第十章_Numpy库

数组操作

创建数组

通过括号中传递Python的序列对象（列表）进行创建数组，多层则多维数组

• np.array(序列对象)

  • 例子
    • my_list = [1,2,3,4,5]my_numpy_list = np.array(my_list)

      指定数据类型进行创建数组

• np.array(序列对象,dtype = np.数据类型)

  返回数据元素的数据类型

  三大区别👉

• type()

  • 返回数据结构类型（list、dict、numpy.ndarray 等）
• dtype()
  • 返回数据元素的数据类型（int、float等）

    • 1）由于 list、dict 等可以包含不同的数据类型，因此不可调用dtype()函数

    • 2）np.array 中要求所有元素属于同一数据类型，因此可调用dtype()函数

• astype(‘数据类型英文’)

  • 改变np.array中所有数据元素的数据类型。

    • 能用dtype() 才能用 astype()

      数组转化为列表（返回一个列表，原数组不改变）

      数组名.tolist()

      查看数组的形状、维度、大小

      查看数组行和列

• 数组名.shape

  查看行数

• 数组名.shape[0]

  查看列数

• 数组名.shape[1]

  改变数组的形状

  数组名.shape = (行数,列数)

• 若行（列）数填-1，则为不干涉，由计算机根据列（行）数来自动计算行（列）数

  数组名.reshape((行,列))

  特殊数组

  产生全0的一维数组

• np.zeros(列数)

  产生全1的一维数组

• np.ones(列数)

  产生形状为(2,3)的全0数组

• np.zeros((2,3))

  产生指定形状且指定填充元素的数组

• np.full((行,列),填充元素)

  随机数组

  产生从0-1均匀产生随机数的数组

• np.random.rand(行数,列数)

  产生从以 0 为中心的标准正态分布或高斯分布中产生随机样本。

• np.random.randn(行数,列数)

  产生从半开半闭区间[low,high)上生成离散均匀分布的整数值;若high=None，则取值区间变为[0,low)

• np.random.randint()

  • np.random.randint(1.75, 4, 11) ##11个随机整数数字 #array([3, 3, 2, 3, 1, 1, 2, 2, 2, 3, 2])
  • np.random.randint(5, size=(2, 4)) #二行四列，higt为none,取值是0到5之间的整数 array([[4, 3, 0, 4], [3, 1, 1, 3]])
  • np.random.randint(a,b)：用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n：a<=n

    其他创建数组的方法

    创建 m 行 n 列,未初始化的二维数组

• np.empty((m,n))

  根据数组 a 的形状生成一个元素全为 1 的数组

• np.ones_like(a)

  根据数组 a 的形状生成一个元素全为 0 的数组

• np.zeros_like(a)

  根据数组 a 的形状生成一个元素全为 val 的数组

• np.full_like(a,val)

  只分配内存，不进行初始化

• np.empty((2,3),np.int)

  测定数组长度大小

  测定数组长度（元素个数）

• len(数组名)

  测定数组数据的个数（元素可包含数据）

• 数组名.size

  测定数组的维度

• 数组名.ndim

  访问数组

  指定单个访问

• 数组名[层,行,列]

  切片访问多个

• 数组名[层,行:,列]

  ⭐访问符合条件的元素

• 数组名[: , 2][数组名[: , 0] < 5]

  • [: , 2]表示取所有行的第 3 列（第 3 列索引号为 2）

  • [数组名[: , 0] < 5]表示取第一列（第 1 列索 引号为 0）值小于 5 所在的行（第 1、 2 行）

  • 整体表示取第 1、 2 行的第 3 列，得到结果 array([3, 6])这个“子”数组。

• np.where(c==4)

  • 查找c数组中数据4的位置

    删除数组对应行/列,返回一个新数组

    通过.delete

• np.delete(a,1,0)

  • a为数组，1为行的索引号，0表示axis=0

    • axis=0时为x轴，=1时为y轴删除
      • 
• np.delete(数组名,(1,2),0)

  • 删除数组的第2、3行

• np.delete(数组名,1,axis = 1)

  • 删除第二列

    通过.split(a,2,axis = 1)

• 删除第二列

  通过.hsplit(a,2)

• 删除第二列

  数组拼接

  数组a、b竖直（Vertical）拼接

• np.vstack((a,b))

  数组a、b水平（Horizontal）拼接

• np.hstack((a,b))

  数组拆分

  数组a竖直等分切割为b份

• np.vsplit(a,b)

  数组a水平等分切割为b份

• np.hsplit(a,b)

  查重

  去重一维数组或者列表的元素，并按元素从小到大返回一个新的无元素重复的元组或者列表

• np.unique(a,return_index,return_inverse)

  • a：表示数组
  • return_index：Ture 表示同时返回原始数组中的下标
  • return_inverse：True 表示返回重建原始数组用的下标数组

    数组展开

    数组展开为一维数组

• 数组名.flatten()

  • 注意：展开的维数不一定是一维，通过.ndim查看维度可能有2个括号（二维）

    展开一个可以解析的结构为一维数组

• np.ravel(数组名)

  缺失值检测（数据处理前一般检查是否缺失项进行删除或填补）

  检查是否是空值nan，返回布尔值

• np.isnan(数组名)

• 注意：对空值的判断不能使用直接的数学比较形式”==”，不能用”==np.nan”来判断，只能用np.isnan()来操作。 np.nan的数据类型是float。

  查找空值nan并返回位置

• np.where(np.isnan(数组名))

  查找空值nan并返回类似坐标形式位置

• np.argwhere(np.isnan(数组名))

  数组复制

  浅复制-数组不同，数据共享

• 数组2 = 数组1.view()

  深复制-数组不同，数据不共享

• 数组2 = 数组1.copy()

  两者理解

• 复制方式不受另一个数组改变而改变是因为.copy()复制方法是深复制，复制创建了新的数组对象，同时两个数组的数据不共享。

• 如果想要复制的数组随原数组数据改变而改变，即需要通过浅复制——.view()视图方式去进行复制，此时两个数组不同，但是指向同一个内存地址，他们的数据是共享（相同）的。

  数组排序

  让a数组-按行排序并生成一个新的数组

• np.sort(a,axis=1)

• a.sort(axis = 1)

• axis0与1

  • axis=1指按列分组去对比行值排序，行不变
  • axis=0指按行分组去对比列值排序，

    引用数组a排序后的索引位置

• np.argsort()

  • j =np.argsort(a)

    最大最小值查找

    查找每列最大值

• np.argmax(a,axis = 0)

  查找每列最小值

• np.argmin(a,axis = 0)

  查找每列的最大值

• 数组名.max(axis = 0)

  查找每列的最小值

• 数组名.min(axis = 0)

  数组的保存与读取

  保存一个数组到一个二进制文件中

• 简单的数组保存

  • np.save(‘路径/…/保存的命名’,要保存的数组名)

• 非结构化数据保存

  • np.savez(‘路径/…/保存的命名’,保存的数组名1 = 保存的数组, 保存的数组名2 = 保存的数组，…)

    读取保存的文件

• np.load(‘路径/../文件名’)

  数值计算

  常用

• 数组求和

  • sum
• 数组均值计算
  • mean
• 数组方差计算
  • var
• 数组标准差计算
  • std
• 数组所有元素累计和
  • comsum
• 数组所有元素的累计积
  • comprod
• 求数组元素的平方根
  • np.sqrt(数组名)
• 计算数组n次方
  • np.power(数字或数组,几次方)
    • np.power(a,3)

• 计算数组中位数

  • np.median(arr,axis = 0)

    注意事项

• （只支持数值、空值计算，其他会报错）

• 注意axis即轴在计算时的变化理解

  • asix=0，每一行的行方向（x轴，从上到下）进行计算
  • asix=1，每一行的列方向（y轴，从左往右）进行计算

    矩阵(Matrix)对象

    创建

• np.matrix([[1,2],[3,4]])

  返回矩阵的转置

• .T

  返回矩阵自身的逆矩阵

• .I

  求解线性方程组

  np.linalg.solve(A,B)

• 线性方程组Ax=B

  概述

  在用 Python 对 n 维数组和矩阵进行运算时，Numpy 库提供了大量有用特征。

  Numpy 库数组有两种形式

  向量

• 一维数组

  矩阵

• 多维数组。在某些情况下，矩阵只有一行或一列。

  导入Numpy库

  import numpy as np

  通常通过as将np作为Numpy的别名

  数据组织的维度

  一维数据

  序列或集合的内容

  存储方式

• 4种存储方式

  • ①空格分隔元素
  • ②逗号分隔元素
    • 被称为CSV格式（Comma-Separated Values,即逗号分隔符格式）
      • 简介
        • 一种通用的、相对简单的文件格式，以.csv为扩展名
        • 在商业和科学上广泛应用，大部分编辑器等都支持直接读写文件为CSV格式
      • 应用案例：
        • Windows平台上的记事本
        • 微软Office Excel等
      • Python中实现CSV格式
        • 将列表对象输出或输入成列表对象
        • 采用.join()连接输出为CSV最方便
          • 存储文件的变量.write(‘,’.join(list1)+’\n’)

            • 将list1列表以,为连接符进行连接形成一个整体字符串写入到存储文件的变量中，然后换行。

  • ③换行分隔元素
  • ④其他特殊符号分隔-如分号分隔

    二维数据

    可看作一维数组组成的二维数组。每个内部列表的单个元素为对应行的列元素。

    list = [[‘一’,’二’,’三’][‘四’,’五’,’六’]]

    多维数据

    HTML

• 网页

  XML

  JSON

• 特点

  • 底层以键值对形式展示
  • 通过逗号分隔
  • []组成各键值对成为整体形成高层次的键值对
• 代码
  • ‘本书’:[ {‘第一章’:’程序设计基本方法’} {‘第二章’:’Python基本元素’}………]