目录

  • 一、前言
  • 二、Numpy
    • Numpy数组
  • 二、创建数组
    • 初始化占位符
  • 三、输入、输出
    • 3.1 保存与载入文本文件
    • 3.2 保存与载入磁盘上的文件
  • 四、数据类型
  • 五、数组信息
  • 六、调用帮助
  • 七、数组计算
    • 7.1 算数运算
    • 7.2 比较
    • 7.3 聚集函数
  • 八、数组复制
  • 九、数组排序
  • 十、子集、切片、索引相关实现
    • 10.1 子集
    • 10.2 切片
    • 10.3 条件索引
    • 10.4 花式索引
  • 十一、数组操作
    • 11.1 转置数组
    • 11.2 改变数组形状
    • 11.3 添加或删除值
    • 11.4 合并数组
    • 11.5 分割数组

NumPy 的全称为 Numeric Python，它是 Python 的第三方扩展包，主要用来计算、处理一维或多维数组。

一、前言

  步入8月了，7月时因为项目所需，自学了深度学习相关的内容，现在已经把项目所需要的神经网络框架搭建起来了，输入输出也都归一化了，模拟误差也加上了，图像的参数提取和数据拟合也都做完了。开个新坑——
 本系列(《基于Python的数据分析大全》)是拜读了DataCamp撰写的 《Learn Python for Data Science Interactively》 (我个人把它译为《交互式学习 Python 数据科学》)有感而发，结合个人的理解编写的数据分析经验总结，旨在作为一本字典和速查手册，解决在数据分析时可能遇到的问题的实现思路和解决方法。
 本文介绍的是 Numpy基础知识，全文皆用Python实现。所用代码上机调试都能运行，如果发现有问题请私信我并附上报错信息。

二、Numpy

  Numpy 是 Python 数据科学计算和数据分析相关工作的核心库，提供了高性能的多维数组对象及处理数组的工具。

 我们可以使用以下语句导入 Numpy 库：

import numpy as np

Numpy数组

二、创建数组

>>> a = np.array([1,2,3])>>> b = np.array([(1.5,2,3), (4,5,6)], dtype = float)>>> c = np.array([[(1.5,2,3), (4,5,6)], [(3,2,1), (4,5,6)]],dtype = float)

初始化占位符

  以下介绍初始化占位符，主要包括：创建值为0数组、创建值为1数组、创建均匀间隔的数组（步进值）、创建均匀间隔的数组（样本数）、创建常数数组、创建2×2单位矩阵、创建随机值的数组和创建空数组的相关代码实现。

>>> np.zeros((3,4)) # 创建值为0数组>>> np.ones((2,3,4),dtype=np.int16) # 创建值为1数组>>> d = np.arange(10,25,5) # 创建均匀间隔的数组（步进值）>>> np.linspace(0,2,9) # 创建均匀间隔的数组（样本数）>>> e = np.full((2,2),7) # 创建常数数组 >>> f = np.eye(2) # 创建2x2单位矩阵>>> np.random.random((2,2)) # 创建随机值的数组>>> np.empty((3,2)) # 创建空数组

三、输入、输出

3.1 保存与载入文本文件

>>> np.loadtxt("myfile.txt")>>> np.genfromtxt("my_file.csv", delimiter=',')>>> np.savetxt("myarray.txt", a, delimiter=" ")

3.2 保存与载入磁盘上的文件

>>> np.save('my_array', a)>>> np.savez('array.npz', a, b)>>> np.load('my_array.npy')

四、数据类型

  以下介绍数据类型，包括：带符号的64位整数、标准双精度浮点数、显示为128位浮点数的复数、布尔值：True值和False值、Python对象、固定长度字符串、固定长度Unicode。

>>> np.int64 # 带符号的64位整数>>> np.float32 # 标准双精度浮点数>>> np.complex #显示为128位浮点数的复数>>> np.bool # 布尔值：True值和False值>>> np.object # Python对象>>> np.string_ # 固定长度字符串>>> np.unicode_ # 固定长度Unicode

五、数组信息

  以下介绍数组信息的查看方法代码实现，包括：数组形状、几行几列、数组长度、几维数组、数组有多少元素、数据类型、数据类型的名字、数据类型转换。

>>> a.shape # 数组形状，几行几列>>> len(a) # 数组长度>>> b.ndim # 几维数组>>> e.size # 数组有多少元素>>> b.dtype # 数据类型>>> b.dtype.name # 数据类型的名字>>> b.astype(int) # 数据类型转换

六、调用帮助

>>> np.info(np.ndarray.dtype)

七、数组计算

7.1 算数运算

  以下介绍算数运算相关操作，主要包括：减法、减法另解、加法、加法、除法、除法、乘法、乘法另解、幂、平方根、正弦、余弦、自然对数、点积。

# 减法>>> g = a - barray([[-0.5, 0. , 0. ],[-3. , -3. , -3. ]])# 减法>>> np.subtract(a,b)# 加法>>> b + aarray([[ 2.5, 4. , 6. ],[ 5. , 7. , 9. ]])>>> np.add(b,a) # 加法# 除法>>> a / barray([[ 0.66666667, 1. , 1. ],[ 0.25 , 0.4 , 0.5 ]])>>> np.divide(a,b) # 除法# 乘法>>> a * barray([[ 1.5, 4. , 9. ],[ 4. , 10. , 18. ]])>>> np.multiply(a,b) # 乘法# 幂>>> np.exp(b)# 平方根>>> np.sqrt(b)# 正弦>>> np.sin(a)# 余弦>>> np.cos(b)# 自然对数>>> np.log(a)# 点积e.dot(f)array([[ 7., 7.],[ 7., 7.]])

7.2 比较

  以下介绍比较的相关代码实现，主要包括：对比值、对比值另解、对比数组。

# 对比值>>> a == barray([[False, True, True],[False, False, False]], dtype=bool)# 对比值>>> a < 2array([True, False, False], dtype=bool)# 对比数组>>> np.array_equal(a, b)

7.3 聚集函数

  以下介绍聚集函数的相关代码实现，主要包括：数组汇总、数组最小值、数组最大值(按行操作)、数组元素的累加值、平均数、中位数、相关系数、标准差。

>>> a.sum() # 数组汇总>>> a.min() # 数组最小值>>> b.max(axis=0) # 数组最大值，按行>>> b.cumsum(axis=1) # 数组元素的累加值>>> a.mean() # 平均数>>> b.median() # 中位数>>> a.corrcoef() # 相关系数>>> np.std(b) # 标准差

八、数组复制

  以下介绍数组复制的相关代码实现，主要包括：使用同一数据创建数组视图、创建数组的副本、创建数组的深度拷贝。

>>> h = a.view() # 使用同一数据创建数组视图>>> np.copy(a) # 创建数组的副本>>> h = a.copy() # 创建数组的深度拷贝

九、数组排序

  以下介绍数组排序的相关操作，主要包括：数组排序、以轴为依据对数组排序。

>>> a.sort() # 数组排序>>> c.sort(axis=0) # 以轴为依据对数组排序

十、子集、切片、索引相关实现

10.1 子集


 选择索引2对应的值：

>>> a[2]3


 选择行1列2对应的值（等同于b[1][2]）：

>>> b[1,2]>6.0

10.2 切片


 选择索引为0与1对应的值：

>>> a[0:2]array([1, 2])


 选择第1列中第0行、第1行的值：

>>> b[0:2,1]array([ 2., 5.])


 选择第0行的所有值（等同于b[0:1,:1]：

>>> b[:1]array([[1.5, 2., 3.]])

  等同于 [1,:,:]：

>>> c[1,...]array([[[ 3., 2., 1.],[ 4., 5., 6.]]])

  反转数组a：

>>> a[ : :-1]array([3, 2, 1])

10.3 条件索引


 选择数组a中所有小于2的值：

>>> a[a<2]array([1])

10.4 花式索引

  选择(1,0),(0,1),(1,2) 和(0,0)所对应的值：

>>> b[[1, 0, 1, 0],[0, 1, 2, 0]]array([ 4. , 2. , 6. , 1.5])

  选择矩阵的行列子集：

>>> b[[1, 0, 1, 0]][:,[0,1,2,0]]array([[4.,5.,6.,4.],[1.5,2.,3.,1.5],[4.,5.,6.,4.] ,[1.5,2.,3.1.5]])

十一、数组操作

11.1 转置数组

>>> i = np.transpose(b) # 转置数组>>> i.T # 转置数组

11.2 改变数组形状

  以下介绍改变数组形状的相关代码操作，主要包括：数组排序、以轴为依据对数组排序。

>>> b.ravel() # 拉平数组>>> g.reshape(3,-2) # 改变数组形状，但不改变数据

11.3 添加或删除值

  以下介绍添加或删除值的相关代码操作，主要包括：返回形状为(2,6)的新数组、追加数据、插入数据、删除数据。

>>> h.resize((2,6)) # 返回形状为(2,6)的新数组>>> np.append(h,g) # 追加数据>>> np.insert(a, 1, 5) # 插入数据>>> np.delete(a,[1]) # 删除数据

11.4 合并数组

  以下介绍合并数组的相关代码实现，主要包括：拼接数组、纵向以行的维度堆叠数组、纵向以行的维度堆叠数组、横向以列的维度堆叠数组、以列的维度创建堆叠数组。

# 拼接数组>>> np.concatenate((a,d),axis=0)array([ 1, 2, 3, 10, 15, 20])# 纵向以行的维度堆叠数组>>> np.vstack((a,b))array([[ 1. , 2. , 3. ],[ 1.5, 2. , 3. ],[ 4. , 5. , 6. ]])# 纵向以行的维度堆叠数组>>> np.r_[e,f]# 横向以列的维度堆叠数组>>> np.hstack((e,f))array([[ 7., 7., 1., 0.],[ 7., 7., 0., 1.]])# 以列的维度创建堆叠数组>>> np.column_stack((a,d))array([[ 1, 10],[ 2, 15],[ 3, 20]])# 以列的维度创建堆叠数组>>> np.c_[a,d]

11.5 分割数组

  以下介绍分割数组的相关代码实现举例，主要包括：纵向分割数组为3等份和横向分割数组为2等份。

# 纵向分割数组为3等份>>> np.hsplit(a,3)[array([1]),array([2]),array([3])]# 横向分割数组为2等份>>> np.vsplit(c,2)[array([[[ 1.5, 2. , 1. ],[ 4. , 5. , 6. ]]]),array([[[ 3., 2., 3.],[ 4., 5., 6.]]])]