建d0到dn维度正态分布的随机数数组
np.random.randint(low,high,(shape))	生成随机整数，low到high是范围，size是形状
np.random.uniform(low,high,(size))	生成随机小数，low到high是范围，size是形状
np.random.seed(s)	只在第一次生成随机数，后续再生成和第一次一样

numpy的注意点copy和view

• a = b,a = b[:]，复制，会相互影响
• a = b.copy(),复制，a和b互不影响

numpy中的nan和inf

• nan：not a number表示不是一个数字，nan是浮点类型

• nan出现情况
  1.0除0
  2.数据缺失
  3.无穷大减去无穷大，无穷大加上无穷大

• inf：infinity，inf表示正无穷，-inf表示负无穷，inf是浮点类型

• inf出现情况
  1.一个非0数字除0

• 注意点：
  1.np.nan == np.nan False
  2.np.nan != np.nan True
  3.np.count_nonzero(t != t) 判断ndarray中nan个数
  4.np.isnan(t) 判断ndarray中哪些地方是nan，可以替换为0
  5.nan和任何值计算都是nan
  6.把nan替换为0不合适，会降低平均值等，合适的操作时替换为均值

• nan替换为均值示例代码

import numpy as np

t1 =np.arange(12).reshape((3,4)).astype("float")
t1[1, 2:4] = np.nan
print(t1)
for i in range(t1.shape[1]):
 temp_col = t1[:, i]
 nan_num = np.count_nonzero(temp_col != temp_col)
 if nan_num != 0:
  # 获取该列所有值不是nan的array
  temp_not_nan_col = temp_col[temp_col == temp_col]
  # 将temp_not_nan_col的均值赋值给temp_col中值为nan的位置
  temp_col[np.isnan(temp_col)] = temp_not_nan_col.mean()


print(t1)

numpy中常用统计函数

函数	含义
np.sum(t,axis=None)	求和
np.mean(t,axis=None)	均值
np.median(t,axis=None)	中值
np.max(t,axis=None)	最大值
np.min(t,axis=None)	最小值
np.ptp(t,axis=None)	最大值和最小值的差
np.std(t,axis=None)	标准差