一、基础概念
Python中使用最多的第三方库，也是SciPy、Pandas等数据科学的基础库。
二、ndarray处理
其实就是多维数组。
Python中的 list 保存的是对象的指针，因此数据量大时很占内存，低效且慢。
NumPy 数组存储在一个均匀连续的内存块中，这样数组计算遍历所有的元素，不像列表 list 还需要对内存地址进行查找，从而节省了计算资源，高效快速。
import numpy as np
a = np.array([1, 2, 3000000])
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b[1, 1] = 10
print(a.shape)
print(b.shape) # 获取数组大小 (3, 3)
print(a.dtype) # 获取元素类型 int32
print(b.dtype)
print(b)
三、取平均值
包含代码注释
import numpy as np
# 使用定义一个叫persontype的数据类型，包含（'name', 'age', 'chinese', 'math', 'english'）五个字段，类型包含（32位字符串、整型、和浮点型）
persontype = np.dtype({
'names': ['name', 'age', 'chinese', 'math', 'english'],
'formats': ['S32', 'i', 'i', 'i', 'f']})
# 使用np.array定义一个数组，内容为第一个参数{数组}，数据结构为persontype
peoples = np.array([("ZhangFei", 32, 75, 100, 90), ("GuanYu", 24, 85, 96, 88.5),
("ZhaoYun", 28, 85, 92, 96.5), ("HuangZhong", 29, 65, 85, 100)],
dtype=persontype)
# 获取peoples数组的age属性，获得一个数组
ages = peoples[:]['age']
chineses = peoples[:]['chinese']
maths = peoples[:]['math']
englishs = peoples[:]['english']
# np.mean(arr)方法，获取一个数组的平均值
print(np.mean(ages))
print(np.mean(chineses))
print(np.mean(maths))
print(np.mean(englishs))
四、基本算术运算
x1 = np.arange(1, 11, 2) # 起始值1，结束值1，间隔2 [1 3 5 7 9]
x2 = np.linspace(1, 9, 5) # 起始值1，结束值2，等分份数 [1. 3. 5. 7. 9.]
print(np.add(x1, x2)) # 相加
print(np.subtract(x1, x2)) # 相减
print(np.multiply(x1, x2)) # 相乘
print(np.divide(x1, x2)) # 相除
print(np.power(x1, x2)) # 求n次方
print(np.remainder(x1, x2)) # 取余数
print(np.mod(x1, x2)) # 取余数
五、统计运算
包含取最大值最小值的运算。
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.amin(a)) # 全部元素最小值 1
print(np.amin(a, 0)) # axis=0轴的最小值 [1, 2, 3,]
print(np.amin(a, 1)) # axis=1轴的最小值 将数组视为 [1,4,7], [2,5,8], [3,6,9]三个元素 [1, 4, 7]
print(np.amax(a)) # 全部元素最大值 1
print(np.amax(a, 0)) # axis=0轴的最大值 [7, 8, 9,]
print(np.amax(a, 1)) # axis=1轴的最大值 将数组视为 [1,4,7], [2,5,8], [3,6,9]三个元素 [1, 4, 7]
六、百分位数
取值为0-100，取50就是取平均值。
import numpy as np
# percentile()代表着第 p 个百分位数，这里p的取值范围是0-100，如果p=0，那么就是求最小值，如果p=50就是求平均值，如果p=100就是求最大值。
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.percentile(a, 50)) # 5.0
print(np.percentile(a, 50, axis=0)) # [4, 5, 6]
print(np.percentile(a, 50, axis=1)) # [2, 5, 8]
七、高级算术运算
- np.median 求中位数
- np.mean 求平均数
- np.average 加权平均值
- np.std 标准差
- np.var 方差
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 求中位数
print(np.median(a)) # 5.0
print(np.median(a, axis=0)) # [4. 5. 6.]
print(np.median(a, axis=1)) # [2. 5. 8.]
# 求平均数
print(np.mean(a)) # 5.0
print(np.mean(a, axis=0)) # [4. 5. 6.]
print(np.mean(a, axis=1)) # [2. 5. 8.]
# 求加权平均数
a1 = np.array([1, 2, 3, 4])
wts = np.array([1, 2, 3, 4])
print(np.average(a1)) # 2.5
print(np.average(a1, weights=wts)) # weights 为设置加权的权重 3.0
# 标准差及方差
print(np.std(a)) # 1.118033988749895
print(np.var(a)) # 1.25
八、NumPy排序
你可以使用sort函数，sort(a, axis=-1, kind=‘quicksort’, order=None)，默认情况下使用的是快速排序；
- a 要排序的数组
- axis=-1 轴限定
- 排序方式
- quicksort 快速排序
- mergesort 合并排序
- heapsort 堆排序
- order 指定排序字段
import numpy as np
a = np.array([[4, 3, 2], [2, 4, 1]])
print(np.sort(a)) # 默认从小到大排序
print(np.sort(a, axis=None)) # axis为none会将数组降为一维 [1 2 2 3 4 4]
print(np.sort(a, axis=0)) # [[2 3 1],[4 4 2]]
print(np.sort(a, axis=1)) # [[2 3 4],[1 2 4]]
END
