numpy

1 什么是numpy

? 一个在Python中做科学计算的基础库，重在数值计算，也是大部分Python科学计算库的基础库，多哦用于在大型、多维数组上执行数值运算。

2 numpy基础

创建数组： np.arange的用法arange([start,stop,step], dtype=None)（不包括stop）

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array(range(1,6))
c = np.arange(1,6) 
#   上面a,b,c内容相同，注意arange和range的区别

数组的类名：

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

数组的类型：

a.dtype

import numpy as np
import random

# numpy中的数据类型
t1 = np.arange(4,10,2)
print(type(t1))#输出int64
t2 = np.array(range(1,4),dtype=float)
print(type(t2))#输出float64
t3 = np.array(range(1,4),dtype=float32)
print(type(t3))#输出float32
t4 = np.array(range(1,4),dtype="i1")
print(t4.dtype)  # 输出：int8

# numpy中的bool类型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5)  #输出：[ True  True False  True False False]
print(t5.dtype)  # 输出：bool

# 调整数据类型
t6 = t5.astype("int8")
print(t4.dtype)  # 输出：int8

# numpy中的小数
t7 = np.array([random.random() for i in range(10)])
print(t7.dtype) #输出：float64

# t7中的小数都保留两位
t8 = np.round(t7,2)

numpy 中常见的更多数据类型

数据类型的操作

指定创建的数组的数据类型：
t5 = np.array([1,1,0,1,0,0],dtype=bool)

修改数组的数据类型：
t6 = t5.astype("int8")

修改浮点型的小数位数：
np.round(t7,2) # 数组名，小数位数

数组的形状

查看数组的形状：a.shape a 是数组名

修改数组的形状：a.reshape()

数组和数的计算

数会对数组中的每个值进行计算

import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
print(a+1)
print(a*3)

数组和数组的计算

import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
b = np.array([[21,22,23,24,25,26],[27,28,29,30,31,32]])
print(a+b)
print(a*b)

当进行运算的两个数组形状一样时，值按对应位置进行计算。

维度不同的数组进行运算时：

广播原则

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，则认为它们是广播兼容的，广播会在缺失和（或）长度为1 的维度上进行。

轴：

在numpy中可以理解为方向，使用0,1,2...数字表示，对于一个一维数组，只有一个0轴，对于2维数组（shape(2,2)），有0轴和1轴，对于三维数组（shape(2,2)），有0,1,2轴

numpy读取数据

CSV：Comma-Separated Value,逗号分隔值文件

显示：表格状态

源文件：换行和逗号分隔行列的格式化文本，每行数据表示一条记录

np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,unpack=False)

• frame：文件、字符串或产生器，可以是.g或bz2压缩文件
• dtype：数据类型，可选，CSV的字符串以什么数据类型读入数组中，默认np.float
• delimiter：分隔字符串，默认是任何空格，读CSV时改完逗号 delimiter=","
• skiprows：跳过前X行，一般跳过第一行表头
• usecols：读取指定的列，索引，元组类型
• unpack：如果为True，读入属性将分别写入不同数组变量，一列数据会组成一行，相当于转置的效果，False读入数据只写入一个数组变量，有多少条数据就有多少行，默认False

numpy中的转置

三种方法：

• t.transpose() #t是数组名

• t.T

• t.swapaxes(1,0) #将0轴和1轴交换

numpy索引和切片

#取行
print(t[2]) # 取第3行
print(t[2,:]) # 取第3行

#取连续多行
print(t[2:]) # 第三行开始的取
print(t[2:,]) # 第三行开始的取

#取不连续多行
print(t[[2,4,6]]) # 取2,5,7行
print(t[[2,4,6],:]) # 取2,5,7行

#取列
print(t[:,0]) # 取第一列
print(t[1,0]) # 取第2行第1列

numpy中数值的修改

t[:,2:3] = 0 修改制定位置的值

t[t<10] = 3 修改符合条件值 numpy中布尔索引

numpy中三元运算符

np.where(t<10,0,10) #将t中小于10的替换为0，否则替换为10。

numpy中的clip（裁剪）

t.clip(10,18) # 小于10的替换为10，大于18的替换为18，但nan不会被替换

数组的拼接

np.vstack(t1,t2) #竖直拼接t1和t2

np.hstack(t1,t2) # 水平拼接

数组的行列交换

t[[1,2],:] = t[[2,1],:] #行交换 第2行和第3行交换

t[:,[0,2]] = t[:,[2,0]] #列交换 第1列和第3列交换

numpy 更多好用的方法

1. 获取最大值最小值的位置

   np.argmax(t,axis=0) #获取x轴上的最大值

   np.argmin(t,axis=1) #获取x轴上的最小值

2. 创建一个全0的数组 np.zeros((3,4))

3. 创建一个全1的数组 np.ones((3,4))

4. 创建一个对角线为1的正方形数组（方阵）：np.eye(3) (边长)

numpy生成随机数

• .rand(d0,d1,...dn) 创建d0-dn维度的均匀分布的随机数组，浮点数，范围从0~1
• .randn(d0,d1,...dn) 创建d0-dn维度的标准正态分布随机数，浮点数0，标准差1
• .randint(low,high,(shape)) 从给定上下限范围选取随机数整数，范围是low,high，形状是shape
• .uniform(low,high,(size)) 产生具有均匀分布的数组，low起始值，high结束值，size形状
• .normal(loc,scale,(size)) 从指定正态分布中随机抽取样本，分布中心是loc（概率分布的均值），标准差是scale，形状是size
• .seed(s) 随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数

numpy的注意点copy和view

1. a=b 把b赋给a，a和b会相互影响
2. a=b[:]，视图操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的
3. a = b.copy()，复制，a和b互不影响

numpy 中的nan和inf

nan(NAN,Nan):not a number表示不是一个数字

什么时候numpy会出现nan：

• 当我们读取本地的文件为float的时候，如果有缺失，就会出现nan
• 当做了一个不合适的计算的时候（比如无穷大减无穷大）

numpy中nan的注意点：

1. 两个nan是不相等的，np.nan != nan
2. 判断数组中nan的个数：np.count_nonzero(t != t)
3. nan和任何值计算都为nan

inf(-inf,inf):infinity，inf 表示正无穷，-inf表示负无穷

什么时候出现inf（正、负）

• 一个数除以0

numpy中常用统计函数

• 求和：t.sum(axis=None)
• 均值：t.mean(axis=None) 受群点的影响比较大
• 中值：np.median(t,axis=None)
• 最大值：t.max(axis=None)
• 最小值：t.min(axis=None)
• 极值：np.ptp(t,axis=None) 即最大值和最小值之差
• 标准差：t.std(axis=None)

默认返回多维数组的全部的统计结果，如果知道axis则返回一个当前轴上的结果

numpy 学习笔记

原文：https://www.cnblogs.com/l999q/p/12333884.html