Numpy基礎學習

　　Numpy（Numerical Python的簡稱）是高性能科學計算和數據分析的基礎包。

　　主要的功能：

　　　　一、ndarray，一個具備矢量運算和複雜廣播工能的快速且節省空間的多維數組

　　　　二、用於對整組數據進行快速運算的標準數據函數（無需編寫循環）

　　　　三、用於讀寫磁盤數據的工具以及用於操做內存映射文件的工具

　　　　四、線性代數、隨機數生成以及傅里葉變換功能

　　　　五、用於集成由C、C++、Fortran等語言編寫的代碼的工具

　　1、Numpy的ndarray：一種多維數組對象、

　　　　numpy最重要的特色：

　　　　　　一、其N維數組對象（ndarray）

　　　　　　二、是一個快速靈活的大數據容器

　　　　　　三、能夠利用這種數組對整塊數據進行數學運算，其語法和標量元素之間的運算同樣

　　　　　　四、ndarray中的全部元素必須是相同類型的。每一個數組都有一個shape（表示各維度大小的元祖）和dtype（說明數組數據的對象）

　　1.1 ndarray的建立　

 1 import numpy as np
 2 
 3 data = [1,2,3,4]
 4 '''
 5 array([1, 2, 3, 4])
 6 '''
 7 arr = np.array(data)
 8 
 9 #1
10 arr.ndim  # 數組維度
11 
12 #(4,)
13 arr.shape  # 數組各維度大小的元祖

 1 import numpy as np
 2 
 3 #額外能建立ndarray的方法
 4 
 5 np.zeros(10)  # 建立指定長度形狀的數組, 全0
 6 np.zeros((3,2))
 7 np.zeros((1,2,3))
 8 
 9 np.ones()   # 建立指定長度形狀的數組, 全1
10 
11 np.empty((2,3,2))  # 建立沒有任何具體值的數組

　　1.2 ndarray的數據類型

　　　　Numpy的數據類型

類型	說明
int八、uint8	有符號和無符號的8位（一個字節）整型
int1六、uint16	有符號和無符號的16位（兩個個字節）整型
int3二、uint32	有符號和無符號的32位（三個字節）整型
int6四、uint64	有符號和無符號的64位（四個字節）整型
float16	半精度浮點數
float32	標準的單精度浮點數。與C的float兼容
float64	標準的雙精度浮點數。與C的double和Python的float對象兼容
float128	擴展精度浮點數
complex6四、complex128	分別用兩個32位 、64位或128位浮點數表示的複數
bool	存儲Ture和Flase值的布爾類型
object	Python對象類型
String_	固定長度的字符串類型
Unicode_	固定長度的Unicode類型（字節數由平臺決定）

　　　　dtype是一個特殊的對象，它含有ndarray將一塊內存解釋爲特定數據類型所需的信息。

1 import numpy  as np
2 
3 arr = np.array([1,2,3], dtype=np.float64)
4 arr.dtype
5 
6 arr.astype(np.float32)  # 轉換爲dtype

　　2、數組和標量之間的運算

　　　　大小相等的數組之間的任何算術運算都會將運算應用到元素級別

 1 import numpy as np
 2 
 3 arr1 = np.array([[1,2,3],[3,4,5]])
 4 arr2 = np.array([[6,7,8],[9,10,11]])
 5 
 6 '''
 7 array([[ 7,  9, 11],
 8        [12, 14, 16]])
 9 '''
10 arr1 + arr2
11 
12 
13 '''
14 array([[-5, -5, -5],
15        [-6, -6, -6]])
16 '''
17 arr1 - arr2
18 
19 '''
20 array([[ 6, 14, 24],
21        [27, 40, 55]])
22 '''
23 arr1 * arr2
24 
25 '''
26 array([[ 0.16666667,  0.28571429,  0.375     ],
27        [ 0.33333333,  0.4       ,  0.45454545]])
28 '''
29 arr1 / arr2

　　　　不一樣大小的數組之間的運算叫作廣播（broadcasting）會在後面的內容中單獨講，自己是一個很是重要的概念

　　3、基本的索引和切片 

　　　　一維數組的索引和切片和Python列表的功能差很少，這裏只作簡單的舉例，不作更多說明。

　　　　區別的地方須要單獨說明：一、在numpy的數組中，若是你將一個標量值賦值給一個切片時，例如arr[3:4] = 8，該值就會自動賦值給這個切片選區中，即(3,4]位置上的值都變成8；二、numpy中數組的切片時原始數組的視圖，數據不會被複制，視圖上的任何修改都會直接反應到原數組上。

 1 import numpy as np
 2 
 3 arr = np.array([1,2,3,4,5,6])
 4 
 5 arr[2,4] = 44
 6 
 7 '''
 8 array([1,2,44,44,5,6])
 9 '''
10 print(arr)

 

　　　　二維數組中，各個索引位置上的元素再也不是標量而是一維數組，依次類推多維也是這樣

import numpy as np

arr2d = np.array([[1,2,3],[2,3,4],[3,4,5]])

'''
array([3,4,5])
'''
arr2d[2]

arr2d[0][2]  # 等價於 arr2d[0,2]

　　　　二維數組的索引方式：縱軸表示 axis0，橫軸表示axis1

　　　　ndarray的切片語法跟Python列表這樣的一維對象差很少，在多維度上也是同樣的，可是咱們須要記住各個索引位置的元素再也不是標量二維一維數組

1 import numpty as np
2 
3 arr = np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
4 
5 '''
6 array([[1,2,3],[2,3,4]])
7 '''
8 arr[:2]

1 import numpty as np
2  
3 arr = np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
4  
5 '''
6 array([[1],[2]])
7 '''
8 arr[:2,:,1]

　　4、布爾型索引

　　　　能夠對ndarray中的數據作布爾類型的判斷截取

 1 import numpy as np
 2 
 3 arr = np.array([[1,2,3,4,5],[2,3,4,5,6],[3,4,5,6,7]])
 4 
 5 '''
 6 array([4, 5, 4, 5, 6, 4, 5, 6, 7])
 7 '''
 8 arr[arr > 3]
 9 
10 '''
11 array([3, 3, 3])
12 '''
13 arr[arr == 3]
14 
15 '''
16 array([1, 2, 2])
17 '''
18 arr[arr < 3]

 　　5、花式索引

　　　　花式索引（Fancy indexing）是一個Numpy術語，它指的是利用整數數組進行索引。

　　　　爲了以特定順序選取行子集，只須要傳入一個用於指定順序的整數列表或者ndarray，如下爲例子：

 1 import numpy as np
 2 
 3 '''
 4 array([[ 0.,  0.,  0.,  0.],
 5        [ 1.,  1.,  1.,  1.],
 6        [ 2.,  2.,  2.,  2.],
 7        [ 3.,  3.,  3.,  3.],
 8        [ 4.,  4.,  4.,  4.],
 9        [ 5.,  5.,  5.,  5.],
10        [ 6.,  6.,  6.,  6.],
11        [ 7.,  7.,  7.,  7.]])
12 '''
13 arr
14 
15 '''
16 array([[ 4.,  4.,  4.,  4.],
17        [ 3.,  3.,  3.,  3.],
18        [ 0.,  0.,  0.,  0.],
19        [ 6.,  6.,  6.,  6.]])
20 '''
21 arrr[[4,3,0,6]]  # 傳入了指定順序的整數列，4，3,0,6是順序
22 
23 arr[[-1,-2,-5]]  # 負數從尾部開始取，順序

　　　　一次傳入多個索引數組的狀況，如下爲實例：

 1 import numpy as np
 2 
 3 '''
 4 array([[ 0,  1,  2,  3],
 5        [ 4,  5,  6,  7],
 6        [ 8,  9, 10, 11],
 7        [12, 13, 14, 15],
 8        [16, 17, 18, 19],
 9        [20, 21, 22, 23],
10        [24, 25, 26, 27],
11        [28, 29, 30, 31]])
12 '''
13 arr = np.arange(32).reshape((8,4))
14 
15 '''
16 array([4,23,29,10])
17 '''
18 arr[[1,5,7,2],[0,3,1,2]]  #最終取出的數據是 座標(1,0)(5,3)(7,1)(2,2)
19 
20 '''
21 array([[ 4,  7,  5,  6],
22        [20, 23, 21, 22],
23        [28, 31, 29, 30],
24        [ 8, 11,  9, 10]])
25 '''
26 arr[[1,5,7,2]][:,[0,3,1,2]]  # 獲取矩形區域
27 
28 '''
29 np.ix()  將兩個一維整數數組轉換爲一個用於選取方形區域的索引器
30 '''
31 arr[np.ix([1,5,7,2],[0,3,1,2])]  # 獲得和上面同樣的結果

　　6、經常使用一元函數

函數	說明
abs、fabs	計算整數、浮點數或複數的絕對值。對於非複數值，可使用更快的fabs
sqrt	計算各元素的平方根。至關於arr**0.5
square	計算各元素的平方。至關於arr**2
exp	計算各元素的指數
log log10 log2 log1p	分別爲天然對數（底數爲e）、底數爲10的log、底數爲2的log 、 log(1+x)
sign	計算各元素的正負號：1正數，0零，-1負數
ceil	計算各元素的ceiling值，即大於等於該值的最小整數
floor	計算各元素的floor值，即小於等於該值的最大整數
rint	將各元素值四捨五入到最接近的整數，保留dtype
modf	將數組的小數和整數部分以兩個獨立數組的形式返回
isnan	返回一個表示NAN的布爾型數組
isfinite    isinf	分別返回一個表示，那些元素是有窮的 或者 哪些元素是無窮的 布爾類型數組
cos  cosh  sin  sinh	普通型和雙曲型三角函數
arccos arccosh arcsin arcsinh  arctan  arctanh	反三角函數
logical_not	計算各元素not x的真值。至關於-arr

　　7、二元經常使用函數

函數	說明
add	將數組中對應的元素相加
subtract	從第一個數組中減去第二個數組中的元素
multiply	數組元素相乘
divide、floor_divide	除法或向下圓除法
power	對第一個數組中的元素A，根據第二個數組中的相應元素B，計算AB
maximum、fmax	計算元素級的最大值  fmax將忽略NaN
minimum、fmin	計算元素級的最小值計算  fmin將忽略NaN
mod	元素級的求模計算（除法的餘數）
copysign	將第二個數組中的值的符號複製給第一個數組中的值
greater、greater_equal less、less_equal equal、not_equal	執行元素級的比較運算，最終產生布爾型數組。至關於>  >= <= < == !=
logical_and logical_or logical_xor	執行元素級的真值邏輯運算。至關於& | ^

　　8、基本數組統計方法

方法	說明
sum	對數組中所有或某軸向的元素求和。零長度的數組和sum爲0
mean	算術平均數。零長度的數組的mean爲NAN
std、var	分別爲標準差和方差，自由度可調（默認爲n）
min、max	最大值和最小值
argmin、argmax	分別爲最大和最小元素的索引
cumsum	全部元素的累計和
comprod	全部元素的累計積

　　　　做爲布爾類型數組的方法

　　　　arr.any()  數組中是否存在一個或多個True

　　　　arr.all()  數組中是否全部的值都爲True

　　　　排序：arr.sort()  返回排序後的數組

　　9、數組的集合運算

方法	說明
unique(x)	計算x中的惟一元素，並返回有序結果
intersect1d(x,y)	計算x和y中的公共元素，並返回有序結果
union1d(x,y)	計算x和y的並集，並返回有序結果
in1d(x,y)	獲得一個表示‘x的元素是包含於y’的布爾數組
setdiff1d(x,y)	集合的差，即元素在x中且不在y中
setxor1d(x,y)	集合的對稱差，即存在於一個數組中單不一樣時存在於兩個數組中的元素

 

 

 

 

 

內容參考自《利用Python進行數據分析》