2-Numpy库总结

• • 1. 创建数组的方式
  • 2. 数据类型
  • 3. 多维数组
  • 4. 数组索引和切片
  • 5. 布尔索引
  • 6. 数组元素值的替换
  • 7. 数组的广播机制
  • 8. 数组形状的操作
  • 9. View或者浅拷贝
  • 10. 文件操作
  • 11. NAN和INF值处理
  • 12. random模块
  • 13. 通用函数

# 1. 使用np.array创建数组
a = np.array([1,2,3,4])
#查看数组中数据类型
print(type(a))

#2. 使用np.arange创建数组
#创建0-10步数为2的数组 结果为[0,2,4,6,8]
b = np.arange(0,10,2)

#3. np.random.random创建一个N行N列的数组 其中里面的值是0-1之间的随机数
# 创建2行2列的数组
c = np.random.random((2,2))

#4. np.random.randint创建一个N行N列的数组 其中值的范围可以通过前面2个参数来指定
# 创建值的范围为[0,9)的4行4列数组
d = np.random.randint(0,9,size=(4,4))

#5. 特殊函数
array_zeros = np.zeros((3,3))
array_ones = np.ones((4,4))
array_full = np.full((2,3),9)
array_eye = np.eye(4)

#1. 创建数组指定数据类型
a = np.array([1,2,3,4,5],dtype='i1')
a = np.array([1,2,3,4,5],dtype=int32)
#2. 查询数据类型【数组名.dtype】
print(d.dtype)
#3.修改数据类型【数组名.astype(数据类型)】
f = a.astype('f2')

#1. 数据维度查询【数组名.ndim】
a1.ndim
#2. 数据形状查询【数组名.shape】
a2.shape
#3. 修改数组形状【数组名.reshape()】
a2 = a1.reshape((2,6))
#扁平化 （多维数组转化为一维数组）
a3 = a2.flatten()
#4. 数组元素个数与所占内存
#数组的元素个数【数组名.size】
count = a1.size
#各元素所占内存【数组名.itemsize】
print(a1.itemsize)
#各元素数据类型【数组名.dtype】
print(a1.dtype)
#数组所占内存【数组名.itemsize * 数组名.size】
print(a1.itemsize * a1.size)

#1. 一维数组
#进行索引操作
a1[4]
#进行切片操作
a1[4:6]
#使用步长
a1[::2]
#使用负数作为索引
a1[-1]
#2. 二维数组
#通过中括号来索引和切片，在中括号中使用逗号进行分割
#逗号前面的是行，逗号后面的是列，如果多维数组中只有一个值，那么这个值就是行
#获取第0行数据
print(a2[0])
#获取第1,2行数据
print(a2[1:3])
#获取多行数据 例0,2,3行数据
print(a2[[0,2,3]])
#获取第二行第一列数据
print(a2[2,1])
#获取多个数据 例:第一行第四列、第二行第五列数据
print(a2[[1,2],[4,5]])
#获取多个数据 例:第一、二行的第四、五列的数据
print(a2[1:3,4:6])
#获取某一列数据 例:第一列的全部数据
print(a2[:,1])
#获取多列数据 例:第一、三列的全部数据
print(a2[:,[1,3]])

#提取条件可以为一个或多个，当提取条件为多个时使用&代表且，使用|代表或
#当提取条件为多个时，每个条件要使用圆括号括起来
a2[a2<10]
a2[(a2<5) | (a2>10)]

#1. 索引
#将a3数组第一行数据全部更换为0
a3[1] = 0
#将a3数组第一行数据更换为[1,2,3,4,5] -- 数据个数要对应
a3[1] = np.array([1,2,3,4,5])
#2. 条件索引
#数组中值小于3的元素全部替换为1
a3[a3 < 3] = 1
#3. 函数 【where函数】
#将a3数组中小于5的值替换为0，剩余值替换为1
result = np.where(a3<5,0,1)

如果两个数组的后缘维度（即从末尾开始算起的维度）的轴长度相符或其中一方的长度为1，则认为他们是广播兼容的。广播会在全是和（或）长度为1的维度上进行。

#1. 数组与数字运算
#数组中的所有元素都乘2
print(a1*2)
#数组中所有的元素只保留2位小数
print(a1.round(2))
#2. 数组与数组运算
#数组形状一致时 各个元素相加减(满足数组广播机制)
a2 = np.random.randint(0,5,size=(3,5))
a1+a2
#形状不一致的数组不能相加减(不满足数组广播机制)
a3 = np.random.randint(0,5,size=(3,4))
# a1+a3 报错
#两个数组行数相同 ，其中一个数组列数为1(满足数组广播机制)
a4 = np.random.randint(0,5,size=(3,1))
a1+a4
#两个数组列数相同 ，其中一个数组行数为1(满足数组广播机制)
a5 = np.random.randint(0,5,size=(1,5))
a1+a5

1. reshape与resize
   （1）reshape是将数组转换成指定的形状，然后返回转换后的结果，对于原数组的形状是不会发生改变的
   （2） resize是将数组转换成指定的形状，会直接修改数组本身，并且不会返回任何值

a2 = a1.reshape((2,6))
a1.resize((4,3))

2. flatten与ravel
   （1）flatten是将数组转换为一维数组后，然后将这个拷贝返回回去，然后后续对这个返回值进行修改不会影响之前的数组
   （2）ravel是将数组转换为一维数组后，将这个视图（引用）返回回去，后续对这个返回值进行修改会影响之前的数组

a4 = a3.flatten()
a5 = a3.ravel()

3. 数组的叠加
   vstack代表在垂直方向叠加，如果想要叠加成功，那么列数必须一致；hstack代表在水平方向叠加，如果想要叠加成功，那么行数必须一致；concatenate可以手动的指定axis参数具体在哪个方向叠加，axis=0代表在水平方向叠加，axis=1代表在垂直方向叠加，如果axis=None，会先进行叠加，再转化为1维数组

#垂直方向叠加的两种方式
vstack3 = np.vstack([vstack1,vstack2])
vstack4 = np.concatenate([vstack1,vstack2],axis=0)
#水平方向叠加的两种方式
h3 = np.hstack([h2,h1])
h4 = np.concatenate([h2,h1],axis=1)
#先识别垂直叠加或水平叠加 后转换为一维数组
h5 = np.concatenate([h2,h1],axis=None)

4. 数组的切割
   vsplit代表在垂直方向切割，按行进行切割；hsplit代表在水平方向切割，按列进行切割；hsplit切割方式两种，第一种直接指定平均切割成多少列，第二种是指定切割的下标值；split/array_split是手动的指定axis参数，axis=0代表按行进行切割，axis=1代表按列进行切割

#垂直方向平均分为4份
np.vsplit(vs1,4)
#垂直方向分为1,2,1
np.vsplit(vs1,(1,3)
#水平方向平均分为2份  (要求列数可被此数整除)
np.hsplit(hs1,2)
#水平方向分为1,1,2列（在下标为1,2处切割）
np.hsplit(hs1,(1,2))
#按列平均切割
np.split(hs1,4,axis=1)
#按行平均切割
np.split(vs1,4,axis=0)

5. 矩阵转置

#1. 通过ndarray.T的形式进行转置
t1.T
#2. 通过ndarray.transpose()进行转置
#transpose返回的是一个View，所以对返回值上进行修改会影响到原来的数组。
t2 = t1.transpose()

#1. 如果只是简单的赋值，那么就不会进行拷贝
a = np.arange(12)
b = a
#2. 有些情况，会进行变量的拷贝，但是他们所指向的内存空间都是一样的，那么这种情况叫做浅拷贝，或者叫做View(视图)
c = a.view()
#3. 将之前数据完完整整的拷贝一份放到另外一块内存空间中，这样就是两个完全不同的值了
d = a.copy()

#1. 文件保存【np.savetxt(frame,array,fmt="%.18e",delimiter=None)】
#保存csv文件
np.savetxt("score.csv",scores,fmt="%d",delimiter=",",header="英语,数学",comments="")
#2. 读取文件【np.loadtxt(frame,dtype=np.float,delimiter=None,unpack=False)】
#读取csv文件 跳过第一行的表头
b = np.loadtxt("score.csv",dtype=np.int,delimiter=",",skiprows=1)
#3. numpy独有的存储解决方案
#3.1 存储【np.save(fname,array)或np.savez(fname,array)】
#3.2 加载【np.load(fname)】
#存储
np.save("c",c)
#读取
c1 = np.load("c.npy")

1. NAN：Not A number,不是一个数字的意思，但是他是浮点类型的，所以想要进行数据操作的时候需要注意他的类型
2. INF：Infinity，代表的是无穷大的意思，也是属于浮点类型。np.inf表示正无穷大，-np.inf表示负无穷大，一般在出现除数为0的时候为无穷大。比如2/0
3. 特点：
   （1） NAN和NAN不相等。比如 np.NAN != np.NAN 这个条件是成立的
   （2） NAN和任何值做运算，结果都是NAN
4. 处理缺失值的方式

#1. 删除缺失值
#第一种方式： 删除所有NAN的值，因为删除了值后数组将不知道该怎么变化，所以会被变成一维数组
data[~np.isnan(data)]
#第二种方式： 删除NAN所在行
## 获取哪些行有NAN
lines = np.where(np.isnan(data))[0]
## 使用delete方法删除指定的行，lines表示删除的行号，axis=0表示删除行
np.delete(data,lines,axis=0)
#2. 用其他值替代

1. np.random.seed：用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随机数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异不同。一般没有特殊要求不用设置。
2. np.random.rand：生成一个值为 [0,1) 之间的数组，形状由参数指定，如果没有参数，那么将返回一个随机值
3. np.random.randn：生成均值(μ)为0，标准差(σ)为1的标准正态分布的值
4. np.random.randint：生成指定范围内的随机数，并且可以通过size参数指定维度
5. np.random.choice：从一个列表或者数组中，随机进行采样。或者是从指定的区间中进行采样，采样个数可以通过参数设置
6. np.random.shuffle：把原来数组的元素的位置打乱

详情点击链接 查看14章节