NUMPY INTRODUCTION
NUMPY 提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于处理多维数组，用于储存和处理大型矩阵，本身是由C语言开发，比python自身的列表结构要高效的多。
高性能科学计算和数据分析的基础包，总结：
NUMPY是一个Python科学计算基础库，提供了多维向量
NUMPY提供了用于数组快速操作的方法，数学，逻辑，排序，选择，线性代数，统计等
NUMPY采用预编译的C代码完成，效率更高
安装：
| pip install numpy |
使用：
| import numpy as np |
行业惯例将np作为numpy，将pd作为pandas。下文所有np均指的是numpy
认识轴：
轴【axis】：
既然是多维数组，先理清一下轴，类似于我们学习的X、Y、Z
二维数组的轴：
图一
三维数组的轴：
图二
使用NUMPY创建数组：
例：创建一个图一的数组
方法1: np.array([])
a=np.array([[1,2,3],[4,5,6]]) b=np.array([range(1,4),range(4,7)]) c=np.array([[i for i in range(1,4)],[i for i in range(4,7)]]) |
[[1 2 3]
[4 5 6]]
方法2: np.arange()
#1~6 步数为1
| d=np.arange(1,7,1) |
[1,2,3,4,5,6]
#将一维数组转变为二维
| d=d.reshape(2,3) |
[[1 2 3]
[4 5 6]]
常用属性和方法
形状
ndarray.shape
重新改变数组形状
ndarray.reshape(x_dim, y_dim, z_dim,…)
数组的维度
ndarray.ndim
itemsize输出array元素的字节数
numpy.itemsize
数组的形状：
nparray.shape:
#查看数组的形状维度
d=np.arange(1,7,1) print(d.shape) |
(6,)
nparray.reshape:
#改变数组的维度,规则1*6==2*3
d=d.reshape(2,3). #或者: d=np.reshape(d,(2,3)) print(d.shape) |
(2, 3)
获取数组的维度，可使用len(nparray.shape)，即元祖的维度，即numpy.itemsize
将多维数组转换为一维数组方式：
自己动手：
def createOnenp(nparray): num=1 for i in len(nparray.shape): num=num*nparray.shape[i] return nparray.reshape(num) |
实际又是自己在造轮子，可使用np自带方法：
nparray= nparray.flatten()
a=np.array([[1,2,3],[4,5,6]]) print(a) a=a.flatten() print(a) |
[[1 2 3]
[4 5 6]]
[1 2 3 4 5 6]
数组的计算：
情况一：数组和数值直接运算
a=np.array([i for i in range(1,7)])#生产一维数组 a=a.reshpe(2,3) |
[[1 2 3]
[4 5 6]]
数组可以直接与数字进行四则运算（+、-、*、/）
即数组里的每一个值分别四则运算
| print(a+2) |
[[3 4 5]
[6 7 8]]
| print(a/0) |
[[inf inf inf]
[inf inf inf]]
在numpy中，/0并不会报错，
inf（infimum）表示无穷,
nan（not a number）代表未定义或不可表示的值，
情况二：数组与数组计算
这里要注意了，数组和数组的计算和矩阵是不同的
矩阵的乘积：
数组的乘积：
相同的多维数组或直接与单维度轴相同，可以直接四则运算：
方式：广播（broadcast）
a：
[[1 2 3]
[4 5 6]]
| print(a*a) |
[[ 1 4 9]
[16 25 36]]
b:
[1 2 3]
| print(a*b) |
[[ 1 4 9]
[ 4 10 18]]
c：
[[1]
[2]]
| print(a*c) |
[[ 1 2 3]
[ 8 10 12]]
数组的操作：
1、转置操作
a=np.array([i for i in range(1,7)])#生产一维数组 a=a.reshpe(2,3) |
[[1 2 3]
[4 5 6]]
a.T
[[1 4]
[2 5]
[3 6]]
a.transpose()
[[1 4]
[2 5]
[3 6]]
a.swapaxes(1,0) #交换0轴和1轴
[[1 4]
[2 5]
[3 6]]
2、切片
a=np.array([i for i in range(1,10)])#生产一维数组 a=a.reshpe(3,3) |
[[1 2 3]
[4 5 6]
[7 8 9]]
2.1取行
2.1.1、取第x行
print(a[x])
| print(a[1]) |
[4 5 6]
2.1.2、取多行
print(a[[x,x]])
| print(a[[0,2]])#取第一行和第三行 |
[[1 2 3]
[7 8 9]]
2.1.3、取连续多行
print(a[x:y:z]) #连续取从x行到y行，不包括y，间隔为z
| print(a[0:3])#取第一行到第四行不包括第四行，也就是前面三行，和list切片类似，左闭右开 |
[[1 2 3]
[4 5 6]
[7 8 9]]
| print(a[0:3:2]) |
[[1 2 3]
[7 8 9]]
2.2取列
和取行类似
a[:,x]#取x列
a[:,x:y]#取下标为x到下标为y-1的列
a[:,x:y:z]#取下标为x到下标为y-1，间隔为z的列
a[:,[x,y]] #取下标为x，y的两列
2.3取某一点
a[1,1]=a[1][1]
5
2.4取某一部分
| print(a[1:3,1:3]) |
[[5 6]
[8 9]]
布尔索引、三元运算、裁剪
a=np.array([i for i in range(1,10)])#生产一维数组 a=a.reshpe(3,3) |
[[1 2 3]
[4 5 6]
[7 8 9]]
布尔索引：
| print(a>5) |
[[False False False]
[False False True]
[ True True True]]
print(a[a>5])
[6 7 8 9]
a[a>5]=5 print(a) |
[[1 2 3]
[4 5 5]
[5 5 5]]
三元运算：
data1=np.where(a<5,1,9)#比5小的全部修改为1，其他的改为9 Print(data1) |
[[1 1 1]
[1 9 9]
[9 9 9]]
裁剪
data2=a.clip(3,7)#小于3的替换为3，大于7的替换为7 print(data2) |
[[3 3 3]
[4 5 6]
[7 7 7]]
常用的统计函数
求和：nparray.sum(axis=None)
均值：nparray.mean(axis=None) 受离群点的影响较大
中值：np.median(nparray,axis=None)
最大值：nparray.max(axis=None)
最小值：nparray.min(axis=None)
极值：np.ptp(nparray,axis=None) 即最大值和最小值只差
标准差：nparray.std(axis=None)
其他方法
获取最大值最小值的位置
np.argmax(nparray,axis=0)
np.argmin(nparray,axis=1)
创建一个全0的数组: np.zeros((3,3))
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
创建一个全1的数组: np.ones((3,3))
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
创建一个对角线为1的正方形数组(方阵)：np.eye(3)
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
NUMPY中的复制操作
a=b 完全不复制，a和b相互影响
a = b[:],视图的操作，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，
a = b.copy(),复制，a和b互不影响
等等用法：
numpy.sort()
numpy.amin() numpy.amax()
numpy.mean() numpy.average()
numpy.std() # sqrt(mean((x - x.mean())**2))
numpy.var() # mean((x - x.mean())** 2)
numpy.sin() cos() tan() pi arcsin(), arccos() arctan() degrees()
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理
