加减乘除

在 Numpy 中进行加减乘除可比 List 有效率多了，Numpy 可以让在 Array 中的每一个元素都快速计算，甚至有时候还可以帮你自动并行运算。 比如你要为一个列表中的每个元素都加上一个值，比如收集了一批学生的身高，一年后，大家都长高了 3cm。

  1. #### list
  2. l = [150, 166, 183, 170]
  3. for i in range(len(l)):
  4.     l[i] += 3
  5. print(l)
  6. [153, 169, 186, 173]
  8. ##### numpy
  9. import numpy as np
  11. a = np.array([150, 166, 183, 170])
  12. print(a + 3)
  13. [153 169 186 173]
  16. #######批量 +-*/ 全元素计算#
  17. print("a + 3:", a + 3)
  18. print("a - 3:", a - 3)
  19. print("a * 3:", a * 3)
  20. print("a / 3:", a / 3)
  22. a + 3: [153 169 186 173]
  23. a - 3: [147 163 180 167]
  24. a * 3: [450 498 549 510]
  25. a / 3: [50.         55.33333333 61.         56.66666667]

矩阵点积运算 dot()

dot.png

  1. a = np.array([
  2. [1, 2],
  3. [3, 4]
  4. ])
  5. b = np.array([
  6. [5, 6],
  7. [7, 8]
  8. ])
  10. print(a.dot(b))
  11. [[19 22] [43 50]]
  13. print(np.dot(a, b))
  14. [[19 22] [43 50]]

从上面可以看出，你有两种写法。1）直接用一个矩阵 dot 另一个；2）用 np.dot(a, b) 把两个矩阵包起来。

数据统计分析

用 Numpy 做数据分析理所应当，但是如果数据的种类多样的话，推荐用 Pandas 来做分析的. 不过，在数据量比较大的时候，我更喜欢直接 Numpy 来搞，因为 Numpy 的速度还是要比 Pandas 快上不少。
那么什么是数据分析呢？其实也就是在数据中找到你想要的一些变量，总结数据的规律。最简单的当属找到最大值最小值了。 比如上面的身高数据，你想找全班最高和最矮的。

  1. a = np.array([150, 166, 183, 170])
  2. print("最大：", np.max(a))
  3. print("最小：", a.min())
  5. 最大： 183
  6. 最小： 150
  7. print("总共：", a.sum())
  8. 总共： 669
  9. print("累乘：", a.prod())
  10. print("总数：", a.size) 
  11. 累乘： 774639000
  12. 总数： 4
  13. print("平均身高：", np.mean(a))
  14. print("身高中位数：", np.median(a))
  15. 平均身高： 167.25
  16. 身高中位数： 168.0
  17. print("标准差：", np.std(a))
  18. 标准差： 11.776565713313877

特殊运算符号

  1. # 天花板的值 地板的值
  2. a = np.array([150.1, 166.4, 183.7, 170.8])
  3. print("ceil:", np.ceil(a)) #取天花板的值
  4. print("floor:", np.floor(a)) #还是地板的值
  6. ceil: [151. 167. 184. 171.]
  7. floor: [150. 166. 183. 170.]
  9. ##  上限下限
  10. a = np.array([150.1, 166.4, 183.7, 170.8])
  11. print("clip:", a.clip(160, 180))
  12. clip: [160.  166.4 180.  170.8]