一、NumPy
ndarray 理解多维数组
import numpy as np # 生成指定维度的随机多维数据 #数学建模应该用不到 data = np.random.rand(2, 3) print (data) print (type(data)) #type是显示数据类型；shape显示维度；ndim维度个数;type另外的作用
[[0.46686682 0.68844304 0.76663872] [0.70747721 0.47887587 0.25943412]] <class 'numpy.ndarray'>
ndim, shape 和 dtype 属性
print ('维度个数', data.ndim)
print ('各维度大小: ', data.shape)
print ('数据类型: ', data.dtype)维度个数 2 各维度大小: (2, 3) 数据类型: float64
创建ndarray
'''1. array创建''' # list转换为 ndarray l = range(10) data = np.array(l) print (data) print (data.shape) print (data.ndim)
[0 1 2 3 4 5 6 7 8 9] (10,) 1
# 嵌套序列转换为ndarray l2 = [range(10), range(10)] #就这样形成了一个数组 data = np.array(l2) print (data) print (data.shape)
[[0 1 2 3 4 5 6 7 8 9] [0 1 2 3 4 5 6 7 8 9]] (2, 10)
'''2. zeros;ones;empty创建'''
# np.zeros
zeros_arr = np.zeros((3, 4))
#注意元组，这里经常报错
# np.ones
ones_arr = np.ones((2, 3))
# np.empty[不全为零，而且是随机的一些数字]
empty_arr = np.empty((3, 3))
# np.empty 指定数据类型
empty_int_arr = np.empty((3, 3), int)
print (zeros_arr)
print ('-------------')
print (ones_arr)
print ('-------------')
print (empty_arr)
print ('-------------')
print (empty_int_arr)[[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]] ------------- [[1. 1. 1.] [1. 1. 1.]] ------------- [[0.000e+000 0.000e+000 0.000e+000] [0.000e+000 0.000e+000 2.174e-321] [0.000e+000 0.000e+000 0.000e+000]] ------------- [[0 0 0] [0 0 0] [0 0 0]]
# np.arange() #创建一系列连续的数算是numpy里面类似python里面range的功能 print (np.arange(10))
[0 1 2 3 4 5 6 7 8 9]
二、操作nddarray
矢量化 (vectorization)
# 矢量与矢量运算
arr = np.array([[1, 2, 3],
[4, 5, 6]])
print ("元素之间相乘：")
#注意区分矩阵之间的运算。这里的矢量原酸相当于是广播式的运算
print (arr * arr)
print ("矩阵相加：")
print (arr + arr)元素之间相乘： [[ 1 4 9] [16 25 36]] 矩阵相加： [[ 2 4 6] [ 8 10 12]]
# 矢量与标量运算 print (1. / arr) print (2. * arr)
[[1. 0.5 0.33333333] [0.25 0.2 0.16666667]] [[ 2. 4. 6.] [ 8. 10. 12.]]
索引与切片
# 一维数组 arr1 = np.arange(10) print (arr1) print (arr1[2:5])
[0 1 2 3 4 5 6 7 8 9] [2 3 4]
# 多维数组 arr2 = np.arange(12).reshape(3,4) #要学会定义多维数组，arange是形成12个随机数，之后的reshape是形成维数 #多维数组的空间含义就是比如：3.4.5=长4宽5高3 #还有点数就是应用函数 print (arr2)
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]
print (arr2[1]) print (arr2[0:2, 2:]) print (arr2[:, 1:3])
[4 5 6 7] [[2 3] [6 7]] [[ 1 2] [ 5 6] [ 9 10]]
# 条件索引
# 找出 data_arr 中 2015年后的数据
data_arr = np.random.rand(3,3)
print (data_arr)
year_arr = np.array([[2000, 2001, 2000],
[2005, 2002, 2009],
[2001, 2003, 2010]])
is_year_after_2005 = year_arr >= 2005
#:他会扩展成同类型的数组
print (is_year_after_2005, is_year_after_2005.dtype)
filtered_arr = data_arr[is_year_after_2005]
filtered_arr = data_arr[year_arr >= 2005]
print (filtered_arr)
#中间的一些语句可以删除
#最后生成得是一维数组，进行数据过滤的时候很有用[[0.61482194 0.0249229 0.28525661] [0.05121173 0.37672803 0.86259463] [0.22648329 0.4581513 0.18620441]] [[False False False] [ True False True] [False False True]] bool [0.05121173 0.86259463 0.18620441]
# 多个条件& | filtered_arr = data_arr[(year_arr <= 2005) & (year_arr % 2 == 0)] print (filtered_arr)
[0.61482194 0.28525661 0.37672803]
转置 === transpose
arr = np.random.rand(2,3) print (arr) print (arr.transpose())
[[0.01538974 0.47573964 0.90684253] [0.93683601 0.64306611 0.63846634]] [[0.01538974 0.93683601] [0.47573964 0.64306611] [0.90684253 0.63846634]]
#高维数组的转换(图像里面会用得到转换维度)
arr3d = np.random.rand(2,3,4)
print (arr3d)
print ('----------------------')
print (arr3d.transpose((1,0,2))) # 多维数组的转置和定义不会[[[0.18074837 0.64652003 0.80527972 0.67800268] [0.95766577 0.2498768 0.00304503 0.7058178 ] [0.12523549 0.18796252 0.72463798 0.15352211]] [[0.38808013 0.31075033 0.53082474 0.32254431] [0.6861262 0.02999367 0.70980993 0.09099878] [0.14987301 0.78237398 0.90159408 0.82897071]]] ---------------------- [[[0.18074837 0.64652003 0.80527972 0.67800268] [0.38808013 0.31075033 0.53082474 0.32254431]] [[0.95766577 0.2498768 0.00304503 0.7058178 ] [0.6861262 0.02999367 0.70980993 0.09099878]] [[0.12523549 0.18796252 0.72463798 0.15352211] [0.14987301 0.78237398 0.90159408 0.82897071]]]
ndarray数据类型转化 === astype
zeros_float_arr = np.zeros((3, 4), dtype=np.float64) print (zeros_float_arr) print (zeros_float_arr.dtype) # astype转换数据类型 zeros_int_arr = zeros_float_arr.astype(np.int32) print (zeros_int_arr) print (zeros_int_arr.dtype)
[[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]] float64 [[0 0 0 0] [0 0 0 0] [0 0 0 0]] int32
文本文件的读取
# loadtxt
filename = './presidential_polls.csv'
data_array = np.loadtxt(filename, # 文件名
delimiter=',', # 指定里面的元素分隔符
dtype=str, # 指定数据类型
usecols=(0,2,3)) # 指定读取的列索引号
print (data_array, data_array.shape)[['cycle' 'type' 'matchup'] ['2016' '"polls-plus"' '"Clinton vs. Trump vs. Johnson"'] ['2016' '"polls-plus"' '"Clinton vs. Trump vs. Johnson"'] ... ['2016' '"polls-only"' '"Clinton vs. Trump vs. Johnson"'] ['2016' '"polls-only"' '"Clinton vs. Trump vs. Johnson"'] ['2016' '"polls-only"' '"Clinton vs. Trump vs. Johnson"']] (10237, 3)
# loadtxt, 明确指定每列数据的类型
filename = './presidential_polls.csv'
data_array = np.loadtxt(filename, # 文件名
delimiter=',', # 分隔符
skiprows=1,
dtype={'names':('cycle', 'type', 'matchup'),
'formats':('i4', 'S15', 'S50')}, # 数据类型
usecols=(0,2,3)) # 指定读取的列索引号
print (data_array, data_array.shape) # 读取的结果是一维的数组，每个元素是一个元组[(2016, b'"polls-plus"', b'"Clinton vs. Trump vs. Johnson"') (2016, b'"polls-plus"', b'"Clinton vs. Trump vs. Johnson"') (2016, b'"polls-plus"', b'"Clinton vs. Trump vs. Johnson"') ... (2016, b'"polls-only"', b'"Clinton vs. Trump vs. Johnson"') (2016, b'"polls-only"', b'"Clinton vs. Trump vs. Johnson"') (2016, b'"polls-only"', b'"Clinton vs. Trump vs. Johnson"')] (10236,)
三、np的常用函数
转置transpose
import numpy as np
arr = np.random.rand(2,3) print (arr) print (arr.transpose())
[[0.78485041 0.88817969 0.34809014] [0.32744286 0.97539301 0.94401872]] [[0.78485041 0.32744286] [0.88817969 0.97539301] [0.34809014 0.94401872]]
#高维数组的转换(图像里面会用得到转换维度)
#不懂这里！！！
arr3d = np.random.rand(2,3,4)
print (arr3d)
print ('----------------------')
print (arr3d.transpose((1,0,2))) # 多维数组的转置和定义不会[[[0.28492549 0.60197236 0.45582367 0.21992479] [0.1747163 0.69201365 0.85460359 0.65311699] [0.62189644 0.25217555 0.16347156 0.29831219]] [[0.42826733 0.81396165 0.187138 0.560564 ] [0.10162186 0.66419751 0.03261665 0.06969256] [0.55461652 0.55020586 0.50693591 0.31741807]]] ---------------------- [[[0.28492549 0.60197236 0.45582367 0.21992479] [0.42826733 0.81396165 0.187138 0.560564 ]] [[0.1747163 0.69201365 0.85460359 0.65311699] [0.10162186 0.66419751 0.03261665 0.06969256]] [[0.62189644 0.25217555 0.16347156 0.29831219] [0.55461652 0.55020586 0.50693591 0.31741807]]]
ceil和floor和rint和isnan
arr = np.random.randn(2,3) print (arr) print (np.ceil(arr)) #向上最接近的整数 print (np.floor(arr)) #向下最接近的整数 print (np.rint(arr)) #四舍五入 print (np.isnan(arr)) #判断元素是否为NaN #笔记上还有其他的函数
[[ 0.262106 -1.33680008 -1.08562543] [ 0.3990978 0.1410074 0.64278274]] [[ 1. -1. -1.] [ 1. 1. 1.]] [[ 0. -2. -2.] [ 0. 0. 0.]] [[ 0. -1. -1.] [ 0. 0. 1.]] [[False False False] [False False False]]
where
arr = np.random.randn(3,4) print (arr) np.where(arr > 0, 1, -1) #（条件，满足输出，不满足输出）
[[ 2.04688394 0.48063737 1.20876913 -0.93412937]
[-0.43427472 -1.47755481 0.36882256 -0.08943138]
[-0.2847686 0.96915893 0.32641235 0.28346922]]
array([[ 1, 1, 1, -1],
[-1, -1, 1, -1],
[-1, 1, 1, 1]])sum
arr = np.arange(10).reshape(5,2) print (arr) print (np.sum(arr)) print (np.sum(arr, axis=0)) print (np.sum(arr, axis=1))
[[0 1] [2 3] [4 5] [6 7] [8 9]] 45 [20 25] [ 1 5 9 13 17]
all和any
import numpy as np arr = np.random.randn(2,3) print (arr) print (np.any(arr > 0)) #有一个就对 print (np.all(arr > 0)) #全部对才对 ''' ·用处就是判断一组数据当中，是否===有点类似布尔类型的 ·这个也可以应用在pandas中的DataFrame中 '''
[[-1.020184 -0.48466272 -0.8496271 ] [ 0.88815825 -0.81911857 0.64570539]] True False '\n·用处就是判断一组数据当中，是否===有点类似布尔类型的\n·这个也可以应用在pandas中的DataFrame中\n'
unique
arr = np.array([[1, 2, 1], [2, 3, 4]]) print (arr) print (np.unique(arr))
[[1 2 1] [2 3 4]] [1 2 3 4]
评论区