开个新坑,为下学期的大数据专业做准备
就从数据分析的基本工具Numpy开始吧~
数组的创建
import numpy as np
np.array([1,2,3]) # 创建一个一维数组
np.array([1,2,3],dtype=float) # float类型的二维列表
np.array([[1,2,3],[4,5,6],[7,8,9]]) # 创建一个二维数组
np.arange(6) # 按顺序创建数组 [0 1 2 3 4 5]
np.arange(1,6,3) # 创建1-6之间步长为3的数组 [1 4]
np.linspace(1,6,3,dtype=int) # 创建1-6之间数列长度为3的数组 [1 3 6]
np.logspace(2,3,num=3,dtype=int) # 创建10^2-10^3之间数列长度为4的数组[ 100 316 1000]
np.zeros([2,10]) # 创建一个2x10的二维数组,所有元素都为0
np.ones([2,10]) # 创建一个2x10的二维数组，所有元素都为1
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
np.ones_like(a) # 创建一个"形状"和a数组相同,所有元素都是1的数组
np.zeros_like(a) # 作用同ones_like,但所有元素都是0
# 创建一个4x4的数组,可设置对角线数值为1
np.eye(4)
#### [[1. 0. 0. 0.]
#### [0. 1. 0. 0.]
#### [0. 0. 1. 0.]
#### [0. 0. 0. 1.]]
np.eye(4,k=1)
#### [[0. 1. 0. 0.]
#### [0. 0. 1. 0.]
#### [0. 0. 0. 1.]
#### [0. 0. 0. 0.]]
np.eye(4,k=-1)
#### [[0. 0. 0. 0.]
#### [1. 0. 0. 0.]
#### [0. 1. 0. 0.]
#### [0. 0. 1. 0.]]
# 创建以指定元素为对角线的数组
np.diag([1,2,3,4],k=1)
#### [[0 1 0 0 0]
#### [0 0 2 0 0]
#### [0 0 0 3 0]
#### [0 0 0 0 4]
#### [0 0 0 0 0]]
数组的几种属性
d1 = np.array([1,2,3])
d1.dtype # 获取数组元素的类型 int32
d1.astype(float) # 临时修改数组元素类型为float
d2 = np.array([[1,2,3],[4,5,6]])
d2.shape # 获取数组的"形状" (2, 3)
d2.size # 获取数组的大小 6
d2.ndim # 获取数组的维度 2
d3 = np.arange(24)
d4 = d3.reshape(2,3,4) # 改变数组的"形状"
#### [[[ 0 1 2 3]
#### [ 4 5 6 7]
#### [ 8 9 10 11]]
####
#### [[12 13 14 15]
#### [16 17 18 19]
#### [20 21 22 23]]]
数组的索引和切片
-
一维数组的索引
s1 = np.array([0,10,20,30,40,50]) s1[3] # 获取下标为3的元素 30 s1[[3]] # 获取下标为3的元素,格式为数组 [30] s1[[1,3]] # 取出下标为1和3的元素组成新的数组 [10 30] s1[0] = 100 # 修改元素值 -
二维数组的索引
- 以整数为下标
s2 = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]) s2[0] # 获取第一行列表 [1 2 3] s2[0][1] # 第一行第二个元素 2 s2[0,1] # 第一行第二个元素 2 s2[0] = 100 # 将第一行全部赋100 - 以列表为下标
s2[[1,2]] # 取第2,3行的列表[[4 5 6],[7 8 9]] s2[[2,3],[1,2]] # 取[2,1]和[3,2]的元素组成新列表[8 12] s2[[2,1,2,1]] # 取第2,1,2,1行元素组成新的二维列表 ↓ #### [[7 8 9] #### [4 5 6] #### [7 8 9] #### [4 5 6]] - 以数组为下标
- 一维数组的例子
v = np.array([1,3,4]) s3 = np.array([0,10,20,30,40]) s3[v] # 以数组1,3,4为下标,将s3中所对应下标的元素取出 [10 30 40] t = s3 == 40 # 判断s3,等于40则为True,返回一个列表 [False False False False True] s3[t] # 返回t为True所在下标的元素列表 [40] - 二维数组的例子
s4 = np.array([[0,1,2,3,4], [5,6,7,8,9]]) t = s4 % 2 == 0 # 找出s4中能被2整除的偶数 ↓ #### [[ True False True False True] #### [False True False True False]]
- 一维数组的例子
- 以整数为下标
切片
- 一维数组的切片
s5 = np.array([1,2,3,4,5]) s5[2:4] # 将下标2-4之间的元素切片 [3 4 5] - 二维数组的切片
s6 = np.array([[1,2,3], [4,5,6], [7,8,9], [10,11,12]]) s6[1:3] # 将下标1-2的列表切片取出 ↓ # [[4 5 6] # [7 8 9]] s6[1:3,2:3] # 输出如下 ↓ # [[5 6] # [8 9]] s6[::2,::2] # 每隔一个取一个 输出如下 ↓ # [[1 3] # [7 9]]
数组的变形
np.arange(10).reshape((2,5)) # 将一维数组格式化为2x5的二维数组
# [[0 1 2 3 4]
# [5 6 7 8 9]]
a = np.arange(10)
b = np.reshape(a,(2,5)) # 将a格式化为2x5
# [[0 1 2 3 4]
# [5 6 7 8 9]]
c = b.reshape(-1,2) # (-1,2)代表行数不变,列数变为2
# [[0 1]
# [2 3]
# [4 5]
# [6 7]
# [8 9]]
np.reshape(b,(10,)) # (10,)代表格式化为一维数组,0轴有10个元素
# [0 1 2 3 4 5 6 7 8 9]
np.reshape(b,(1,10)) # (1,10)代表0轴1个元素,这个元素包含10个元素
# [[0 1 2 3 4 5 6 7 8 9]]
b.shape = (1,10) # 通过改变shape的值来改变数组的形状
b.flatten() # 将二维数组b"扁平化"为一维数组,或np.flatten(b)
# [0 1 2 3 4 5 6 7 8 9]
d = np.ravel(b) # 与np.flatten(b)效果相同
# [0 1 2 3 4 5 6 7 8 9]
最后一行中b和d的数据是共享的,一个修改之后,另一个的数据也会改变
数组的组合
以以下两个二维数组为例
a = np.arange(9).reshape((3,3))
# [[0 1 2]
# [3 4 5]
# [6 7 8]]
b = np.arange(12).reshape((3,4))
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
- 水平组合
np.hstack((a,b)) # [[ 0 1 2 0 1 2 3] # [ 3 4 5 4 5 6 7] # [ 6 7 8 8 9 10 11]] np.concatenate((a,b),axis=1) # 沿1轴方向进行组合,结果与上面相同 - 垂直组合
# np.vstack((a,b)) 会报错,因为列数不同 np.vstack((a,b.T)) # b.T将b转置,使其与a的列数相同,则可以组合 # [[ 0 1 2] # [ 3 4 5] # [ 6 7 8] # [ 0 4 8] # [ 1 5 9] # [ 2 6 10] # [ 3 7 11]] np.concatenate((a,b),axis=1) # 沿0轴方向进行组合,结果与上面相同
数组的分割
以以下二维数组为例
a = np.arange(24).reshape(4,6)
# [[ 0 1 2 3 4 5]
# [ 6 7 8 9 10 11]
# [12 13 14 15 16 17]
# [18 19 20 21 22 23]]
- 沿1轴水平分割
b= np.split(a,2,axis=1) # 沿1轴方向将a切分成两部分 # [array([[ 0, 1, 2], # [ 6, 7, 8], # [12, 13, 14], # [18, 19, 20]]), # array([[ 3, 4, 5], # [ 9, 10, 11], # [15, 16, 17], # [21, 22, 23]])] b = np.hsplit(a,2) # 与上述结果相同 - 沿0轴垂直分割
b= np.split(a,2,axis=0) # 沿0轴方向将a切分成两部分 # [array([[ 0, 1, 2, 3, 4, 5], # [ 6, 7, 8, 9, 10, 11]]), # array([[12, 13, 14, 15, 16, 17], # [18, 19, 20, 21, 22, 23]])] b = np.vsplit(a,2) # 与上述结果相同
数组的运算
- 基本运算
a = np.array([1,2,3]) b = np.array([4,5,6]) # 将每一项都加减乘或除一个数 a * 10 # [10 20 30] a + 10 # [11 12 13] a - 10 # [-9 -8 -7] a / 10 # [0.1 0.2 0.3] # 数组之间对应项之间加减乘除 a + b # [5 7 9] a - b # [-3 -3 -3] a * b # [ 4 10 18] a / b # [0.25 0.4 0.5] ## 形状不同的情况 a = np.array([1,2,3]) b = np.array([[1,2,3], [4,5,6]]) c = np.array([[1], [2]]) # a数组自动扩展为2维与b进行计算,这称为"广播" a + b # [[2 4 6] # [5 7 9]] c + b # 对c数组进行向右广播 # [[2 3 4] # [6 7 8]] - 比较运算
np.array([1,2,3]) > np.array([3,1,2]) # 对应项之间进行比较 [False True True] # np.array([1,2,3]) > np.array([3,1]) 数组形状不相同,会报错 - numpy的逻辑运算
a = np.array([False,True]) b = np.array([True,False]) np.logical_or(a,b) # 逻辑或 [ True True] np.logical_and(a,b) # 逻辑与 [False False] c = np.array([1,2,3]) d = np.array([4,5,6]) ### any np.any(c > d) # 只要c的中有任何一个大于d的对应项,则为True 此处为False (c > d).any() # 与上述效果相同 ### all np.all(c < d) # 只有c中所有元素都小于d的对应项,才为True,此处为True (c < d).all() # 与上述效果相同 - 通用函数